בעידן שבו בינה מלאכותית משנה את האופן שבו אנו מתקשרים עם טכנולוגיה, פיתוחים כמו "קריאת כלים" (Tool Calling) מאפשרים למודלים של שפה לבצע פעולות מורכבות ולהתחבר לעולם האמיתי. במקום רק לספק תשובות טקסטואליות, מודלים כמו LLM יכולים להפעיל פונקציות חיצוניות ולבצע אינטראקציות משמעותיות.
התפיסה הבסיסית של "קריאת כלים" מאפשרת למודלים להחליט איזו פעולה יש לבצע ומהם הפרמטרים הנדרשים, כאשר הביצוע עצמו מתבצע בקוד החיצוני למודל. זהו תהליך מחזורי שמתחיל בשאלה של המשתמש, בחירת הכלי המתאים על ידי המודל, ביצוע הכלי והחזרת התוצאה למודל לצורך מתן תשובה סופית.
לדוגמה, כאשר משתמש שואל על מזג האוויר באתונה, המודל יכול להפעיל API של מזג אוויר כמו Open-Meteo כדי לקבל נתונים בזמן אמת, במקום להמציא תשובה. תהליך זה כולל הגדרת הכלים, שליחת הודעת המשתמש יחד עם הגדרת הכלי למודל, הפעלת הכלי והחזרת התוצאה למודל כדי לייצר תשובה טקסטואלית.
במקרים מורכבים יותר, המודל יכול לבחור מבין מספר כלים זמינים לפי בקשת המשתמש. לדוגמה, מעבר לשימוש ב-API של מזג אוויר, ניתן להוסיף כלי להמרת מטבעות כמו Frankfurter, שמאפשר למודל להתמודד עם בקשות כמו המרת דולרים לאירו. לאחר הגדרת הכלים, המודל מנתח את הבקשה ומפעיל את הכלים המתאימים בהתאם לצורך.
היכולת של המודל לבחור ולהפעיל מספר כלים במקביל משפרת את היעילות ומאפשרת טיפול בבקשות מורכבות יותר, כמו בדוגמה שבה המשתמש מבקש מידע על מזג האוויר וגם על המרת מטבע בבקשה אחת. המודל מפעיל את שני הכלים ומחזיר תשובה כוללת.
הידע והיכולת של מודלים אלו להשתמש בכלים חיצוניים משנים את התפיסה של מהי בינה מלאכותית, ומאפשרים יצירת מערכות חכמות יותר שיכולות להתמודד עם משימות מורכבות בצורה עצמאית. כך, אנו עוברים מתפיסה של מודלים כקופסה שחורה שמייצרת טקסט, למערכות מתפקדות שפועלות בסביבה דינמית ומשתמשות בכוח החישובי שלהן כדי לפתור בעיות בעולם האמיתי.