LLMのTool Use(関数呼び出し)とは｜仕組みと精度を上げるツール設計

LLMは文章を作るのは得意ですが、それだけでは今日の天気も、社内データベースの値も知りません。ここを埋めるのがTool Use(ツール使用)です。関数呼び出しやfunction callingとも呼ばれ、AIエージェントの土台になる仕組みです。この記事では、Tool Useが実際にどう動くのか、そして呼び出しの精度を上げるためにツールをどう定義すべきかを、実務目線で整理します。

Tool Useとは#

Tool Useは、LLMにあらかじめ「使える道具の一覧」を渡しておき、ユーザーの要求に応じてモデルがその道具を呼び出せるようにする仕組みです。天気を調べる、社内APIを叩く、計算を実行する、といった、モデル単体ではできない処理を外部に委ねられます。

重要なのは、モデル自身が関数を実行するわけではない点です。モデルは「この関数を、この引数で呼びたい」という構造化された指示を返すだけで、実際の処理はあなたのアプリケーション(またはツールを提供する側)が行います。

基本の流れ#

やり取りは、次のような往復で進みます。

この「呼び出し -> 実行 -> 結果を戻す」の繰り返しが、AIエージェントが動く基本のループです。

クライアントツールとサーバーツール#

ツールは、コードがどこで実行されるかで大きく2種類に分かれます。

クライアントツールでは、モデルが呼び出しを返し、あなたのコードが実行して結果を戻します。サーバーツールでは実行まで提供者側が行い、結果が直接返ってきます。自作の業務ロジックはクライアントツール、汎用的な検索などはサーバーツール、という住み分けになります。

いつツールを呼ぶか#

多くのAPIでは、既定でモデルが「ツールを呼ぶか、そのまま答えるか」を毎回判断します。要求がツールの説明する能力に合致し、答えがまだ手元にない場合に呼び、安定した知識や雑談には直接答える、という切り分けです。

この挙動はシステムプロンプトで調整できます。ツールを呼んでほしいのに呼ばないなら「回答の前にツールで調べること」と促し、逆に呼びすぎるなら判断を控えめにする指示を添えます。特定の場面で必ず呼ばせたいときは、ツール呼び出しを強制する設定も使えます。相談役の上位モデルを呼ぶadvisorのようなツールも、この枠組みの上に成り立っています。

精度を上げるツール定義#

Tool Useでつまずく原因の多くは、モデルの賢さより、ツール定義の曖昧さにあります。次の点を押さえると、呼び出しの精度が安定します。

つまずきやすい点#

引数が足りないとき、モデルはユーザーに聞き返すこともあれば、それらしい値を勝手に推測して埋めることもあります(モデルや曖昧さの程度によります)。必須の引数が本当に埋まっているかは、実行前にアプリ側で検証するのが安全です。また、ツールの実行が失敗したときにモデルへどうエラーを返すか(エラー内容を伝えて再試行させるか、打ち切るか)も、あらかじめ設計しておきます。

よくある質問#

まとめ#

Tool Useは、LLMを「賢い文章生成器」から「実際に動くエージェント」へ引き上げる土台です。仕組みそのものはシンプルな往復ですが、品質を左右するのはツール定義の質です。モデル選びに悩む前に、まず手元のツールの説明とスキーマを丁寧に書くことから始めてみてください。そのうえで、渡すコンテキスト全体を設計する視点を重ねると、エージェントの安定度はさらに上がります。