第4章：Function CallingとTool Use

はじめに

Function Calling（Tool Useとも呼ばれる）は、LLMが外部システム、API、ツールと連携できる機能です。これにより、LLMはテキスト生成器から実際のアクションを取ることができる強力なエージェントに変わります。

この章を終えると、以下のことができるようになります：

• LLM Function Calling用のJSON Schemaでツールを定義する
• 完全なFunction Callingワークフローを実装する
• MCP（Model Context Protocol）標準に準拠したツールを設計する
• ツール使用アプリケーションでエラーを適切に処理する
• 複雑なタスクのために複数のツールをオーケストレーションする

Function Callingの基礎

Function Callingとは

Function Callingにより、LLMは以下のことができます：

1. 利用可能なツールとその機能を理解する
2. ユーザーのリクエストに基づいてツールを使用するタイミングを決定する
3. ツール用に適切にフォーマットされた引数を生成する
4. ツールの結果を応答に組み込む

JSON Schemaでのツール定義

ツールはJSON Schemaを使用して定義され、関数名、説明、パラメータを記述します：

{
  "type": "function",
  "function": {
    "name": "get_weather",
    "description": "特定の場所の現在の天気を取得します。気温、状態、湿度を返します。",
    "parameters": {
      "type": "object",
      "properties": {
        "location": {
          "type": "string",
          "description": "都市名、例：'東京'、'ニューヨーク'、'ロンドン'"
        },
        "unit": {
          "type": "string",
          "enum": ["celsius", "fahrenheit"],
          "description": "温度単位（デフォルト：celsius）"
        }
      },
      "required": ["location"]
    }
  }
}

完全なFunction Callingの例

from openai import OpenAI
import json

client = OpenAI()

# ツールを定義
tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "場所の現在の天気を取得",
            "parameters": {
                "type": "object",
                "properties": {
                    "location": {"type": "string", "description": "都市名"}
                },
                "required": ["location"]
            }
        }
    }
]

# 実際の関数実装
def get_weather(location: str) -> dict:
    # 本番では天気APIを呼び出す
    return {"location": location, "temperature": 22, "unit": "celsius", "condition": "晴れ"}

# ステップ1: ツール付きでユーザーメッセージを送信
response = client.chat.completions.create(
    model="gpt-4o",
    messages=[{"role": "user", "content": "東京の天気は？"}],
    tools=tools
)

# ステップ2: モデルがツールを使用したいか確認
message = response.choices[0].message

if message.tool_calls:
    # ステップ3: ツールを実行
    tool_call = message.tool_calls[0]
    arguments = json.loads(tool_call.function.arguments)
    result = get_weather(**arguments)

    # ステップ4: ツール結果をモデルに返送
    final_response = client.chat.completions.create(
        model="gpt-4o",
        messages=[
            {"role": "user", "content": "東京の天気は？"},
            message,
            {"role": "tool", "tool_call_id": tool_call.id, "content": json.dumps(result)}
        ]
    )
    print(final_response.choices[0].message.content)

Model Context Protocol（MCP）

MCPはAnthropicが開発したオープンスタンダードで、LLMを外部データソースやツールに接続します。異なるLLMプロバイダーやアプリケーション間で機能する統一インターフェースを提供します。

MCPアーキテクチャ

MCPの概念

MCPサーバーの構築

from mcp.server import Server
from mcp.types import Tool, TextContent
import mcp.server.stdio

# サーバーインスタンスを作成
server = Server("weather-server")

# ツールを定義
@server.list_tools()
async def list_tools():
    return [
        Tool(
            name="get_weather",
            description="都市の現在の天気を取得",
            inputSchema={
                "type": "object",
                "properties": {
                    "city": {"type": "string", "description": "都市名"}
                },
                "required": ["city"]
            }
        )
    ]

# ツール実行を実装
@server.call_tool()
async def call_tool(name: str, arguments: dict):
    if name == "get_weather":
        city = arguments["city"]
        weather_data = fetch_weather(city)  # 実際の天気API呼び出し
        return [TextContent(
            type="text",
            text=f"{city}の天気: {weather_data['temp']}度, {weather_data['condition']}"
        )]

# サーバーを実行
async def main():
    async with mcp.server.stdio.stdio_server() as (read, write):
        await server.run(read, write)

if __name__ == "__main__":
    import asyncio
    asyncio.run(main())

エラーハンドリング

堅牢なエラーハンドリングはツール使用アプリケーションにとって重要です。ツールはネットワーク問題、無効な入力、レート制限、外部サービスの停止により失敗する可能性があります。

def execute_tool(tool_name: str, arguments: dict):
    """包括的なエラーハンドリング付きでツールを実行"""
    try:
        if not validate_arguments(tool_name, arguments):
            raise ToolError("無効な引数が提供されました", recoverable=True)

        if tool_name == "get_weather":
            return get_weather(**arguments)
        else:
            raise ToolError(f"不明なツール: {tool_name}", recoverable=False)

    except ConnectionError as e:
        return {
            "error": True,
            "type": "network_error",
            "message": f"サービスに接続できません: {e}",
            "suggestion": "サービスが一時的に利用できない可能性があります。再試行してください。"
        }

    except RateLimitError as e:
        return {
            "error": True,
            "type": "rate_limit",
            "message": "APIレート制限を超えました",
            "retry_after": e.retry_after,
            "suggestion": f"{e.retry_after}秒後に再試行してください。"
        }

マルチツールオーケストレーション

複雑なタスクは複数のツールの調整を必要とすることがよくあります。効果的なオーケストレーションには、ツールシーケンスの計画と依存関係の処理が含まれます。

def handle_complex_request(user_message: str, max_iterations: int = 5):
    """複数のツール呼び出しが必要な可能性のあるリクエストを処理"""

    messages = [{"role": "user", "content": user_message}]

    for i in range(max_iterations):
        response = client.chat.completions.create(
            model="gpt-4o",
            messages=messages,
            tools=tools
        )

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

        # モデルが完了したか確認（ツール呼び出しなし）
        if not assistant_message.tool_calls:
            return assistant_message.content

        # リクエストされたすべてのツールを実行
        for tool_call in assistant_message.tool_calls:
            result = execute_tool(
                tool_call.function.name,
                json.loads(tool_call.function.arguments)
            )
            messages.append({
                "role": "tool",
                "tool_call_id": tool_call.id,
                "content": json.dumps(result)
            })

    return "許可されたステップ内でタスクを完了できませんでした。"

セキュリティの考慮事項

演習問題

演習1：ツール定義（難易度：易）

演習2：エラーハンドリング（難易度：中）

演習3：MCPサーバー（難易度：中）

演習4：マルチツールオーケストレーション（難易度：上級）

演習5：セキュリティ実装（難易度：上級）

章のまとめ

次のステップ

第5章では、すべてを実践プロジェクトでまとめます：

• ドキュメント分析システムの構築
• マルチモーダルアプリケーション向けビジョンプロンプティング
• コスト最適化のためのプロンプトキャッシング
• 本番デプロイメントの考慮事項

参考文献

• OpenAI. (2024). Function Calling Documentation
• Anthropic. (2024). Model Context Protocol Specification
• Google. (2024). Gemini Function Calling Guide

更新履歴

• 2026-01-12：v2.0 MCP対応を含む初版リリース