Tool Use

Fähigkeit eines Sprachmodells, externe Funktionen, APIs oder Werkzeuge gezielt aufzurufen und deren Rückgaben in die Antwort einzubauen, statt nur aus den Modellgewichten zu generieren.

Definition

Tool Use bezeichnet die Fähigkeit eines Sprachmodells, externe Funktionen, APIs oder Werkzeuge gezielt aufzurufen und deren Rückgaben in die Antwort einzubauen, statt nur aus den Modellgewichten zu generieren. Das Modell entscheidet pro Iteration, ob ein Tool nötig ist, wählt eines aus dem definierten Set, formuliert die Argumente als strukturierten Aufruf, wartet auf das Ergebnis und integriert dieses in die nächste Iteration.

Anthropic prägt den Begriff Tool Use seit 2024 als Standard-Vokabular. OpenAI verwendet überwiegend Function Calling, Google Gemini schwankt zwischen beiden. Inhaltlich beschreiben alle dasselbe Paradigma.

Mechanismus

Tool Use läuft in einem klar definierten Zyklus:

Tool-Definition: Der Entwickler übergibt dem Modell ein Tool-Set, jedes Tool mit Name, Beschreibung und JSON-Schema für die Argumente.
Modell-Aufruf: Das Modell prüft die aktuelle Anfrage und entscheidet, ob ein Tool nötig ist.
Tool-Call-Generierung: Das Modell gibt einen strukturierten Tool-Call zurück (Funktionsname plus Argumente).
Ausführung: Der Host-Code ruft die Funktion auf, idealerweise sandboxed und mit klaren Berechtigungen.
Tool-Result: Die Funktion liefert ein Ergebnis (oder einen Fehler) zurück, der Host übergibt es als Tool-Result zurück ins Modell.
Folge-Iteration: Das Modell verarbeitet das Ergebnis, ruft eventuell ein weiteres Tool auf oder formuliert die finale Antwort.

Die meisten APIs unterstützen Parallel Tool Calls: das Modell kann in einer Iteration mehrere unabhängige Tools gleichzeitig aufrufen.

Tool-Kategorien

Drei grobe Klassen:

Lese-Tools: Web-Search, Datenbank-Query, File-Read, Knowledge-Graph-Lookup. Risikoarm, häufig parallelisierbar.
Schreib-Tools: Datei erstellen, API-Post, Datensatz updaten, E-Mail senden. Erfordern User-Consent und Idempotenz.
Compute-Tools: Python-Sandbox, Calculator, Code-Interpreter, Bildgenerator. Geben strukturierte Ergebnisse zurück, oft mit grossen Outputs.

Seit 2024 kommt eine vierte Klasse dazu: Computer-Use-Tools, die Maus und Tastatur in Browsern oder Desktops steuern. Anthropic Computer Use und OpenAI Operator sind 2026 produktiv im Einsatz.

Praxis und Anwendung

Typische Einsatzfelder:

Aktualitäts-Lookup: Web-Search-Tools liefern Echtzeit-Information.
Geschäftsdaten: SQL- oder API-Tools verbinden den Agenten mit dem CRM oder ERP.
Datei-Operationen: File-Read und File-Write in Code-Agenten wie Claude Code oder Cursor.
Domänen-spezifische APIs: Wetter, Aktien, Buchungssysteme, ERP-Funktionen.
Code-Ausführung: Python-Sandbox für mathematische Berechnungen oder Datenanalyse.
Bild- und Audiogenerierung: Modell ruft DALL-E, Stable Diffusion oder ElevenLabs auf.

Best Practice bei der Tool-Definition:

Naming: kurz, eindeutig, verbal (search_documents, send_email, create_invoice).
Description: ein Satz, was das Tool tut, wann es zu verwenden ist, ein Mini-Beispiel.
Schema: alle Argumente typisiert, mit description-Feldern, optional mit enum-Werten.
Errors: strukturierte Fehler-Returns mit Code und Message, keine Stacktraces.

Häufige Fehler

Tool-Overload: zu viele Tools im Kontext senken die Auswahlqualität. Anthropic empfiehlt, das Tool-Set hierarchisch oder dynamisch zu filtern.
Schwache Beschreibungen: Tools ohne klares Beispiel werden falsch aufgerufen. Tool-Doku ist wichtiger als Prompt-Engineering.
Kontext-Inflation: lange Tool-Outputs (z. B. ganze HTML-Seiten) verbrauchen Tokens. Outputs zusammenfassen oder paginieren.
Fehler-Returns als Strings: unstrukturierte Errors verwirren das Modell. Immer JSON mit Code und Message.
Idempotenz ignoriert: Retry führt zu doppelten Datensätzen. Idempotency-Keys oder Pre-Check.
Keine Sandbox: Schreib-Tools ohne Sandbox können Daten korrumpieren. Sandboxing und User-Consent sind Pflicht.

Sicherheit

Tool Use macht ein Sprachmodell zum Agenten, der echte Aktionen ausführt. Sicherheit ist deshalb operativ kritisch:

Least Privilege: jedes Tool nur mit minimalen Rechten.
Sandboxing: Code-Ausführung in isolierten Containern, File-System auf erlaubte Pfade beschränkt.
Consent: explizite User-Bestätigung für destruktive Operationen.
Audit: alle Tool-Calls protokollieren.
Prompt Injection: Tools, die externe Inhalte verarbeiten (Web-Search, E-Mail, Dokumente), bergen Injection-Risiko. Trust-Boundaries und Sanitization sind Pflicht.

Abgrenzung

Function Calling: die API-Mechanik, Tool Use das umfassendere Paradigma.
RAG: spezielle Form mit Such-Tool, Tool Use ist allgemeiner.
Plugin-Systeme (alte Generation): geschlossen, kuratiert; Tool Use ist offen, vom Entwickler definiert.
Agent: Tool Use ist Voraussetzung, ein Agent kombiniert Tool Use mit Planung und Schleifen.
MCP: das Protokoll, über das Tools standardisiert bereitgestellt werden; Tool Use ist die Modell-Fähigkeit, beliebige Tools zu nutzen.

Weiter im KI-Lexikon

← Zurück zum Lexikon

Häufige Fragen

Was ist Tool Use bei LLMs?+

Tool Use bezeichnet die Fähigkeit eines Sprachmodells, externe Funktionen oder APIs gezielt aufzurufen und deren Rückgaben in die Antwort einzubauen. Das Modell generiert einen strukturierten Tool-Call mit Funktionsname und Argumenten, der ausführende Code ruft die Funktion auf und liefert das Ergebnis zurück ins Modell.

Was ist der Unterschied zwischen Tool Use und Function Calling?+

Function Calling ist die konkrete API-Mechanik (Tool-Schema im Prompt, strukturierte JSON-Ausgabe). Tool Use ist der Oberbegriff für das gesamte Paradigma inklusive Auswahl, Ausführung, Beobachtung und Folgeschritten. Anthropic bevorzugt Tool Use, OpenAI Function Calling, gemeint ist meist dieselbe Mechanik plus Kontext.

Welche Arten von Tools gibt es?+

Drei grobe Kategorien: Lese-Tools (Datenbank-Query, Web-Search, File-Read), Schreib-Tools (Datei erstellen, API-Post, Datensatz aktualisieren) und Compute-Tools (Python-Sandbox, Calculator, Code-Interpreter). 2026 kommen Computer-Use-Tools dazu, die Maus und Tastatur in echten Browsern oder Desktops bedienen.

Wie definiert man ein gutes Tool?+

Ein gutes Tool hat einen prägnanten Namen, eine präzise Beschreibung mit Beispiel, ein klares JSON-Schema für die Argumente, deterministische Fehler-Returns und idempotentes Verhalten, wo möglich. Anthropic empfiehlt, Tools wie öffentliche APIs zu designen, mit dem Modell als Konsument.

Wie wählt das Modell ein Tool aus?+

Das Modell bekommt im Prompt die Liste aller Tools mit Schema und Beschreibung. Pro Iteration prüft es, ob ein Tool nötig ist, wählt eines aus und formuliert die Argumente als strukturierten Call. Bei mehreren Optionen entscheidet die Tool-Beschreibung, deshalb sind klare Doku-Strings entscheidender als Prompt-Tricks.

Was sind häufige Fehlerquellen bei Tool Use?+

Zu viele Tools im Kontext, schwache Beschreibungen, fehlende Beispiele, inkonsistente Schemas, zu lange Tool-Outputs (Kontext-Inflation), fehlende Fehler-Returns und mangelndes Retry-Handling. Auch typische Halluzination der Argumente, wenn das Schema mehrdeutig ist.

Wie unterscheidet sich Tool Use von RAG?+

RAG ruft Dokumente vor der Antwort ab und gibt sie in den Kontext. Tool Use lässt das Modell zur Antwortzeit entscheiden, welche Funktion in welcher Reihenfolge aufgerufen wird. RAG ist eine Form von Tool Use (Such-Tool), aber Tool Use ist deutlich allgemeiner und schliesst Schreib-Operationen ein.

Wie steht Tool Use zu MCP?+

MCP ist das offene Protokoll, das Tools standardisiert bereitstellt. Tool Use ist das Verhalten des Modells, beliebige Tools aufzurufen. Ein Agent kann MCP-Tools, lokale Function-Tools und Cloud-Tools parallel nutzen. MCP ist Lieferantenseite, Tool Use ist Konsumentenseite.

Quellen

Anthropic Tool Use Documentation
OpenAI Function Calling Guide
Google Gemini Function Calling Reference

Zuletzt geprüft: 2026-06-07