Tool Use: Wie LLMs Werkzeuge aufrufen

Tool Use (Function Calling) lässt ein LLM nicht nur Text schreiben, sondern echte Funktionen aufrufen – die Grundlage jedes KI-Agenten.

Das Grundproblem

Ein LLM kann von sich aus nur Text erzeugen. Es kann keine Datei speichern, keine Datenbank abfragen, keine E-Mail verschicken. Tool Use (auch Function Calling genannt) löst das: Du beschreibst dem Modell verfügbare "Werkzeuge" (Tools) – z. B. eine Funktion "sende_email" oder "hole_wetter" – zusammen mit einem Schema, welche Eingaben sie brauchen.

Wie der Ablauf funktioniert

Wenn das Modell erkennt, dass ein Tool gebraucht wird, antwortet es nicht mit normalem Text, sondern mit einem strukturierten "tool_use"-Block: Name des Tools plus Eingabe-Parameter als JSON. Deine Anwendung liest diesen Block, führt die eigentliche Aktion aus (die API-Anfrage, die Datenbankabfrage) und schickt das Ergebnis als "tool_result" zurück ans Modell. Das Modell nutzt dieses Ergebnis, um weiterzuarbeiten oder eine Antwort zu formulieren.

Warum das die Basis aller Agenten ist

Ein Agent ist im Kern nichts anderes als ein LLM, das in einer Schleife Tools aufruft: anfragen, Tool nutzen, Ergebnis lesen, nächstes Tool wählen, bis die Aufgabe erledigt ist. Ohne Tool Use bleibt ein Modell ein reiner Text-Generator ohne Wirkung auf die echte Welt.

Eine wichtige Eigenschaft

Das Modell führt Code nie selbst aus. Es entscheidet nur, wann und mit welchen Argumenten ein Tool aufgerufen werden soll. Die eigentliche Ausführung – und damit auch die Kontrolle über Risiken – liegt bei deiner Anwendung.

BEISPIEL

Ein Wetter-Tool ist definiert als { name: 'get_weather', input_schema: {location: string} }. Nutzer fragt: 'Wie wird das Wetter in Berlin?' Claude antwortet mit einem tool_use-Block: { name: 'get_weather', input: {location: 'Berlin'} }. Deine App ruft die echte Wetter-API auf und schickt das Ergebnis als tool_result zurück. Erst danach formuliert Claude die Antwort in Worten.

🛠️ ÜBUNG — MACH DAS BEI DIR

Definiere ein einfaches Tool-Schema für eine Aufgabe deiner Wahl (z. B. 'suche_produkt') und lass ein LLM den passenden tool_use-Aufruf dafür erzeugen.

Schreib ein JSON-Schema mit Name, Beschreibung und 1-2 Eingabe-Parametern für dein Tool.
Formuliere eine Nutzerfrage, die dieses Tool eindeutig braucht, und gib sie zusammen mit dem Schema an ein Modell.
Prüfe die Antwort: Kam ein korrekter tool_use-Block mit sinnvollen Argumenten zurück?

✅ SELBST-CHECK

☐ Hat das Modell das richtige Tool gewählt (statt z. B. direkt geraten zu antworten)?
☐ Waren die Argumente im tool_use-Block korrekt aus der Nutzerfrage extrahiert?
☐ Was würde passieren, wenn die Tool-Beschreibung vage wäre – hast du das getestet?

KURZ-QUIZ

Was passiert, wenn Claude ein Tool aufrufen möchte?