Resumo das diferenças entre chamadas de ferramentas de Agente e chamadas de funções comuns

Este artigo discute principalmente as diferenças principais entre chamadas de ferramentas de Agente e chamadas de funções comuns, e detalha o mecanismo, valor, modos de falha comuns e estratégias de resposta das chamadas de ferramentas de Agente.

Resumo das diferenças principais

Chamadas de funções comuns são determinadas em tempo de compilação, síncronas e determinísticas, onde o programador especifica explicitamente no código o momento da chamada, parâmetros e lógica de tratamento de erros. Já as chamadas de ferramentas de Agente são decisões em tempo de execução, assíncronas e com incerteza, onde o modelo de linguagem grande (LLM) decide dinamicamente se deve chamar, qual ferramenta chamar e quais parâmetros passar com base na entrada do usuário e no contexto.

Mecanismo central e valor das chamadas de ferramentas de Agente

• Por que são necessárias: Para superar as limitações do LLM, como data de corte do conhecimento, incapacidade de calcular precisamente e falta de acesso a dados em tempo real, expandindo suas capacidades através da chamada de ferramentas externas (como busca, banco de dados, API).
• Fluxo de trabalho: Tomando como exemplo a consulta do clima, o LLM passa por várias etapas de raciocínio: 1) Analisar a necessidade e decidir chamar a ferramenta; 2) Selecionar a ferramenta adequada da lista de ferramentas registradas (por exemplo, get_weather); 3) Extrair parâmetros da linguagem natural (como cidade, data); 4) Executar a chamada da ferramenta; 5) Gerar a resposta final com base no resultado retornado pela ferramenta. Todo o processo é dinâmico.

Cinco diferenças específicas

1. Momento da chamada: Chamadas de funções comuns são determinadas na codificação; chamadas de Agente são decididas pelo LLM em tempo de execução.
2. Fonte dos parâmetros: Parâmetros de chamadas de funções comuns são codificados; parâmetros de chamadas de Agente são extraídos pelo LLM da linguagem natural, podendo conter erros.
3. Tratamento de erros: Falhas em chamadas de funções comuns lançam exceções, entrando em fluxos de tratamento predefinidos; após falha em chamadas de Agente, a informação de erro é retornada ao LLM, que decide autonomamente a estratégia de recuperação (como repetir, trocar de ferramenta ou informar o usuário).
4. Cadeia de chamadas e observabilidade: A cadeia de chamadas de funções comuns é determinada e fácil de depurar; a cadeia de chamadas de Agente é incerta, difícil de depurar, dependendo de logs de raciocínio.
5. Custo de desempenho: Chamadas de funções comuns têm custo em nanossegundos; chamadas de Agente, devido ao raciocínio do LLM (em segundos) e execução da ferramenta, têm latência total significativamente maior.

Três modos de falha comuns e ideias de solução

1. Erro na extração de parâmetros (como erro na conversão de data ou parâmetros ausentes): Especificar claramente o formato e restrições dos parâmetros na definição da ferramenta; para parâmetros críticos ausentes, fazer o LLM perguntar ativamente ao usuário em vez de adivinhar.
2. Erro na seleção da ferramenta (como pular etapas anteriores): Especificar claramente pré-condições e cenários de uso na descrição da ferramenta; usar frameworks como ReAct para fazer o LLM gerar etapas de raciocínio, melhorando a qualidade da decisão.
3. Exceção na execução da ferramenta (como timeout da API ou retorno de erro): Padronizar a informação de erro retornada pela ferramenta em descrições em linguagem natural que o LLM possa entender, para que ele tome decisões de recuperação razoáveis.

Estratégia de resposta em entrevistas

Sugere-se responder em três etapas: primeiro, dar a definição central; depois, usar um exemplo de cenário específico para ilustrar o fluxo completo; por fim, mencionar proativamente as limitações (como parâmetros podem conter erros, alto custo de desempenho). Para perguntas de acompanhamento, enfatizar que o Agente possui capacidade de recuperação autônoma de erros, e reduzir a taxa de erro na passagem de parâmetros através de definições claras de ferramentas, validação de parâmetros, perguntas ativas e exemplos (few-shot).