Этап 10 из 18 · ≈ 6 ч

Вызов инструментов

Основа с Junior

Описание функций для модели, выполнение вызовов и обработка результатов.

tools = [{
    "name": "get_order_status",
    "description": "Статус заказа по номеру. Используй, когда клиент спрашивает о заказе.",
    "input_schema": {"type": "object", "properties": {"order_id": {"type": "string"}}, "required": ["order_id"]},
}]

Что важно знать

  • Описание инструмента — тоже промпт: когда использовать, что возвращает, ограничения. Плохие описания — главная причина неверных вызовов.
  • Модель только предлагает вызов; выполняет код — и проверяет аргументы и права пользователя.
  • Результаты инструментов возвращают в диалог; большие — сокращают.
  • Ошибки инструмента сообщают модели текстом — она может исправить аргументы.
  • Опасные действия (оплата, удаление, письма) — с подтверждением человеком.
  • Параллельные вызовы ускоряют ответ.

Критерии освоения

Junior ≈ 6 ч

  • Описывает инструмент схемой и обрабатывает цикл «вызов — результат — ответ»

Практика. Сделать ассистента с двумя инструментами — статус заказа и курс валют — и обработкой ошибок инструментов.

Middle ≈ 6 ч

  • Пишет описания инструментов, при которых модель стабильно выбирает нужный, и измеряет точность выбора
  • Проверяет аргументы и права пользователя в коде инструмента
  • Требует подтверждения человека для необратимых действий

Практика. Довести точность выбора инструмента до 95% на наборе из 100 запросов к ассистенту с 8 инструментами.

Проверка знаний

Войдите, чтобы пройти тест: сданный тест отмечает тему пройденной на карте и в ИПР.

Вопросы с собеседований

Смотреть все
Что такое вызов инструментов (tool calling) и агенты?Middle

Модель получает описания инструментов (имя, параметры по схеме) и вместо текста может вернуть запрос на вызов; вызывает их код приложения и отдаёт результат обратно модели.

Полный разбор
Как получить от LLM ответ в строгом формате, например JSON?Middle

Используйте режим структурированного вывода по JSON-схеме, если API его поддерживает, и всегда валидируйте результат в коде.

Полный разбор
Что такое Model Context Protocol (MCP)?Middle

MCP — открытый протокол, стандартизирующий подключение инструментов и данных к LLM-приложениям. MCP-сервер публикует инструменты (tools), ресурсы (данные) и шаблоны промптов; клиент (ассистент, IDE, агент) подключается к любому совместимому серверу без…

Полный разбор
Как проектировать LLM-агента и почему агенты ломаются?Middle

Агент — цикл: модель решает, какой инструмент вызвать, получает результат и решает дальше, пока задача не решена (паттерн ReAct: рассуждение → действие → наблюдение). Начинать стоит с простейшего решения: фиксированный конвейер (workflow) из нескольких…

Полный разбор
Как устроен запрос к чат-API модели — роли сообщений, причина остановки, расход токенов?Junior

Запрос — список сообщений с ролями: system (правила и роль модели), user (запросы), assistant (прошлые ответы модели). Модель не хранит диалог: приложение каждый раз отправляет историю целиком. Ответ содержит текст, причину остановки (закончила сама, упёрлась…

Полный разбор
Как описать инструмент для модели и обработать цикл «вызов — результат — ответ»?Junior

Инструмент описывают именем, описанием (когда его вызывать) и JSON-схемой параметров. Цикл: отправить запрос с описаниями инструментов → модель вернула запрос на вызов с аргументами → код приложения проверяет аргументы и выполняет функцию → результат…

Полный разбор
Как получить от модели JSON по схеме Pydantic и проверить его?Junior

Описать результат классом Pydantic (поля, типы, обязательность, описания), передать его JSON-схему в API в режиме структурированного вывода (или как схему инструмента), получить ответ и провалидировать тем же классом. При ошибке валидации — повторить запрос с…

Полный разбор
Почему модель не знает о недавних событиях и как это компенсировать?Junior

Модель выучила данные до даты среза обучения и после этого не обновляется: о более поздних событиях, ценах, версиях библиотек она не знает или уверенно отвечает устаревшим. Компенсируют, давая свежие данные в контексте: поиск по базе знаний или вебу (RAG)…

Полный разбор

Разборы темы

← Вся карта «ИИ-инженер»

Партнёр платформы

Разбор собеседования с sotto

После собеседования sotto разбирает разговор: оценка, каждый вопрос — хорошо, частично или слабо, чего не хватило в ответе и над чем поработать к следующему разу. Первые 30 минут бесплатно.

Разбор собеседования