Tool Calling: Ako AI agenti používajú nástroje

Čo je Tool Calling?

Tool Calling (nazývané aj Function Calling alebo Tool Use) je kľúčová schopnosť, vďaka ktorej AI agent prekračuje rámec čistého generovania textu. LLM dostane strojovo čitateľné popisy nástrojov, funkcií, API a dátových zdrojov a v prípade potreby vygeneruje štruktúrované volanie s parametrami, ktoré okolitá aplikácia vykoná. Výsledok sa vráti do modelu ako pozorovanie a model potom naplánuje ďalší krok. Týmto spôsobom sa LLM mení z generátora textu na konajúceho aktéra.

Tri kľúčové odpovede na úvod:

• Čo sa technicky deje? Model nevracia súvislý text, ale štruktúrované volanie: názov funkcie plus argumenty vo formáte JSON. Aplikácia toto volanie vykoná a výsledok vráti do modelu.
• Kto vlastne volá? Nie samotné LLM. Model volanie navrhuje; samotné vykonanie vrátane kontroly oprávnení a validácie je vecou okolitého kódu. Toto oddelenie je základom každej bezpečnostnej architektúry.
• Prečo je to kľúčová schopnosť agentov? Bez Tool Use zostáva LLM poradcom, ktorý vie len rozprávať. Až Tool Calling premení uvažovací model (reasoning engine) na agenta, ktorý vníma, plánuje, koná a pozoruje, teda prechádza celou slučkou Perceive → Reason → Act → Observe.

Konkrétny príklad: overiť dostupnosť a rezervovať termín

Predpokladajme, že agent má zákazníkovi rezervovať konzultačný termín. Model dostane k dispozícii dva nástroje, každý s názvom, popisom a schémou parametrov:

1. get_availability(date: string): vráti voľné sloty pre daný dátum.
2. book_appointment(slot_id: string, customer_email: string): rezervuje slot.

Priebeh:

1. Reason: Používateľ napíše „Je budúci utorok dopoludnia ešte voľný termín?“. Model rozpozná, že najprv potrebuje zistiť dostupnosť.
2. Act: Namiesto textovej odpovede vráti model štruktúrované volanie: get_availability(date: "2026-06-16").
3. Execute: Aplikácia, nie model, zavolá skutočné kalendárové API a dostane dva voľné sloty.
4. Observe: Výsledok (["09:00", "10:30"]) sa vráti do modelu ako pozorovanie.
5. Loop: Model sformuluje doplňujúcu otázku alebo po potvrdení zavolá book_appointment(...).

Dôležité: zapisujúci krok (book_appointment) má nezvratný účinok. Práve sem patrí Human-in-the-Loop alebo potvrdzovací krok, skôr než agent akciu vykoná.

Mechanika Function Calling

Function Calling sa vo všetkých bežných LLM API riadi rovnakým základným vzorom bez ohľadu na poskytovateľa:

1. Definícia nástroja: Každý nástroj je popísaný JSON schémou: názov, popis účelu v prirodzenom jazyku a typované parametre. Tento popis je jedinou informáciou, podľa ktorej model rozhoduje, či a ako nástroj použije.
2. Výber nástroja: Model v kroku uvažovania vyberie vhodný nástroj a vyplní parametre. Využíva pritom výhradne dodané popisy a kontext konverzácie.
3. Štruktúrovaný výstup: Namiesto prózy dodá model strojovo čitateľný objekt. Ak je aktívny striktný režim (strict mode), resp. Structured Outputs, poskytovateľ cez obmedzené dekódovanie (constrained decoding) vynúti, aby argumenty zodpovedali schéme. Bez tohto režimu môže model vygenerovať neplatné argumenty. Executor validuje parametre v oboch prípadoch, pretože argumenty v súlade so schémou nezaručujú ani prípustné hodnoty, ani potrebné oprávnenia.
4. Vykonanie a pozorovanie: Volanie sa vykoná, výsledok sa vráti a slučka beží ďalej, kým sa nedosiahne cieľ alebo kým sa neuplatní kritérium ukončenia (limit slučky, chyba, guardrail).

Najdôležitejší poznatok z praxe: keď agent koná nesprávne, príčina spravidla nie je v modeli, ale v definícii nástroja. Anthropic formuluje zásadu ostro: ak ľudský inžinier nevie jednoznačne povedať, ktorý nástroj treba v danej situácii použiť, nevie to ani agent.

Z toho vyplývajú tri pravidlá návrhu:

• Obmedziť počet nástrojov: Osvedčeným postupom v roku 2026 je mať aktívne načítaných 3 až 7 nástrojov; približne od 10 nástrojov sa výber nástroja merateľne zhoršuje. V interných evaluáciách MCP od spoločnosti Anthropic stúpla presnosť výberu nástroja s dynamickým vyhľadávaním nástrojov zo 49 % na 74 % (Opus 4), resp. zo 79,5 % na 88,1 % (Opus 4.5).
• Vyhnúť sa prekrývaniu: Dva nástroje, ktoré by mohli rovnako vierohodne obslúžiť tú istú požiadavku, sú problém, ktorý nevyrieši žiadny prompt. Jasná klauzula „kedy nepoužiť“ v popise je najúčinnejšia a často prehliadaná súčasť.
• Jednoznačné názvy a parametre: Výstižné názvy a presne typované parametre znižujú počet chybných interpretácií skôr, než vôbec vzniknú.

Vzťah k MCP: štandard na pripájanie nástrojov

Bez štandardu treba každú integráciu nástroja zapojiť samostatne, pre každého agenta, každé API a každý dátový zdroj s vlastným prepojovacím kódom. Model Context Protocol (MCP) rieši tento problém M-na-N: definuje jednotný protokol, cez ktorý agent (MCP klient) štandardizovane komunikuje s nástrojmi a dátovými zdrojmi (MCP server).

MCP teda určuje, ako Tool Calling prebieha, len čo nástroje už nie sú vo vlastnom kóde, ale poskytujú sa ako opätovne použiteľné servery. MCP server poskytuje nástroje, zdroje a prompty; agent ich objaví za behu a volá ich cez ten istý vzor Function Calling. Úroveň zrelosti je vysoká: aktuálna špecifikácia MCP má verziu 2026-07-28 a pracuje s bezstavovými, samostatnými požiadavkami. Projekt bol v decembri 2025 odovzdaný nadácii Linux Foundation (Agentic AI Foundation) a existuje už viac než 10 000 MCP serverov.

Zatiaľ čo MCP štandardizuje spojenie agent ↔ nástroj, komplementárny protokol A2A (Agent-to-Agent) upravuje komunikáciu agent ↔ agent v multiagentových systémoch. A2A je od júna 2025 takisto pod správou Linux Foundation a podporuje ho viac než 150 organizácií. Pre samotné Tool Calling je relevantným štandardom MCP; A2A sa stáva dôležitým až vtedy, keď spolupracuje viacero agentov.

Bezpečnosť: oprávnenia nástrojov ako povinnosť, nie ako možnosť

Len čo agent pracuje s reálnymi systémami, teda zapisuje do databáz, odosiela e-maily alebo spúšťa kód, bezpečnosť nástrojov sa stáva ústrednou požiadavkou. Dobrá správa: keďže LLM volania len navrhuje a okolitý kód ich vykonáva, kontrolný bod je presne tam, kam patrí.

Tri úskalia z praxe sú obzvlášť časté: považovať agentov za deterministických, hoci výber nástroja je pravdepodobnostný; nezaviesť observabilitu, takže chyby v slučke zostávajú neviditeľné; a nezabezpečiť Human-in-the-Loop pri nezvratných akciách. V regulačne citlivých prostrediach v regióne DACH k tomu pribúda: zapisujúce operácie s osobnými údajmi sa dotýkajú povinností podľa GDPR a automatizované rozhodnutia s právnym účinkom môžu spadať pod čl. 22 GDPR (informatívne, nie právne poradenstvo).

Záver

Tool Calling je mechanizmus, ktorý mení LLM na agenta: model navrhuje štruktúrované volania, kód ich vykonáva a výsledok poháňa ďalší krok. O kvalite sa rozhoduje na troch miestach: pri presných definíciách nástrojov, ktoré sa neprekrývajú, pri malej aktívnej sade nástrojov (3 až 7) s dynamickým objavovaním a pri bezpečnostnej architektúre postavenej na princípe najnižších oprávnení, validácii, potvrdzovacích krokoch a observabilite. MCP na to dodáva otvorený štandard, ktorý posúva pripájanie nástrojov od jednotlivých integrácií k opätovne použiteľným serverom. Kto tieto základy ovláda, stavia agentov, ktorí v produkcii konajú spoľahlivo a kontrolovane.