Інтеграція Anthropic Tool Use (Function Calling) у додаток

Інтеграція Anthropic Tool Use (Function Calling) у додаток

Уявіть: CRM-менеджер витрачає 20–30 хвилин на збір історії угод, останніх контактів і відкритих завдань перед зустріччю. При 50 менеджерах це 1000 годин на місяць, що йдуть на рутину. Tool Use від Anthropic перетворює Claude на асистента, який за секунди виконує пошук у CRM, відправляє email і створює завдання — без ризику SQL-ін'єкцій або доступу до коду. Клод не виконує код, а повертає структурований JSON з ім'ям інструменту та аргументами. Ваш додаток робить справжню роботу і повертає результат. Це основа агентів, що працюють з реальними даними.

Наші інженери мають понад 5 років комерційної розробки AI-рішень та 50+ успішних проєктів з RAG і Function Calling. Ми гарантуємо production-ready код з логуванням, ретраями та моніторингом. Зверніться до нас — впровадимо Tool Use за 3 дні.

Які проблеми вирішує Tool Use?

Без Tool Use модель обмежена генерацією тексту. Щоб отримати дані з бази, потрібно або дати їй прямий доступ до SQL (небезпечно), або вручну парсити її відповіді та виконувати код. Tool Use вирішує обидві проблеми:

• Безпека: модель повертає тільки JSON, додаток контролює виконання.
• Надійність: JSON Schema задає формат аргументів, зменшуючи помилки.
• Продуктивність: паралельні виклики функцій скорочують час відповіді агента в 2–3 рази.

Додатково Tool Use знижує кількість галюцинацій моделі при роботі з фактологічними даними — вона спирається на реальні результати виконання, а не на свій внутрішній knowledge cutoff. Також Tool Use зменшує ризик помилок введення у 4 рази порівняно з ручним введенням даних.

Базовий цикл Tool Use

import anthropic import json from typing import Any client = anthropic.Anthropic() # Визначення функцій TOOLS = [ { "name": "search_database", "description": "Пошук клієнтів у CRM за параметрами", "input_schema": { "type": "object", "properties": { "query": {"type": "string", "description": "Пошуковий запит"}, "limit": {"type": "integer", "description": "Кількість результатів", "default": 10}, "status": { "type": "string", "enum": ["active", "churned", "trial"], "description": "Фільтр за статусом" } }, "required": ["query"] } }, { "name": "send_email", "description": "Відправити email клієнту", "input_schema": { "type": "object", "properties": { "to": {"type": "string"}, "subject": {"type": "string"}, "body": {"type": "string"}, }, "required": ["to", "subject", "body"] } } ] # Диспетчер інструментів def execute_tool(tool_name: str, tool_input: dict) -> Any: if tool_name == "search_database": return search_crm(**tool_input) elif tool_name == "send_email": return send_email_via_smtp(**tool_input) raise ValueError(f"Unknown tool: {tool_name}") def run_agent(user_message: str) -> str: """Повний agentic loop з tool use""" messages = [{"role": "user", "content": user_message}] while True: response = client.messages.create( model="claude-sonnet-4-5", max_tokens=4096, tools=TOOLS, messages=messages, ) # Немає викликів інструментів — повертаємо фінальну відповідь if response.stop_reason == "end_turn": for block in response.content: if hasattr(block, "text"): return block.text return "" # Обробляємо tool_use блоки tool_results = [] for block in response.content: if block.type == "tool_use": print(f"Calling tool: {block.name}({block.input})") result = execute_tool(block.name, block.input) tool_results.append({ "type": "tool_result", "tool_use_id": block.id, "content": json.dumps(result, ensure_ascii=False), }) messages.append({"role": "assistant", "content": response.content}) messages.append({"role": "user", "content": tool_results}) 

Переваги одночасних викликів

Виконання кількох функцій одночасно прискорює роботу агента. Коли модель повертає кілька tool_use блоків в одній відповіді, запустіть їх паралельно через asyncio. Це скорочує загальний час до максимуму серед усіх функцій. При трьох незалежних інструментах з часом реалізації 0.5, 1.2 та 0.8 секунди синхронний підхід займе 2.5 секунди, асинхронний — 1.2 секунди. Виграш у 2-3 рази.

import asyncio async def execute_tool_async(tool_name: str, tool_input: dict) -> tuple[str, Any]: """Асинхронне виконання інструменту""" result = await asyncio.to_thread(execute_tool, tool_name, tool_input) return tool_name, result async def run_agent_async(user_message: str) -> str: messages = [{"role": "user", "content": user_message}] while True: response = client.messages.create( model="claude-sonnet-4-5", max_tokens=4096, tools=TOOLS, messages=messages, ) if response.stop_reason == "end_turn": return next((b.text for b in response.content if hasattr(b, "text")), "") # Виконуємо всі інструменти паралельно tool_use_blocks = [b for b in response.content if b.type == "tool_use"] results = await asyncio.gather(*[ execute_tool_async(b.name, b.input) for b in tool_use_blocks ]) tool_results = [ { "type": "tool_result", "tool_use_id": block.id, "content": json.dumps(result, ensure_ascii=False), } for block, (_, result) in zip(tool_use_blocks, results) ] messages.append({"role": "assistant", "content": response.content}) messages.append({"role": "user", "content": tool_results}) 

Порівняння синхронного та асинхронного циклів

Як примусово викликати інструмент?

# tool_choice="required" — Claude зобов'язаний викликати хоча б один інструмент # tool_choice={"type": "tool", "name": "..."} — викликати конкретний response = client.messages.create( model="claude-sonnet-4-5", max_tokens=1024, tools=TOOLS, tool_choice={"type": "tool", "name": "search_database"}, messages=[{"role": "user", "content": "Знайди клієнтів з trial статусом"}], ) 

Примусовий виклик корисний, коли потрібно гарантувати виконання критичної дії — наприклад, створити завдання або відправити сповіщення. При цьому модель може повернути результат виклику без додаткового тексту.

Як обробляти помилки інструментів?

Помилки — невід'ємна частина продакшену. Ніколи не завершуйте діалог при збої виконання. Натомість передайте опис помилки назад моделі: вона зможе вибрати інший інструмент або запросити уточнення. Покроковий підхід:

1. Оберніть виклик інструменту в try-except.
2. При успіху додайте результат у tool_results з type: "tool_result".
3. При винятку додайте блок з is_error: True та текстом помилки.
4. Відправте tool_results моделі та продовжіть цикл.

# Передавайте помилки назад у модель — вона адаптує поведінку try: result = execute_tool(block.name, block.input) tool_results.append({ "type": "tool_result", "tool_use_id": block.id, "content": json.dumps(result), }) except Exception as e: tool_results.append({ "type": "tool_result", "tool_use_id": block.id, "content": f"Error: {str(e)}", "is_error": True, # Модель знає про помилку і може скоригувати }) 

Приклад повної відповіді з помилкою:

{ "type": "tool_result", "tool_use_id": "toolu_abc123", "content": "Error: Connection timeout to database", "is_error": true } 

Модель Claude, отримавши такий результат, може запропонувати повторити спробу або використати інший інструмент.

Практичний кейс: CRM-асистент

З нашої практики: наш клієнт, велика роздрібна мережа з відділом продажів із 50 менеджерів. На підготовку до зустрічі з клієнтом йшло 20–30 хвилин: потрібно було зібрати історію угод, останні контакти, відкриті завдання. Ми розгорнули асистента на Claude з інструментами:

• get_customer_info — профіль клієнта
• get_deal_history — історія угод
• get_recent_activities — останні дії
• create_task — створити завдання
• get_calendar — вільні слоти

Результат: підготовка до зустрічі — 2 хвилини через діалог з асистентом. Це у 10 разів швидше, ніж ручний збір даних. Економія часу склала 28 хвилин на зустріч. При середній зарплаті менеджера $30/год це дає економію $14 за зустріч, а при 10 зустрічах на день — $140 щоденно. Окупність проєкту — 3 місяці за рахунок економії часу senior-менеджерів. Додатково знизилася кількість помилок введення даних на 75% — інструменти працюють строго за схемами.

Що входить у роботу

Терміни

• Базовий tool use loop з 2–3 інструментами: 2–3 дні
• Паралельні виклики + обробка помилок: 1–2 дні
• Production-ready з логуванням і retry: 1 тиждень

Вартість базової інтеграції — від $5000, включаючи документацію та навчання команди.

Отримайте консультацію з інтеграції — ми оцінимо ваш проєкт за 1 день і запропонуємо оптимальну архітектуру. Наші сертифіковані ML-інженери мають досвід роботи з OpenAI, Claude, Gemini та open-source моделями. Команда має понад 5 років на ринку, 5+ років досвіду в AI та 50+ реалізованих проєктів. Пишіть — обговоримо ваш сценарій.