Programmatic tool calling: co to jest i jak działa w agentach AI

Agentowa AIProtokoły i integracjeOpublikowano Zaktualizowano Autor: Simon Budziak

Programmatic tool calling pozwala modelowi napisać kod, który wywołuje narzędzia w piaskownicy. Alternatywą jest proszenie o nie po jednym w trakcie rozmowy. Wyniki pośrednie nie trafiają do okna kontekstu, więc agent może łączyć wiele wywołań narzędzi przy niższym opóźnieniu i mniejszym koszcie tokenów.

Jaki problem rozwiązuje programmatic tool calling?

Rundy w obie strony. Klasyczne wywoływanie narzędzi odsyła każdy wynik przez model, więc zadanie, które dotyka trzydziestu rekordów, płaci za trzydzieści aktualizacji kontekstu, a surowe dane zapychają okno kontekstu niezależnie od tego, czy model ich potrzebuje. Gdy model orkiestruje narzędzia w kodzie, ta pętla zamienia się w jedno wykonanie: pobierz, przefiltruj, zagreguj, zwróć odpowiedź. Implementacja Anthropic uruchamia kod w jego kontenerze do wykonywania kodu (dokumentacja Claude, dostęp 16 listopada 2026), a Anthropic podaje wzrost dokładności o trzy do pięciu punktów przy mniej więcej o jedną trzecią mniejszej liczbie tokenów wejściowych w benchmarkach opartych na wyszukiwaniu (Anthropic, advanced tool use, dostęp 26 października 2026).

Jak właściwie przebiega programowe wywołanie narzędzia?

Model emituje skrypt zamiast żądania narzędzia. Harness przekazuje ten skrypt do piaskownicy, w której dozwolone narzędzia są wystawione jako funkcje; w implementacji Anthropic piaskownicą jest własny kontener dostawcy do wykonywania kodu. Skrypt wywołuje narzędzia jak zwykłe funkcje, iteruje po wynikach, rozgałęzia się zależnie od tego, co wróciło, i wypisuje tylko to, co model powinien zobaczyć. Do rozmowy wraca wyłącznie ten końcowy wydruk. Dla modelu cała wycieczka wygląda jak jedno wywołanie narzędzia, które sporo załatwiło. Dla operatora to kod: logikę orkiestracji da się przejrzeć i odtworzyć, czego nie da się powiedzieć o łańcuchu nieprzejrzystych decyzji modelu, a dzięki deterministycznemu odtwarzaniu nieudany przebieg można wykonać ponownie dokładnie tak samo.

Czego wymaga od Twoich narzędzi?

Narzędzi, które można bezpiecznie wywoływać bez człowieka pilnującego każdego wywołania. Kod działa w ramach izolowanego wykonywania kodu, ale skrypt może rozesłać wiele wywołań, zanim ktokolwiek przejrzy całą partię, więc narzędzia z efektami ubocznymi nadal potrzebują bramki zatwierdzania narzędzi przed wszystkim, co przesuwa pieniądze lub wysyła wiadomości. Oznacz, które narzędzia może wywoływać kod, a resztę zostaw w trybie konwersacyjnym; ten podział egzekwuje agent harness.

Jak używamy programmatic tool calling w Soba Labs?

Działają na nim nasze cotygodniowe zautomatyzowane zadania redakcyjne. Agent, który utrzymuje ten słownik, mierzy każdy kandydujący termin w API słów kluczowych: zamiast stu konwersacyjnych wywołań narzędzi robi to jeden skrypt, który wysyła zadania, odpytuje o wyniki, łączy liczby z ośmiu rynków i zwraca zwięzłą tabelę. Do kontekstu modelu trafia tylko tabela, surowe odpowiedzi nigdy. Ta sama dyscyplina obowiązuje w powłoce: filtrowanie wyjścia poleceń, zanim dotrze do naszych agentów programistycznych, zmniejszyło ich zużycie tokenów o połowę w 1456 zmierzonych poleceniach.

Jak debugować agenta, który wywołuje narzędzia z kodu?

Traktuj jako jednostkę awarii skrypt, a nie narzędzie. Nieudany przebieg zostawia trzy artefakty do zebrania: kod, który napisał model, jego stdout i stderr oraz wywołania narzędzi, które wysłała piaskownica, i właśnie tu LLM tracing pokazuje swoją wartość. Tryby awarii różnią się od konwersacyjnego użycia narzędzi. Skrypt może przechwycić błąd narzędzia, kontynuować i zwrócić pewną siebie, błędną odpowiedź, więc niech narzędzia zawodzą głośno, zamiast zwracać puste wyniki, po których pętla beztrosko przejdzie dalej. A ponieważ cała partia wykonuje się, zanim ktokolwiek ją przejrzy, utrzymuj zapisy jako idempotentne: naturalnym ponowieniem po nieudanym skrypcie jest ponowne uruchomienie skryptu.

Napisane z pomocą AI i sprawdzone przez Simona Budziaka. Uwagi z produkcji pochodzą z systemów, które Soba Labs buduje i utrzymuje.

Najczęściej zadawane pytania

Czym programmatic tool calling różni się od zwykłego wywoływania narzędzi?

Przy zwykłym wywoływaniu narzędzi każdy wynik wraca do modelu, co za każdym razem kosztuje jedną rundę i tokeny kontekstu. Przy programmatic tool calling model pisze skrypt, który wywołuje narzędzia, filtruje i łączy ich wyniki w kodzie, a oddaje tylko wynik końcowy.

Kiedy programmatic tool calling to zły wybór?

Gdy człowiek lub polityka musi zobaczyć każde działanie przed jego wykonaniem, bo wywołania z kodu omijają przegląd pojedynczych wywołań, jaki daje pętla konwersacyjna, oraz gdy zadanie wymaga tylko jednego lub dwóch wywołań narzędzi, a przygotowanie wykonania kodu nic nie daje.

Podsumuj tę stronę w

Zobacz, jak to działa w systemie, który zbudowaliśmy