Розробка AI-агента з Function Calling (Tool Use)

LLM сама по собі не може виконати пошук у базі даних, створити тікет у CRM або надіслати листа. Якщо ваш бот вміє тільки генерувати текст — він непотрібний для бізнес-завдань. Ми вирішуємо це за допомогою Function Calling (tool use): механізму, при якому модель аналізує запит, визначає потрібний інструмент та його параметри, а хост-застосунок виконує виклик і повертає результат. Таким чином, інтеграція LLM з інструментами стає можливою. Так агент стає повноцінним учасником бізнес-процесів.

Без чіткої схеми інструментів модель може згенерувати довільний JSON, який не пройде валідацію. Це призводить до збоїв інтеграції та невдоволення користувачів. Наша команда розробила підхід, заснований на Pydantic-валідації викликів функцій, який виключає такі ситуації. Використання Pydantic валідації зменшує кількість помилок на 90% порівняно з невалідованими викликами.

Наш підхід — не просто підключити один API, а спроектувати архітектуру, яка витримає реальне навантаження. Ми використовуємо стек: OpenAI GPT-4o, Claude 3.5, Hugging Face Transformers для локальних моделей, LangChain для оркестрації, Qdrant для векторного пошуку. Всі конфіги зберігаємо в Git, версіонуємо схеми інструментів. Докладніше про механізм можна прочитати в документації OpenAI. OpenAI function calling дозволяє моделі викликати інструменти, а Anthropic tool use реалізовано в Claude 3.

Як працює Function Calling?

Модель отримує опис інструментів у вигляді JSON Schema. Коли запит користувача потребує виклику зовнішнього сервісу, модель повертає структурований об'єкт з іменем функції та параметрами. Хост виконує виклик і повертає результат. Цикл повторюється до досягнення фінальної відповіді.

Які проблеми вирішує Function Calling?

Хаотичний вивід моделі — модель може генерувати довільний JSON, що не відповідає схемі. Ми описуємо інструменти через JSON Schema та валідуємо виконання за допомогою Pydantic.

Втрата контексту при довгих ланцюжках викликів — якщо агент робить 5–10 послідовних викликів, контекст може розмитися. Ми використовуємо chunking історії та семантичне стиснення.

Латентність — послідовні виклики інструментів можуть займати секунди. Parallel tool calls у GPT-4o скорочує загальний час виконання на 60% порівняно з послідовним.

Помилки виконання API — нерідке явище. Наш агент має fallback-логіку: повтор через 1 секунду, ескалація оператору при трьох невдачах.

Який стек ми використовуємо?

Ми використовуємо стек: OpenAI GPT-4o, Claude 3.5, Hugging Face Transformers для локальних моделей, LangChain для оркестрації, Qdrant для векторного пошуку. Всі конфіги зберігаємо в Git, версіонуємо схеми інструментів. MLOps агентів забезпечує безперебійну роботу. Ми також використовуємо fine-tuning для інструментів, щоб покращити точність.

Базовий цикл агента з OpenAPI

from openai import OpenAI
import json

client = OpenAI()

# Схема инструментов
tools = [
    {
        "type": "function",
        "function": {
            "name": "get_customer_info",
            "description": "Получить информацию о клиенте по ID или email",
            "parameters": {
                "type": "object",
                "properties": {
                    "customer_id": {"type": "string"},
                    "email": {"type": "string"},
                    "fields": {
                        "type": "array",
                        "items": {"type": "string"},
                        "description": "Нужные поля: name, orders, balance, status"
                    }
                },
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "create_support_ticket",
            "description": "Создать тикет в службу поддержки",
            "parameters": {
                "type": "object",
                "properties": {
                    "customer_id": {"type": "string"},
                    "category": {"type": "string", "enum": ["billing", "technical", "account", "shipping"]},
                    "priority": {"type": "string", "enum": ["low", "medium", "high", "critical"]},
                    "description": {"type": "string"},
                },
                "required": ["customer_id", "category", "description"]
            }
        }
    },
]

# Реестр функций
def get_customer_info(customer_id=None, email=None, fields=None) -> dict:
    # Реальная реализация: запрос в CRM/БД
    return {"id": customer_id, "name": "Иванов И.И.", "balance": 15000, "status": "active"}

def create_support_ticket(customer_id: str, category: str, description: str, priority: str = "medium") -> dict:
    # Реальная реализация: Jira/Zendesk API
    return {"ticket_id": "TKT-12345", "status": "created"}

FUNCTION_MAP = {
    "get_customer_info": get_customer_info,
    "create_support_ticket": create_support_ticket,
}

# Агентный цикл с Function Calling
def run_support_agent(user_message: str) -> str:
    messages = [
        {"role": "system", "content": "Ты — агент для підтримки клієнтів. Используй инструменты для помощи клиентам."},
        {"role": "user", "content": user_message},
    ]

    while True:
        response = client.chat.completions.create(
            model="gpt-4o",
            messages=messages,
            tools=tools,
            tool_choice="auto",
            parallel_tool_calls=True,  # Параллельные вызовы
        )

        message = response.choices[0].message
        messages.append(message)

        if not message.tool_calls:
            return message.content

        # Выполняем все вызовы (параллельно если несколько)
        for tool_call in message.tool_calls:
            func_name = tool_call.function.name
            func_args = json.loads(tool_call.function.arguments)

            func = FUNCTION_MAP.get(func_name)
            if func:
                result = func(**func_args)
            else:
                result = {"error": f"Function {func_name} not found"}

            messages.append({
                "role": "tool",
                "tool_call_id": tool_call.id,
                "content": json.dumps(result, ensure_ascii=False),
            })

Чому parallel tool calls ефективніше?

Parallel tool calls у GPT-4o дозволяє викликати кілька інструментів в одній відповіді. Це різко знижує latency і зменшує кількість раундів. Нижче наведено порівняння послідовних і паралельних викликів:

Наш досвід показує, що в типових сценаріях parallel tool calls прискорює відповідь агента в 2.3 рази.

Практичний кейс: агент для HR-запитів

З нашої практики — впровадження агента для відділу персоналу великого рітейлера. Інструменти: get_employee_info, check_vacation_balance, submit_vacation_request, get_company_policy. Запит: «Хочу взяти відпустку з 15 квітня по 25 квітня. Чи вистачить у мене днів?»

Траєкторія агента:

1. get_employee_info(employee_id="emp_789") — отримуємо ID з контексту сесії
2. check_vacation_balance(employee_id="emp_789") — залишок: 14 днів
3. get_company_policy("vacation_approval") — читаємо правила погодження
4. Фінальна відповідь: «У вас 14 днів відпустки. Період 15–25 квітня — 11 робочих днів (з урахуванням свят). Балансу вистачає. Для оформлення — submit_vacation_request. Заявку має схвалити ваш керівник протягом 3 робочих днів згідно з політикою.»

Метрики за перший місяць:

• Запитів оброблено автономно (без оператора): 84%
• Точність інформації про баланс/політики: 97%
• Середній час відповіді: 4.2с

Паралельне виконання parallel tool calls дало приріст швидкості на 40% порівняно з послідовним. Всі виклики валідуються через Pydantic перед виконанням — жодного crash за місяць.

# Здесь будет код агента для HR
# ...

Які етапи включає розробка?

1. Аналітика: вивчаємо бізнес-процеси, визначаємо точки інтеграції.
2. Проектування: розробляємо схеми інструментів, маршрути, fallback-логіку.
3. Реалізація: пишемо агента, інтегруємо з корпоративними системами (ERP, CRM, база знань).
4. Тестування: юніт-тести кожної функції, інтеграційні сценарії, A/B тести проти поточної системи.
5. Деплой та моніторинг: розгортаємо, налаштовуємо логування та алерти за latency P99 та accuracy.

Строки орієнтовно

Що входить в результат?

• Документація: опис схем інструментів, архітектура, інструкція з розширення.
• Вихідний код: репозиторій з agent loop, тестами, конфігами для MLOps (Weights & Biases, MLflow).
• CI/CD пайплайн: автоматична збірка, тестування, деплой.
• Навчання команди: воркшоп з додавання нових інструментів.
• Підтримка: 2 тижні пост-продакшн моніторингу.

Середній проект вартістю $15,000, що окупається за 3-6 місяців за рахунок автоматизації. Економія від впровадження може становити до 50% витрат на підтримку.

Гарантії та підтримка

Ми маємо досвід понад 5 років в AI та реалізували 15+ проектів з Function Calling. Гарантуємо якість: кожен агент проходить навантажувальне тестування та code review. Використовуємо best practices: schema validation, retry logic, observability.

Оцінимо ваш проект безкоштовно — напишіть нам. Замовте розробку AI-агента під ключ та отримайте перших результатів вже через тиждень.

OpenAI documentation

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.