Ing. Calogero Bono
Hai mai chiesto a un chatbot di inviare un'email, aggiornare un database o calcolare il prezzo scontato di un prodotto, e ti ha risposto «Non posso farlo»? Frustrante, vero. Il motivo è semplice: un Large Language Model (LLM) da solo sa solo generare testo. Per agire nel mondo reale — scrivere un record, chiamare un'API, mandare una notifica — ha bisogno di strumenti. Questa guida ti mostra come farlo, con codice funzionante e senza teoria astratta.
Noi, di Meteora Web, lavoriamo ogni giorno con l'AI per automazione e agenti. Tool calling è il punto di svolta: trasforma un LLM da chiacchierone a esecutore. Se gestisci un e-commerce o una PMI, significa niente più risposte vaghe, ma azioni reali.
Cos'è il Tool Calling e Perché è Critico per l'Automazione?
Tool calling (o function calling) è un meccanismo che permette a un LLM di dichiarare la sua intenzione di chiamare una funzione esterna. Il modello non esegue la funzione — genera un oggetto JSON con il nome e i parametri. Sta al tuo codice eseguirla e restituire il risultato. In pratica: il LLM decide cosa fare, tu fai accadere le cose.
Perché è critico? Perché senza tool calling, un agente AI è solo un generatore di testi: può scrivere «Ho aggiornato il database» ma non lo fa. Con tool calling, invece, quell'aggiornamento è reale. Lo vediamo nei progetti dei nostri clienti: ordini che partono, ticket che si chiudono, report che si generano. Il fatturato si misura in azioni, non in parole.
Come Funziona il Tool Calling negli LLM Moderni?
Il flusso è semplice e potente:
- Definisci le funzioni disponibili (nome, descrizione, parametri in JSON Schema).
- Includi queste definizioni nella richiesta all'LLM.
- Il modello analizza il prompt e, se serve uno strumento, restituisce un oggetto
tool_calls. - Il tuo codice esegue la funzione e restituisce il risultato come nuovo messaggio.
- Il modello riceve il risultato e genera la risposta finale.
Funziona con OpenAI, Anthropic, Google Gemini e modelli open-source. L'importante è che la definizione sia chiara e i parametri precisi: un tool mal descritto produce chiamate sbagliate.
Esempio Pratico: Calcolatrice Integrata
Vediamo il codice che usa OpenAI API in Python. Assicurati di avere openai>=1.0 installato.
from openai import OpenAI
import json
client = OpenAI()
def calculate(operation, a, b):
"""Esegue un'operazione aritmetica."""
if operation == "add":
return a + b
elif operation == "multiply":
return a * b
else:
return "Operazione non supportata"
tools = [
{
"type": "function",
"function": {
"name": "calculate",
"description": "Esegue un'operazione aritmetica su due numeri",
"parameters": {
"type": "object",
"properties": {
"operation": {"type": "string", "enum": ["add", "multiply"]},
"a": {"type": "number"},
"b": {"type": "number"}
},
"required": ["operation", "a", "b"]
}
}
}
]
messages = [{"role": "user", "content": "Quanto fa 123 per 456?"}]
response = client.chat.completions.create(
model="gpt-4o-mini",
messages=messages,
tools=tools
)
if response.choices[0].message.tool_calls:
tool_call = response.choices[0].message.tool_calls[0]
args = json.loads(tool_call.function.arguments)
result = calculate(**args)
messages.append(response.choices[0].message)
messages.append({
"role": "tool",
"tool_call_id": tool_call.id,
"content": json.dumps({"result": result})
})
final_response = client.chat.completions.create(
model="gpt-4o-mini",
messages=messages
)
print(final_response.choices[0].message.content)
Provalo: l'LLM capisce che serve una moltiplicazione, chiama calculate e riceve il risultato. Puoi estendere questo schema a qualsiasi API.
Quali Strumenti Dare al Tuo LLM?
Non tutti gli strumenti sono utili. Scegli in base al contesto. Ecco i più comuni nei progetti che seguiamo:
- Ricerca interna (RAG): query su un DB vettoriale per documenti aziendali.
- API esterne: meteo, spedizioni, pagamenti.
- CRUD su database: creare un lead, aggiornare un ordine.
- Invio email o notifiche: conferme, alert.
- Calcoli custom: IVA, sconti, rate.
Attenzione alla sicurezza: non dare mai DELETE * FROM clienti a un LLM non verificato. Limitiamo i permessi e validiamo sempre l'output. Noi lo gestiamo con un layer di autorizzazione prima di eseguire la funzione.
Errori Comuni e Come Evitarli nella Chiamata a Strumenti
Abbiamo visto (e commesso) errori classici:
- Descrizioni vaghe: il modello chiama lo strumento sbagliato. Usa descrizioni dettagliate: «Esegue la moltiplicazione di due numeri a e b, restituisce il prodotto».
- Parametri mancanti: se un campo non è
required, il modello può saltarlo. Metti tutto ciò che serve come obbligatorio. - Gestione errori assente: se la funzione lancia eccezione, il loop si rompe. Restituisci un messaggio d'errore strutturato e lascia che il modello decida come gestirlo.
- Troppi strumenti: più di 10-15 strumenti confondono il modello. Raggruppa o usa routing gerarchico.
Un caso reale: un cliente aveva uno strumento per «inviare email» senza limiti di destinatario. L'LLM ha inviato 500 email a caso. Ora mettiamo un limite e una conferma umana.
Tool Calling vs RAG: Differenze e Quando Usarli Insieme?
RAG (Retrieval-Augmented Generation) e tool calling non sono in competizione. RAG porta conoscenza, tool calling porta azione. Un agente che risponde a domande sul catalogo usa RAG; un agente che aggiorna lo stock dopo un acquisto usa tool calling. In molti progetti li combiniamo: l'LLM cerca documenti (RAG) e poi esegue comandi (tool calling).
La vera scelta è: l'agente deve solo rispondere o anche agire? Se solo rispondere, RAG basta. Se deve agire, serve tool calling.
Cosa Fare Adesso
Ecco tre azioni immediate per iniziare con tool calling:
- Scrivi un tool semplice: una funzione che restituisce l'ora corrente o un dato fittizio. Integra con OpenAI API come nell'esempio sopra.
- Aggiungi uno strumento reale: connettiti a un'API di test (es. Open-Meteo per il meteo). Vedi se l'LLM chiama correttamente e usa il risultato.
- Verifica la sicurezza: imposta un whitelist di azioni permesse e un limite per chiamata. Non eseguire mai funzioni su input utente non filtrato.
Noi, di Meteora Web, usiamo tool calling quotidianamente per automatizzare flussi di lavoro: dalla gestione ordini all'invio di preventivi. Il prossimo passo? Agenti multi-tool che collaborano. Se vuoi approfondire, dai un'occhiata al nostro pillar sull'AI agentica.
Leggi anche come Morgan Stanley ha dimezzato i tempi di riconciliazione usando agenti AI con tool calling e come poche aziende monitorano davvero i propri modelli AI.
