---
title: "Tool Calling: Ako AI Agents používajú nástroje"
description: "Tool Calling (nazývané aj Function Calling) je kľúčová schopnosť, vďaka ktorej AI Agent prekračuje rámec čistého generovania textu: LLM dostane strojovo čitateľné popisy nástrojov (Tools, API, dátové zdroje) a v prípade potreby vygeneruje štruktúrované volanie s parametrami, ktoré aplikácia vykoná. Výsledok prúdi späť do modelu, ktorý následne naplánuje ďalší krok. Týmto spôsobom sa z LLM stáva z generátora textu konajúci aktér, ktorý vníma, rozhoduje a spúšťa akcie v reálnych systémoch."
locale: "sk"
canonical: "https://blckalpaca.at/sk/vedomosti/ai-agenti/co-su-ai-agenti/zaklady-tool-callingu"
category: "AI agenti"
topic: "Čo sú AI Agenti?"
updated: "2026-07-31T08:15:29.893Z"
source: "Blck Alpaca e.U., blckalpaca.at"
---

# Tool Calling: Ako AI Agents používajú nástroje

Tool Calling (nazývané aj Function Calling) je kľúčová schopnosť, vďaka ktorej AI Agent prekračuje rámec čistého generovania textu: LLM dostane strojovo čitateľné popisy nástrojov (Tools, API, dátové zdroje) a v prípade potreby vygeneruje štruktúrované volanie s parametrami, ktoré aplikácia vykoná. Výsledok prúdi späť do modelu, ktorý následne naplánuje ďalší krok. Týmto spôsobom sa z LLM stáva z generátora textu konajúci aktér, ktorý vníma, rozhoduje a spúšťa akcie v reálnych systémoch.

## Klucove body

- Tool Calling je most medzi LLM a vonkajším svetom: model vráti štruktúrované volanie (názov funkcie plus parametre v JSON-schéme), aplikácia ho vykoná a výsledok privedie ako pozorovanie späť do Reasoning-Loop (Perceive-Reason-Act-Observe).
- LLM nevolá nástroje samo - navrhuje volanie. Vykonanie, validácia a oprávnenia sú v réžii okolitého kódu. Práve tam patria Tool-Permissions, validácia vstupov a Human-in-the-Loop pri nezvratných akciách.
- Najčastejším zdrojom chýb nie sú modely, ale nejasné alebo prekrývajúce sa definície nástrojov. Presné názvy, jednoznačné popisy a klauzula kedy-nepoužiť pôsobia silnejšie než akýkoľvek Prompt-trik.
- 3-7 aktívne načítaných nástrojov je v roku 2026 Best Practice; približne od 10 nástrojov začína merateľná degradácia výberu nástroja. Dynamický Tool-Discovery namiesto statického plného osadenia udržiava výber ostrý.
- Model Context Protocol (MCP) je otvorený štandard pre pripojenie nástrojov: agent môže cez MCP-servery štandardizovane pristupovať k nástrojom a dátovým zdrojom bez toho, aby pre každú integráciu písal vlastný Glue-Code.
- Bezpečnosť nie je doplnok: Least-Privilege-Scopes na každý nástroj, Allowlists, potvrdzovacie kroky pri zapisujúcich alebo nezvratných akciách a Observability nad všetkými Tool-Calls sú povinnosťou, akonáhle sa agent dotkne reálnych systémov.

## 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](/sk/sluzby/integracia-ai-agenta). LLM dostane strojovo čitateľné popisy nástrojov, funkcií, [API](/sk/slovnik/api), dátových zdrojov, a v prípade potreby vygeneruje štruktúrované volanie s parametrami, ktoré okolitá aplikácia vykoná. Výsledok prúdi ako pozorovanie späť do modelu, ktorý následne naplánuje ďalší krok. Týmto spôsobom sa z [LLM](/sk/slovnik/llm) stáva z generátora textu konajúci aktér.

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 späť do modelu.
- **Kto vlastne volá?** Nie samotné LLM. Model volanie *navrhuje*; samotné vykonanie, vrátane kontroly oprávnení a validácie, je v réžii 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 robí z Reasoning-Engine agenta, ktorý vníma, plánuje, koná a pozoruje, plný loop **Perceive → Reason → Act → Observe**.

## Konkrétny príklad: skontrolovať dostupnosť a rezervovať termín

Predpokladajme, že [agent](/sk/slovnik/agent) má zákazníkovi rezervovať konzultačný termín. Modelu sú poskytnuté 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 „Mali by ste budúci utorok dopoludnia čas?“. Model rozpozná, že najprv potrebuje 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 privedie ako pozorovanie späť do modelu.
5. **Loop:** Model sformuluje doplňujúcu otázku alebo, po potvrdení, zavolá `book_appointment(...)`.

Dôležité: zapisujúci krok (`book_appointment`) je v zmysle účinku nezvratný. Práve sem patrí **Human-in-the-Loop** alebo potvrdzovací krok, predtým než agent akciu vykoná.

## Mechanika Function Calling

Function Calling sa vo všetkých bežných LLM-API riadi tým istým základným vzorom, nezávisle od poskytovateľa:

1. **Tool-Definition:** Každý nástroj je popísaný cez **JSON-schému**, názov, popis účelu v prirodzenom jazyku a typizované parametre. Tento popis je jedinou informáciou, na základe ktorej model rozhoduje, *či* a *ako* nástroj použije.
2. **Tool-Selection:** Model v kroku reasoning vyberie vhodný nástroj a vyplní parametre. Využíva pritom výhradne dodané popisy plus kontext konverzácie.
3. **Štruktúrovaný výstup:** Namiesto prózy dodá model strojovo čitateľný objekt. Constrained Decoding, resp. generovanie viazané na schému, zaisťuje, že výstup zodpovedá očakávanému formátu.
4. **Execution & Observation:** Volanie sa vykoná, výsledok sa vráti, loop beží ďalej, kým sa nedosiahne cieľ alebo nezasiahne kritérium ukončenia (Loop-Limit, chyba, Guardrail).

Najdôležitejší poznatok z praxe: keď agent koná nesprávne, príčina spravidla nie je v modeli, ale v [**Tool-Definition**](/sk/vedomosti/ai-agenti/co-su-ai-agenti/komponenty-ai-agenta). Anthropic formuluje smernicu ostro, ak ani ľudský engineer nedokáže jednoznačne povedať, ktorý nástroj sa má v danej situácii použiť, nedokáže to ani agent.

Z toho vyplývajú tri pravidlá návrhu:

- **Obmedziť Tool-Count:** 3-7 aktívne načítaných nástrojov je v roku 2026 Best Practice; približne od 10 nástrojov začína merateľná degradácia výberu nástroja. V interných [MCP](/sk/slovnik/mcp)-evaluáciách Anthropic stúpla Tool-Selection-Accuracy s dynamickým vyhľadávaním nástrojov z 49 % na 74 % (Opus 4), resp. zo 79,5 % na 88,1 % (Opus 4.5).
- **Vyhnúť sa prekrývaniu:** Dva nástroje, ktoré by mohli vierohodne odpovedať na tú istú požiadavku, sú problémom, ktorý nevyrieši žiaden [Prompt](/sk/slovnik/prompt). Jasná klauzula „kedy-nepoužiť“ v popise je najúčinnejšou, často zabudnutou súčasťou.
- **Jednoznačné názvy a parametre:** Výstižné názvy a úzko typizované parametre znižujú chybné interpretácie skôr, než vôbec vzniknú.

## Vzťah k MCP: štandard pre pripojenie nástrojov

Bez štandardu sa musí každá integrácia nástroja zapájať jednotlivo, na každého agenta, na každé API, na každý dátový zdroj vlastný Glue-Code. [**Model Context Protocol (MCP)**](/sk/vedomosti/ai-agenti/model-context-protocol-mcp/mcp-vs-openapi-tool-use) rieši tento M-na-N problém: definuje jednotný protokol, cez ktorý agent (MCP-klient) štandardizovane komunikuje s nástrojmi a dátovými zdrojmi (MCP-server).

MCP je tak „ako“ za Tool Calling, akonáhle nástroje už nie sú vo vlastnom kóde, ale poskytujú sa ako opätovne použiteľné servery. MCP-server poskytuje nástroje, zdroje a Prompts; agent ich objaví za behu a volá cez ten istý vzor Function-Calling. Úroveň zrelosti je vysoká: špecifikácia MCP je dostupná vo verzii 2025-11-25; projekt bol v decembri 2025 odovzdaný Linux Foundation ([Agentic AI](/sk/slovnik/agentic-ai) Foundation) a existuje už viac než 10 000 MCP-serverov.

Zatiaľ čo MCP štandardizuje spojenie **Agent ↔ Tool**, komplementárny protokol **A2A (Agent-to-Agent)** upravuje komunikáciu **Agent ↔ Agent** v Multi-Agent-systémoch. A2A je od júna 2025 takisto pod Linux Foundation a podporuje ho viac než 150 organizácií. Pre čisté Tool Calling je relevantným štandardom MCP; A2A sa stáva dôležitým až na úrovni L5 (Multi-Agent).

## Bezpečnosť: Tool-Permissions ako povinnosť, nie ako možnosť

Akonáhle sa agent dotkne reálnych systémov, zapisuje do databáz, odosiela e-maily, vykonáva kód, stáva sa [bezpečnosť nástrojov centrálnou požiadavkou](/sk/vedomosti/ai-agenti/bezpecnost-ai-agentov-owasp/owasp-agentic-asi-top-10-2026). Dobrá správa: keďže LLM volania len *navrhuje* a okolitý kód ich *vykonáva*, kontrolný bod sa nachádza presne tam, kam patrí.

| Aspekt | Riziko bez ochrany | Opatrenie |
| --- | --- | --- |
| Oprávnenia (Scopes) | Agent získa plný prístup cez jeden API-[token](/sk/slovnik/token) | Least Privilege: na každý nástroj len minimálne nutné Scopes, oddelené Credentials pre každý nástroj |
| Validácia volania | Model vygeneruje neprípustné alebo škodlivé parametre | Allowlists, validácia schémy a rozsahu hodnôt v Executore, nie v modeli |
| Nezvratné akcie | Agent maže, rezervuje alebo odosiela bez kontroly | Human-in-the-Loop / potvrdzovací krok pri zapisujúcich a nevratných Calls |
| Prompt-/Tool-Injection | Manipulovaná odpoveď nástroja riadi agenta | Untrusted Output zapuzdriť, karanténa, nepokladať neoverený výstup nástroja za príkaz |
| Spätná sledovateľnosť | Chybné správanie sa nedá zrekonštruovať | Observability: každé Tool-Call logovať s parametrami, výsledkom a kontextom rozhodnutia |

Tri Pitfalls z praxe sú obzvlášť časté: zaobchádzať s agentmi **deterministicky**, hoci výber nástroja je probabilistický; **neprevádzkovať žiadnu Observability**, takže chyby v loope zostávajú neviditeľné; a **nezabezpečiť žiaden Human-in-the-Loop** pri nezvratných akciách. V compliance-citlivých DACH-kontextoch sa pridáva: [zapisujúce akcie nad osobnými údajmi](https://gdpr-info.eu/) sa dotýkajú povinností [GDPR](/sk/slovnik/gdpr) a automatizované rozhodnutia s právnym účinkom môžu spadať pod čl. 22 [GDPR](/sk/slovnik/gdpr-2) (informačné, nie právne poradenstvo).

## Záver

Tool Calling je mechanizmus, ktorý premieňa LLM na agenta: model navrhuje štruktúrované volania, kód ich vykonáva, výsledok poháňa ďalší krok. O kvalite sa rozhoduje na troch miestach, pri presných, neprekrývajúcich sa definíciách nástrojov, pri štíhlej aktívnej sade nástrojov (3-7) s dynamickým Discovery a pri bezpečnostnej architektúre z Least Privilege, validácie, potvrdzovacích krokov a Observability. MCP na to dodáva otvorený štandard, ktorý posúva pripojenie nástrojov od jednotlivých integrácií k [opätovne použiteľným serverom](https://www.anthropic.com/research). Kto ovláda tieto základy, stavia agentov, ktorí v produkcii konajú spoľahlivo a kontrolovane.

## FAQ

### Aký je rozdiel medzi Tool Calling a Function Calling?

Pojmy sa používajú do veľkej miery synonymne. Function Calling zdôrazňuje technickú mechaniku (model generuje volanie funkcie v JSON-schéme), Tool-Use popisuje to isté z pohľadu agenta (model používa nástroj). V praxi obidva označujú ten istý proces: LLM vráti štruktúrované volanie, ktoré aplikácia vykoná.
### Volá LLM nástroje samo?

Nie. LLM volanie iba navrhuje - generuje názov funkcie a parametre. Samotné vykonanie preberá okolitý kód (Executor), ktorý tiež kontroluje oprávnenia, validuje parametre a vracia výsledok. Toto oddelenie je základom každej bezpečnostnej architektúry pre agentov.
### Čo má MCP spoločné s Tool Calling?

MCP (Model Context Protocol) je otvorený štandard, ktorý zjednocuje spojenie medzi agentom a nástrojom. Namiesto programovania každej integrácie jednotlivo poskytuje MCP-server nástroje štandardizovane, ktoré agent za behu objaví a volá cez bežný vzor Function-Calling. MCP je „ako“ za Tool Calling, akonáhle nástroje stoja k dispozícii ako opätovne použiteľné servery.
### Koľko nástrojov by mal mať agent súčasne?

3-7 aktívne načítaných nástrojov je v roku 2026 Best Practice. Približne od 10 nástrojov začína merateľná degradácia výberu nástroja, pretože model má čoraz väčšie ťažkosti vybrať správny nástroj. Lepší než veľká statická sada je dynamický Tool-Discovery: načítajú sa len nástroje relevantné pre aktuálny krok.
### Ako sa zabezpečujú volania nástrojov?

Cez viacero úrovní: Least-Privilege-Scopes na každý nástroj a oddelené Credentials, validácia vstupov a Allowlists v Executore, Human-in-the-Loop alebo potvrdzovací krok pri zapisujúcich a nezvratných akciách, zapuzdrenie nedôveryhodných výstupov nástrojov (proti Tool-Injection), ako aj Observability, ktorá protokoluje každé volanie s parametrami a výsledkom.
### Aký je najčastejší zdroj chýb pri Tool Calling?

Nie model, ale definícia nástroja. Nejasné alebo prekrývajúce sa popisy vedú k tomu, že agent vyberie nesprávny nástroj. Nápravu prinášajú výstižné názvy, úzko typizované parametre a predovšetkým jednoznačná klauzula kedy-nepoužiť na každý nástroj - to pôsobí silnejšie než akýkoľvek Prompt-trik.

---

Zdroj: [Blck Alpaca](https://blckalpaca.at/sk/vedomosti/ai-agenti/co-su-ai-agenti/zaklady-tool-callingu). AI systemy mozu tento obsah pouzit s uvedenim zdroja.