Function Calling
Ir para notas que citam estaFunction calling é o mecanismo em que o modelo, ligado a uma lista de ferramentas, devolve a intenção de chamar uma delas com argumentos, recebe o resultado e decide se responde.
É o que separa uma chamada comum de LLM de um agente. Sem ferramentas, o modelo só produz texto a partir do que já sabe; com elas, pode consultar uma base, fazer um cálculo ou disparar uma ação em outro sistema. O mesmo mecanismo também é chamado de tool calling, e as capacidades em si são as tools. Quanto mais ferramentas um agente tem, maior o seu poder de agir sobre o ambiente, e por isso maior a necessidade de Guardrails que limitem o que ele pode fazer.
O ciclo de decidir, executar e devolver
O código vincula o modelo às ferramentas disponíveis. Ao ser invocado, o modelo responde normalmente se nenhuma ferramenta é necessária; se precisa de alguma, devolve só a lista de chamadas pretendidas, cada uma com o nome da ferramenta e os argumentos que ele mesmo preencheu. O código executa cada ferramenta com esses argumentos, o resultado volta ao modelo como mensagem de ferramenta e o modelo decide se já responde ou se chama outra. No caso geral o laço se repete até a resposta final, e uma mesma rodada pode trazer várias chamadas, inclusive da mesma ferramenta com argumentos diferentes.
Como o laço fica no LangGraph
No LangGraph, com as classes do LangChain, a ferramenta é uma função Python comum anotada com o decorator @tool, e a descrição dela é obrigatória. Essa descrição é o que o modelo lê para decidir qual ferramenta usar em cada situação, então ela precisa ser bem escrita.
O vínculo é feito com bind_tools, que produz um modelo com ferramentas usado no lugar do modelo comum. Se a resposta não traz tool_calls, o conteúdo segue direto para o estado do agente. Se traz, o código percorre as chamadas, lê o nome e os argumentos de cada uma e busca a função num dicionário que mapeia o nome da ferramenta para a função correspondente (a função entra no dicionário sem parênteses, para não ser executada antes da hora). A execução usa invoke com os argumentos recebidos.
O resultado não pode ser simplesmente anexado à conversa. Ele precisa ser embrulhado numa ToolMessage, com o conteúdo do resultado e o tool_call_id da chamada que o originou. É assim que o modelo distingue uma resposta de ferramenta de uma SystemMessage ou de uma HumanMessage. As mensagens originais, que já incluem o pedido de chamada, somadas às mensagens de ferramenta, formam a conversa enriquecida enviada de volta ao modelo.
Uma implementação simples faz a segunda chamada com o modelo sem ferramentas vinculadas: o agente executa uma rodada de ferramentas e é obrigado a responder. O preço é perder uma segunda busca guiada pelo primeiro resultado.
Uma função utilitária para todos os agentes
Repetir esse laço em cada agente não escala: cada nova ferramenta exigiria editar todos eles. A saída é uma função utilitária única que recebe o nome do agente (a chave do estado onde a resposta será gravada), as mensagens e o modelo, e devolve o estado atualizado. Nova ferramenta é só registrá-la na lista e no dicionário. Classificador de intenção e agente de saudação, que não consultam base nenhuma, ficam sem ferramentas. A generalização também tem limite: ela funciona bem para agentes parecidos entre si, mas um agente que recebe a saída de outro em vez da pergunta do usuário, ou um validador que combina dois estados antes de responder, pede tratamento próprio. Uma ferramenta de busca é o caso típico, detalhado em RAG Agêntico. Quando os argumentos são preenchidos pelo modelo em ferramentas HTTP de plataformas visuais, o mesmo princípio aparece em Parâmetros Dinâmicos Definidos pela IA.
Quando delegar a uma ferramenta
Contas são o exemplo clássico: modelos nem sempre acertam cálculos, e uma função simples resolve com mais confiança e menos custo. O mesmo vale para dados que mudam, como uma cotação: o modelo decide quando buscar e a ferramenta traz o valor real. Outros agentes também podem ser expostos como ferramentas.