Tool use (function calling)

Wat is tool use (function calling)?

Tool use, bij de meeste modelleveranciers function calling genoemd, is de manier waarop je een taalmodel meer laat doen dan tekst genereren. Je geeft het model een set tools, functies of API's die het mag aanroepen, en het model kiest zelf wanneer en welke het nodig heeft.

Belangrijk om te snappen: het model voert die tool niet zelf uit. Het geeft een gestructureerd verzoek terug waarin staat welke tool het wil gebruiken en met welke argumenten. Jouw applicatie draait de tool en geeft het resultaat terug, waarna het model verder werkt met dat resultaat. De LLM beslist dus, jouw code doet het werk.

Je kan het vergelijken met een collega die de weg kent in je bedrijf maar geen sleutel van het magazijn heeft. Hij weet perfect dat hij het voorraadnummer moet opzoeken en vraagt jou om de kast open te doen. Het model neemt de beslissing, jouw systeem heeft de rechten en voert uit.

Hoe werkt tool use?

Een ronde tool use verloopt in vaste stappen. In de praktijk herhaalt die lus zich tot het model genoeg heeft om te antwoorden.

1. Je beschrijft de tools
   Elke tool krijgt een naam, een beschrijving in gewone taal en een schema van de argumenten die ze verwacht. Een tool get_order_status verwacht bijvoorbeeld een bestelnummer als tekst. Die beschrijving is wat het model leest om te beslissen wanneer de tool nuttig is.

2. Het model kiest en vult in
   Op basis van de vraag van de gebruiker beslist het model of het een tool nodig heeft, welke, en met welke argumenten. Het geeft geen tekstantwoord terug maar een gestructureerd verzoek, bijvoorbeeld: roep get_order_status aan met bestelnummer 10432.

3. Jouw code voert uit
   Jouw applicatie vangt dat verzoek op en draait de echte actie: een databankquery, een aanroep naar je order-API, een berekening. Het model komt nooit rechtstreeks aan je systemen.

4. Het resultaat gaat terug
   Je stuurt het resultaat van de tool terug in het gesprek. Het model leest dat en formuleert een antwoord, of het beslist dat er nog een tool nodig is en begint opnieuw.

De tool-definitie is meestal een stukje JSON. Hoe duidelijker de beschrijving, hoe beter het model de juiste tool op het juiste moment kiest.

Een support-assistent die de orderstatus opvraagt

Stel je een klantendienst-chatbot voor van een webshop. Een klant vraagt: "Waar blijft mijn pakket met bestelnummer 10432?"

Zonder tools kan het model enkel een algemeen antwoord geven, want het weet niets over die specifieke bestelling. Geef je het een tool get_order_status met het bestelnummer als argument, dan herkent het model dat de vraag om een live opzoeking vraagt en geeft het het verzoek terug: get_order_status met bestelnummer 10432.

Jouw code draait die opzoeking tegen het order-systeem en krijgt terug: verzonden, levering morgen. Dat resultaat stuur je naar het model, en het schrijft een net antwoord in bedrijfstaal: je bestelling is verzonden en wordt morgen geleverd. De klant krijgt een concreet antwoord in plaats van een gok. Datzelfde patroon werkt voor een afspraak plannen, een ticket aanmaken of een prijs berekenen.

Waarom tool use belangrijk is

Tool use is het mechanisme dat een gewone chatbot verandert in een systeem dat live data opvraagt en acties onderneemt. Een taalmodel op zichzelf kent enkel wat in zijn trainingsdata zat en produceert alleen tekst. Met tools kan het actuele gegevens ophalen, iets uitvoeren in jouw systemen en meerdere stappen achter elkaar zetten.

Het is ook de basis onder elke AI-agent. Een agent is in de kern een model dat in een lus tools aanroept, het resultaat bekijkt en beslist wat de volgende stap is. Zonder tool use blijft een model een tekstgenerator. Met tool use wordt het een systeem dat een taak van begin tot eind kan afwerken.

Tool use, MCP en RAG

Drie begrippen die vaak samen opduiken, maar elk iets anders doen.

Tool use versus MCP

Elke modelleverancier heeft zijn eigen notatie voor tool use. Een tool die je voor het ene model beschrijft, moet je voor een ander opnieuw bekabelen. MCP (Model Context Protocol) legt daar een open, gestandaardiseerde laag bovenop: je stelt je tools één keer beschikbaar via een MCP-server en elk model dat MCP spreekt kan ze gebruiken. Onder de motorkap gebruikt MCP nog steeds tool use, je hoeft alleen niet langer elke integratie apart te bouwen per model.

Tool use versus RAG

Bij RAG (Retrieval-Augmented Generation) haal je relevante documenten op en geef je die mee als context voor het model antwoordt. Je kan die retrieval zien als één soort tool: een zoekopdracht in een kennisbank. Het verschil zit in wie beslist. Bij klassieke RAG ligt de zoekstap vast in de flow. Bij tool use beslist het model zelf of het zoekt, en kan het dat combineren met andere acties.

Waar moet je op letten bij tool use

Vage beschrijvingen leiden tot verkeerde keuzes
Het model kiest een tool op basis van de naam en de beschrijving. Zijn die onduidelijk of lijken twee tools te veel op elkaar, dan grijpt het model soms naar de verkeerde of vult het foute argumenten in. Duidelijke namen, een scherpe beschrijving en strikte validatie op de input helpen.

Te veel tools verwarren het model
Hoe meer tools je tegelijk aanbiedt, hoe meer plaats ze innemen in het context window en hoe vaker het model twijfelt over de juiste keuze. Beperk het aantal tools per taak en groepeer ze per use case.

Jouw code blijft verantwoordelijk voor de rechten
Het model geeft alleen een verzoek. Wat er echt gebeurt, bepaalt jouw applicatie. Een tool die iets wegschrijft of een betaling uitvoert, scherm je af met de juiste rechten en waar nodig een menselijke goedkeuring. Wees ook op je hoede voor tools die tekst uit externe bronnen zoals mails of websites teruggeven: die kan verborgen instructies bevatten die het model proberen te sturen.