Tool Callingとは？

何が起きるのか

LLMは学習済みの知識だけでは、いまの天気を取得したり、社内データを検索したり、カレンダーへ予定を書き込んだりできません。そこでアプリは、使えるツールの名前、説明、受け取る引数の形をモデルへ伝えます。

モデルはユーザーの依頼を読み、必要ならツール名と引数を構造化して返します。重要なのは、モデルが外部処理を直接実行したとは限らない点です。ユーザー定義のツールでは、アプリが呼び出しを検証して実行し、結果をモデルへ戻します。提供元が動かすサーバーツールでは、同じ往復の一部を提供基盤が担当します。

5段階の流れ

説明用に「東京の天気は？」へ答える流れを考えます。

1. アプリが get_weather と引数 location の定義をモデルへ渡す
2. モデルが get_weather と {"location":"東京"} を返す
3. アプリがツール名、引数、権限を検証して天気APIを実行する
4. 説明用の結果 24℃ を、対応する呼び出し結果としてモデルへ戻す
5. モデルが「東京は24℃です」のような最終回答を作る

ツール結果を戻した後、モデルが別のツールを追加で求めることもあります。一度の呼び出しで終わるとは限りません。

ツール定義と引数スキーマ

ユーザー定義ツールでは、名前、用途の説明、引数のスキーマを渡します。OpenAIのfunction toolやAnthropicのclient toolでは、JSON Schemaを使って引数の型や必須項目を表せます。

スキーマは引数の形をそろえる助けになりますが、値の意味、利用者の権限、操作の安全性まで保証しません。location が文字列でも、対象範囲や許可条件は実行側で検証します。

Function Callingとの関係

OpenAIの公式資料では、Function CallingはTool Callingとも呼ばれます。Function Callingは、JSON Schemaで定義した関数をモデルが選ぶ仕組みを指すことが多く、Tool Callingは関数に加えて、検索、コード実行、MCPなどを含む広い呼び方として使われることがあります。

ただし製品やAPIによって用語の範囲は異なります。ゆめさくでは検索意図の重複を避けるため、Function Callingを別概念のURLにはせず、このTool Callingページでまとめて説明します。

構造化出力との違い

構造化出力は、モデルの回答を指定したJSONなどの形にそろえる仕組みです。Tool Callingは、外部機能を選び、その結果を会話へ戻す仕組みです。どちらもJSON Schemaを使うことがありますが、回答の形式を整えるのか、外部処理につなぐのかが違います。

MCPとの違い

Tool Callingは、モデルがどのツールをどの引数で使うかを示すやり取りです。MCPは、AIアプリとツールやデータの提供側を共通の方法で接続するプロトコルです。MCPで見つけたツールをTool Callingで選ぶ構成はありますが、両者は同じ役割ではありません。

AIエージェントとの関係

一回だけ天気ツールを呼んで回答する実装もTool Callingです。ツールの結果を観察し、次の操作を選び、完了まで何度も繰り返すと、AIエージェントの実行ループへ近づきます。Agent Harnessは、その反復、状態、承認、停止条件を支える周辺基盤です。

安全に実行する

モデルから届くツール名と引数は、信頼済みの命令として扱いません。許可リストにあるツールか、引数がスキーマと業務ルールを満たすか、現在の利用者に権限があるかを実行前に確認します。

たとえば「明日10時に会議を作って」という予定の追加は、候補日時と参加者を表示してから承認を求めます。削除、送信、公開、決済のような戻しにくい操作ほど、人の確認、最小権限、監査ログ、回数上限が重要です。

失敗したとき

ツールがタイムアウトした、引数が不足した、権限がない、といった失敗はモデルへ明示して返します。成功したように見せず、再試行してよい失敗、ユーザーへ確認する失敗、直ちに停止する失敗を分けます。

覚え方

LLMが「どの道具を、どの引数で使うか」を選び、アプリや提供基盤が実行し、その結果をLLMが回答へ使う仕組みです。