Tool-Calling (Araç Çağırma) Mimarisi Teknik Olarak Nasıl Çalışır?

Tool-Calling (araç çağırma), bir büyük dil modelinin (LLM) yalnızca metin üretmekle kalmayıp, harici sistemleri (API'ler, veritabanları, hesaplayıcılar gibi) kullanarak gerçek dünya eylemleri gerçekleştirmesini sağlayan bir mimaridir. Peki bu süreç perde arkasında nasıl işler? İşte adım adım mantığı.

LLM ve Fonksiyon Şeması Seçimi

Tool-Calling'in ilk adımı, LLM'e kullanabileceği araçların tanımlandığı bir liste vermektir. Her araç, bir fonksiyon şeması olarak sunulur. Bu şema, aracın adını, açıklamasını ve parametrelerini (örneğin JSON Schema formatında) içerir. Örneğin bir hava durumu aracı için: get_weather(location: string, date: string). LLM, kullanıcıdan gelen doğal dil sorgusunu analiz eder ve hangi aracın hangi bağlamda uygun olduğuna karar verir. Bu karar, modelin eğitimi sırasında öğrendiği desenlerle ve sıcaklık gibi ayarlarla şekillenir. LLM, tüm şemaları birer “seçenek” olarak görür ve ihtiyaç duyduğu sonucu üretebilecek aracı seçer.

Parametrelerin Doldurulması

LLM, seçtiği aracın şemasındaki parametreleri, kullanıcının ifadesinden çıkararak doldurur. Bu işlem, doğal dil anlama ve bağlamsal çıkarım yeteneği sayesinde gerçekleşir. Örneğin kullanıcı “İstanbul'da yarın hava nasıl?” derse, LLM location parametresine “İstanbul”, date parametresine “yarın” ifadesini tarih formatına çevirerek doldurur. Ardından bu parametreleri JSON formatında (örneğin {"location": "İstanbul", "date": "2025-03-15"}) bir çıktı olarak üretir. LLM'in bu çıktısı, bir araç çağırma işlemini tetikleyen yapılandırılmış bir veridir.

Sonucun Yorumlanması ve Döngü

LLM'in ürettiği yapılandırılmış çağrı, harici bir sistem (örneğin bir API) tarafından çalıştırılır. Sistem, aracı çalıştırır ve bir sonuç döndürür (örneğin sıcaklık bilgisi). Bu sonuç, LLM'e yeni bir mesaj olarak iletilir. LLM, gelen sonucu kullanıcıya anlamlı bir şekilde yorumlayarak doğal dilde bir yanıt üretir. Örneğin “Yarın İstanbul'da 12°C ve yağmurlu olacak.” gibi. Eğer çağrı başarısız olursa veya ek bilgi gerekiyorsa, LLM aynı döngüyü tekrarlayarak yeni bir araç çağrısı yapabilir. Bu, arka arkaya zincirleme Tool-Calling olarak adlandırılır.

OpenAI Fonksiyon Çağırma vs. Diğer Yaklaşımlar

Tool-Calling, farklı modellerde benzer şekilde çalışır, ancak özel API (örneğin OpenAI'nın function_calling) ile standart bir JSON çıktısı arasında fark olabilir. Bazı modeller doğrudan JSON çıktısı isterken, bazıları özel tokenlarla ayrıştırma yapar. Her durumda temel mantık aynıdır: LLM, tanımlı araç seti içinden seçim yapar, parametreleri doldurur ve sonucu işler.

MCP'nin (Model Context Protocol) Rolü

Tool-Calling'i standartlaştırmak ve farklı LLM'ler ile araçlar arasında uyumluluğu artırmak için MCP (Model Context Protocol) geliştirilmiştir. MCP, araç tanımlarını, çağrı biçimini ve sonuç yapısını belirleyen bir protokoldür. Bu sayede bir araç, MCP'yi destekleyen herhangi bir LLM ile sorunsuz çalışabilir. MCP, araç şemalarının nasıl sunulacağını (JSON-RPC tabanlı) ve modelin bu şemaları nasıl yorumlayacağını standart hale getirir. Bu, geliştiricilerin her model için ayrı integrasyon yazmasını önler ve ekosistemi büyütür.

Tool-Calling'in Gerçek Dünyada Kullanımı

Tool-Calling, yapay zeka asistanlarının (örneğin chatbotlar, sesli asistanlar) takvim oluşturma, e-posta gönderme, veritabanı sorgulama gibi işlemleri yapmasını sağlar. Bir hasta randevu asistanı örneğinde: LLM, kullanıcının “Yarın saat 10'da randevu al” talebini alır, randevu_olustur(tarih, saat, hasta_id) fonksiyonunu çağırır ve parametreleri doldurur. Sonuç başarılı olursa kullanıcıya onay mesajı döner. Bu süreç, doğal dil ile eylem arasında bir köprü kurar.

Tool-Calling mimarisi, LLM'leri pasif bir sohbetçiden aktif birer asistan haline getirir. Teknik detayları anlamak, daha etkili yapay zeka uygulamaları geliştirmenin anahtarıdır.