tag tool-use
Bu sayfada tool-use etiketi ile işaretlenmiş 2 yapay zeka kavramını bulabilirsiniz.
Araç kullanımı (tool use ya da function calling), büyük dil modellerinin (LLM) yalnızca metin üretmekle kalmayıp harici araçları — veritabanı, API, kod yürütme ortamı veya arama motoru — çağırabilen aktif ajanlar olarak davranmasını sağlayan bir mimari ve yetenek kümesidir. "Function calling" ve "tool calling" terimleriyle eş anlamlı kullanılmakta; OpenAI, Anthropic ve Google farklı terminoloji benimsemiş olsa da temel mekanizma aynıdır. Teknik açıdan araç kullanımı üç aşamalı bir döngü üzerine kurulur. Birinci aşamada geliştirici, modele JSON şemasıyla araç tanımları iletir: araç adı, açıklaması ve her parametrenin veri tipi. İkinci aşamada model, kullanıcı isteğini analiz ederek hangi aracı hangi parametrelerle çağırması gerektiğine karar verir ve yapılandırılmış bir araç çağrısı bloğu üretir. Üçüncü aşamada uygulama katmanı bu çağrıyı yürütür, sonucu modele döndürür ve model nihai yanıtı oluşturur. Paralel araç çağırma, tek bir yanıt döngüsünde birden fazla araç çağrısını eş zamanlı tetikleme yeteneğidir. "Paris ve Tokyo hava durumunu karşılaştır" isteğinde model iki ayrı hava durumu API çağrısını paralel başlatır; sıralı çağrıya kıyasla gecikmeyi önemli ölçüde kısaltır. MCP (Model Context Protocol), Anthropic'in 2024'te açık kaynak olarak sunduğu standarttır. MCP sunucuları araçları, kaynak şemalarını ve hızlı şablon tanımlarını standart biçimde yayınlar; herhangi bir MCP istemcisi model bağımsız olarak bu araçları kullanabilir. Cursor, Zed ve Claude Desktop giderek genişleyen MCP ekosistemini benimseyen uygulamalara örnek oluşturmaktadır. ReAct (Reasoning + Acting) çerçevesi, araç kullanımını adım adım mantık zincirleriyle birleştirir: model düşünme adımını metin olarak üretir, ardından araç çağrısı yapar, sonucu değerlendirir ve gerekirse tekrar düşünüp yeni araç çağrısı başlatır. Bu döngü karmaşık çok adımlı görevlerde doğruluk ve güvenilirliği artırır; hatalı araç çağrılarını takip adımında düzeltme olanağı tanır. Güvenlik açısından araç kullanımı, prompt injection saldırılarına karşı dikkat gerektirir; kötü niyetli içerik araç parametrelerine sızabilir. Üretim sistemlerinde araçların izin denetimi, sandbox yürütme ortamı ve kullanıcı onay adımlarıyla sarmalanması önerilir. Bilgisayar kontrolü ve dosya sistemi erişimi gibi yüksek riskli araçlarda insan gözetimi (human-in-the-loop) kritik önem taşır.
Function Calling (Fonksiyon Çağırma)
Fonksiyon cagirma (function calling), buyuk dil modellerinin (LLM) dogal dil yaniti uretmek yerine onceden tanimlanmis bir aracı veya API'yi cagirabilen yapilandırilmis bir cikti uretmesi ozelligi. Bu mekanizma, LLM'leri pasif metin ureticilerinden aktif ajanlara donusturmektedir. Fonksiyon cagirma tipik olarak su sekilde isler: gelistirici, modele hangi fonksiyonlarin mevcut oldugunu JSON Schema formatinda tanimlar. Kullanicinin istegi bu araclarin kullanimini gerektiriyorsa model dogal dil yanitı yerine arac adi ve parametrelerini JSON olarak doner. Uygulama bu JSON'u alir, ilgili fonksiyonu calistirir, sonucu modele gonderir ve model nihai yaniti uretir. OpenAI, bu ozelligi GPT-4'te function calling olarak tanitmistir; daha sonra tool use adiyla yeniden yapılandirilmistir. Anthropic Claude'un tool use ozelligi, AWS Lambda veya harici API'ler gibi araclarla entegrasyon icin ayni prensibi kullanir. Bu yapilandirma, paralel cagrilar (parallel tool use) ile birden fazla araci ayni anda cagirilabilmesini de olanaklı kilar. Fonksiyon cagirma; hava durumu sorgulama, veritabani okuma/yazma, takvim yonetimi, kod yurutme ve web arama gibi ajanlar icin temel bir bilesendir. ReAct (Reason + Act) cercevesi ve AutoGPT gibi ajan mimarileri bu ozelliği siklıkla kullanmaktadir. MCP (Model Context Protocol), Anthropic'in standartlastirdigi bir protokoldur; sunucular araclari MCP formatinda tanimlayarak herhangi bir MCP destekli modelin bu araclari kullanabilmesini saglar. Bu sayede uygulamalar, LLM saglayciyindan bagimsiz olarak yeniden kullanilabilir arac kutuphaneleri olusturabilir.
Tool Use (Araç Kullanımı (LLM))
Araç kullanımı (tool use ya da function calling), büyük dil modellerinin (LLM) yalnızca metin üretmekle kalmayıp harici araçları — veritabanı, API, kod yürütme ortamı veya arama motoru — çağırabilen aktif ajanlar olarak davranmasını sağlayan bir mimari ve yetenek kümesidir. "Function calling" ve "tool calling" terimleriyle eş anlamlı kullanılmakta; OpenAI, Anthropic ve Google farklı terminoloji benimsemiş olsa da temel mekanizma aynıdır. Teknik açıdan araç kullanımı üç aşamalı bir döngü üzerine kurulur. Birinci aşamada geliştirici, modele JSON şemasıyla araç tanımları iletir: araç adı, açıklaması ve her parametrenin veri tipi. İkinci aşamada model, kullanıcı isteğini analiz ederek hangi aracı hangi parametrelerle çağırması gerektiğine karar verir ve yapılandırılmış bir araç çağrısı bloğu üretir. Üçüncü aşamada uygulama katmanı bu çağrıyı yürütür, sonucu modele döndürür ve model nihai yanıtı oluşturur. Paralel araç çağırma, tek bir yanıt döngüsünde birden fazla araç çağrısını eş zamanlı tetikleme yeteneğidir. "Paris ve Tokyo hava durumunu karşılaştır" isteğinde model iki ayrı hava durumu API çağrısını paralel başlatır; sıralı çağrıya kıyasla gecikmeyi önemli ölçüde kısaltır. MCP (Model Context Protocol), Anthropic'in 2024'te açık kaynak olarak sunduğu standarttır. MCP sunucuları araçları, kaynak şemalarını ve hızlı şablon tanımlarını standart biçimde yayınlar; herhangi bir MCP istemcisi model bağımsız olarak bu araçları kullanabilir. Cursor, Zed ve Claude Desktop giderek genişleyen MCP ekosistemini benimseyen uygulamalara örnek oluşturmaktadır. ReAct (Reasoning + Acting) çerçevesi, araç kullanımını adım adım mantık zincirleriyle birleştirir: model düşünme adımını metin olarak üretir, ardından araç çağrısı yapar, sonucu değerlendirir ve gerekirse tekrar düşünüp yeni araç çağrısı başlatır. Bu döngü karmaşık çok adımlı görevlerde doğruluk ve güvenilirliği artırır; hatalı araç çağrılarını takip adımında düzeltme olanağı tanır. Güvenlik açısından araç kullanımı, prompt injection saldırılarına karşı dikkat gerektirir; kötü niyetli içerik araç parametrelerine sızabilir. Üretim sistemlerinde araçların izin denetimi, sandbox yürütme ortamı ve kullanıcı onay adımlarıyla sarmalanması önerilir. Bilgisayar kontrolü ve dosya sistemi erişimi gibi yüksek riskli araçlarda insan gözetimi (human-in-the-loop) kritik önem taşır.