Was ist ein Werkzeugaufruf (Function Calling)?

Ein Werkzeugaufruf ist der Mechanismus, mit dem ein großes Sprachmodell eine externe Funktion, API oder einen Dienst aufrufen kann, um eine Aufgabe zu erledigen. Statt nur aus dem zu antworten, was es im Training gelernt hat, erzeugt das Modell eine strukturierte Anfrage, typischerweise JSON, die ein Werkzeug benennt und seine Argumente liefert. Die Anwendung führt dieses Werkzeug aus und spielt das Ergebnis an das Modell zurück. Der Werkzeugaufruf ist das, was aus einem Textgenerator etwas macht, das aktuelle Daten holen und auf echten Systemen handeln kann.

Er zählt, weil die nützlichsten KI-Aufgaben im Unternehmen Informationen brauchen, die das Modell nicht hat: einen aktuellen Kontostand, die Bestellhistorie einer Kundin, das Ergebnis einer Berechnung. Statt eine Antwort zu halluzinieren, gibt ein Modell mit Werkzeugaufruf die Anfrage an das richtige Werkzeug weiter, also an eine Datenbankabfrage, eine Wetter-API oder einen Rechner, und nimmt das echte Ergebnis in seine Antwort auf.

Was ein Werkzeugaufruf bedeutet

In einem Aufbau mit Werkzeugaufrufen erhält das Modell eine Eingabe zusammen mit einem vorab festgelegten Satz von Werkzeugen, jedes beschrieben mit Namen, Zweck, Argumenten und der Form der erwarteten Ausgabe. Das Modell liest die Eingabe und entscheidet, ob der Griff zu einem Werkzeug nötig ist, um die Anfrage zu erfüllen. Wenn ja, führt das Modell selbst nichts aus. Es erzeugt ein strukturiertes Objekt, das das Werkzeug und die zu verwendenden Parameter benennt, und reicht das an die Anwendung zur Ausführung zurück.

Wie er arbeitet

Die Schleife ist geradlinig und wiederholt sich:

• Die Werkzeuge beschreiben. Die Anwendung teilt dem Modell mit, welche Werkzeuge es gibt und wie sie aufzurufen sind.
• Das Modell entscheidet. Zu einer Anfrage bestimmt das Modell, ob ein Werkzeug nötig ist, wählt das richtige und setzt die Argumente zu strukturiertem JSON zusammen.
• Die Anwendung führt aus. Entscheidend ist, dass das Modell die Funktion nicht ausführt. Die Anwendung führt das Werkzeug aus, ruft die API auf, fragt die Datenbank ab und nimmt das Ergebnis entgegen.
• Das Ergebnis fließt zurück. Die Ausgabe geht an das Modell zurück, das sie in seine endgültige Antwort aufnimmt oder ein weiteres Werkzeug aufruft, wodurch eine dynamische, mehrstufige Schleife der Problemlösung entsteht.

Diese Trennung, das Modell schlägt vor, die Anwendung führt aus, ist das, was den Werkzeugaufruf steuerbar macht: Jede Handlung läuft durch Code, den Sie kontrollieren.

Tool Calling und Function Calling

Die beiden Begriffe beschreiben dieselbe Fähigkeit. Function Calling ist der Name, den OpenAI dafür bekannt gemacht hat, ein Modell mit externen Systemen sprechen zu lassen; die breitere Fachwelt sagt zunehmend Tool Calling, weil ein „Werkzeug“ jede externe Fähigkeit sein kann und nicht nur eine Funktion im Code. Einige Anbieter sagen „Tool Use“. Für die Praxis behandeln Sie sie als gleichbedeutend: ein Modell, das eine strukturierte Anfrage nach einer externen Fähigkeit ausgibt, die die Anwendung dann ausführt.

Werkzeugaufrufe und Agenten

Der Werkzeugaufruf ist der Baustein von KI-Agenten. Ein Agent ist zu einem großen Teil eine Schleife aus Werkzeugaufrufen: Das Modell schätzt ein Ziel ein, ruft ein Werkzeug auf, liest das Ergebnis und entscheidet über den nächsten Schritt, bis die Aufgabe erledigt ist. Ohne Werkzeugaufruf kann ein Modell nur reden; mit ihm kann es suchen, abrufen, rechnen und handeln. Diese Macht ist auch der Grund, warum die Governance von KI-Agenten zählt: Jeder Werkzeugaufruf ist ein Punkt, an dem ein Agent echte Daten oder Systeme berührt und innerhalb der Regeln bleiben muss.

Werkzeugaufruf und MCP

Der Werkzeugaufruf und das Model Context Protocol ergänzen einander, sie konkurrieren nicht. Der Werkzeugaufruf ist der Mechanismus: Das Modell gibt eine strukturierte Anfrage aus und die Anwendung führt sie aus. MCP ist der offene Standard dafür, wie Werkzeuge und Kontext einem Modell überhaupt bereitgestellt werden, sodass ein einmal angebundenes Werkzeug jedem MCP-fähigen Modell oder Agenten zur Verfügung steht, statt für jede Anwendung erneut eingebunden zu werden. Function Calling macht ein Modell fähig, ein Werkzeug aufzurufen; MCP macht die Werkzeuge und den gesteuerten Kontext eines Unternehmens für alle auffindbar und wiederverwendbar.

Wie Dawiso dazu passt

Der Werkzeugaufruf macht ein Modell fähig, Ihre Systeme zu erreichen, doch der Wert jedes Werkzeugs hängt an den Daten dahinter. Ein Werkzeug, das die falsche Tabelle abfragt oder Zahlen zurückgibt, die ein Agent nicht deuten kann, erzeugt eine selbstbewusste falsche Antwort, genauso sicher wie eine Halluzination es täte. Dawiso macht aus den Daten, die ein Agent aufrufen kann, gesteuerten, verlässlichen Kontext:

• Gesteuerter Kontext als aufrufbare Ressource. Der Datenkatalog und das Business Glossary legen offen, was Begriffe, Kennzahlen und Datensätze bedeuten, sodass ein Werkzeugaufruf bei den richtigen, maßgeblichen Daten landet.
• Vertrauenssignale an jeder Antwort. Lineage und Klassifizierung reisen mit dem Kontext mit, sodass ein Agent weiß, woher Daten stammen und wie sensibel sie sind, bevor er auf ihnen handelt.
• Verfügbar für jeden MCP-fähigen Agenten. Der Context Layer stellt diesen gesteuerten Kontext über den offenen MCP Server bereit, sodass er über Agenten und Anwendungen hinweg aufrufbar ist, ohne eigens gebaute Integration.

Der Werkzeugaufruf ist der Mechanismus; Dawiso sorgt dafür, dass die Werkzeuge bei Daten landen, denen Ihre Agenten vertrauen können.

Fazit

Der Werkzeugaufruf, im Englischen Tool Calling oder Function Calling, ist der Mechanismus, mit dem ein LLM eine strukturierte Anfrage ausgibt, um eine externe Funktion oder API aufzurufen, während die Anwendung das Werkzeug ausführt und das Ergebnis zurückspielt. Er ist das Fundament von Agenten und der Grund, warum KI aktuelle Daten holen und handeln kann, statt nur Text zu erzeugen. MCP vereinheitlicht, wie diese Werkzeuge und dieser Kontext bereitgestellt werden, sodass sie über Modelle hinweg wiederverwendbar sind. Die verbleibende Frage ist, ob die Daten hinter jedem Werkzeug verlässlich sind, und genau das ist der gesteuerte Kontext, den ein Context Layer liefert.