Function Calling / Tool Use

ざっくり言うと

OpenAI では Function calling、Anthropic では Tool use、Google では Function calling と呼び方が少し違いますが、やっていることはほぼ同じです。AI エージェント(自分で判断して動く AI)の基礎技術にあたります。

イメージ

正確には

OpenAI の公式ドキュメントによると、Function calling は モデルをあなたのコードや外部サービスにつなげるための仕組み と説明されています。具体的には、開発者があらかじめ 使える関数のリスト(名前・説明・引数の形) をモデルに渡しておくと、モデルが「この質問にはこの関数を呼べばいい」と判断し、呼び出すべき関数名と引数を JSON 形式で返してくれる、という流れです。実際に関数を実行するのは LLM ではなく、開発者側のプログラムである点に注意してください。

Anthropic の Claude では同じ機能が Tool use という名前で提供されています。公式ドキュメントでは「クライアント側で定義したツールを Claude に渡し、Claude がそのツールを呼ぶように要求できる」と整理されており、流れは OpenAI とほぼ共通です。

Google の Gemini API でも Function calling という名称で同様の機能が用意されており、公式ドキュメントでは「モデルの能力を外部のツール・API と接続するための仕組み」と説明されています。

大まかな流れ

3社共通で、ざっくり以下のステップになります。

ステップ	誰がやる	内容
1. ツール定義	開発者	「使える関数」の一覧をモデルに渡す(名前・説明・引数のスキーマ)
2. 判断	LLM	ユーザーの質問を見て「どの関数をどんな引数で呼ぶか」を決める
3. 実行	開発者側のコード	LLM が指定した関数を実際に実行し、結果を受け取る
4. 回答	LLM	実行結果を受け取り、人間向けの自然な回答にまとめる

LLM 単独だと何が弱いのか

Function Calling / Tool Use が必要になる理由は、LLM 単独だと以下の作業が苦手だからです。

• 最新情報の取得: LLM の知識には学習データの締切日(カットオフ)があり、それ以降のニュースや株価は知らない
• 正確な計算: 大きな桁の四則演算や、複雑な数式の処理はミスしやすい
• 外部システム連携: メール送信・カレンダー登録・データベース検索など、世の中のシステムに何か書き込む系の処理は単独ではできない
• 個別データへのアクセス: 社内 DB やユーザーの個人ファイルなど、学習データに含まれていない情報は知らない

これらを 外部の関数・API として用意して LLM に渡せる ようにしたのが Function Calling です。

AI エージェントとの関係

最近よく聞く「AI エージェント」(自分で計画を立てて動く AI)は、この Function Calling / Tool Use を 何度も繰り返して 仕事を進めています。

たとえば「来週の出張の手配をして」と頼まれたエージェントは、内部で「カレンダーで予定を確認 → 航空券検索 API を呼ぶ → ホテル検索 API を呼ぶ → メールを送信」といった具合に、複数のツール呼び出しをつなげて タスクを完遂します。Function Calling はその 一回一回の道具を使う動作 にあたります。

やってみよう

LLM とその外側の世界をつなぐ「橋」が Function Calling / Tool Use です。関連用語として、複数のツールを共通仕様でつなぐ MCP(Model Context Protocol) や、ツール呼び出しを連鎖させる AI エージェント も合わせて押さえておくと、最近の AI 話題がかなり見通しよくなります。