8 nejlepších knihoven pro function calling u LLM – žebříček [2026]

Function calling mění LLM z chatbotů na software, který skutečně něco dělá – dotazuje se databází, odesílá e-maily, spouští nasazení. Problém? Existují desítky knihoven a každá řeší jinou část skládačky. Většinu z nich jsme použili v produkčních projektech, takže tady je náš žebříček s upřímnými názory.

Jste v samotné koncepci noví? Začněte naším kompletním průvodcem function callingem u LLM, kde najdete základy, než si vyberete nástroj.

Náš žebříček na první pohled

Tyto nástroje spadají do tří zřetelných kategorií – abstrakční knihovny, platformy nástrojů a nativní SDK – a výběr mezi kategoriemi je zásadně jiné rozhodnutí než výběr uvnitř jedné kategorie. Vysvětlíme silné a slabé stránky každého nástroje a přesně to, kdo by jej měl používat.

Pochopení tří kategorií

Než se dostaneme k žebříčku, krátce k tomu, co tyto nástroje vlastně dělají. Neřeší všechny stejný problém.

Abstrakční knihovny (Instructor, Mirascope, Magentic, LiteLLM, Vercel AI SDK) obalují API poskytovatelů typovou bezpečností, validací, opakováním pokusů a podporou více poskytovatelů. Zlepšují vývojářský zážitek z function callingu.

Platformy nástrojů (Composio, Toolhouse) volí zcela odlišný přístup. Místo aby vám pomáhaly nástroje definovat, nabízejí předpřipravené integrace nástrojů se spravovanou autentizací, sandboxingem a spouštěním. Pokud budujete AI agenty pro byznys, mohou vám ušetřit týdny integrační práce.

Nativní SDK (OpenAI, Anthropic, Google) vám dávají přímý přístup k API bez dalších závislostí, ale jste vázáni na formát daného dodavatele.

Volba mezi Instructorem a Mirascope je otázkou stylu. Volba mezi Instructorem a Composio je architektonické rozhodnutí. Mějte toto rozlišení na paměti, až budete číst žebříček.

č. 1: Instructor – nejlepší celkově pro vývojáře v Pythonu

Instructor je knihovna, po které na většině pythonových projektů saháme jako první, a s přibližně 10k hvězdičkami na GitHubu s námi komunita souhlasí.

Co je skvělé

Instructor, který vytvořil Jason Liu, upravuje klienty LLM tak, aby vracely modely Pydantic místo surového JSON. Definujte schéma výstupu jako třídu Pydantic a Instructor se automaticky postará o validaci, opakování pokusů u chybně naformátovaných výstupů a typovou konverzi. Právě tento mechanismus opakování je skutečnou killer funkcí – když model vrátí neplatný JSON (a to se stává častěji, než byste čekali), Instructor předá validační chybu zpět modelu a požádá ho, aby se opravil. Jen tohle ušetří hodiny ladění produkčních pipeline.

Podporuje více než 15 poskytovatelů včetně OpenAI, Anthropic, Gemini, Mistral a Cohere. Podpora více poskytovatelů znamená, že napíšete modely Pydantic jednou a můžete vyměnit podkladové LLM, aniž byste měnili kód schématu.

import instructor
from pydantic import BaseModel
from openai import OpenAI

class UserInfo(BaseModel):
    name: str
    age: int
    email: str

client = instructor.from_openai(OpenAI())

# Automatic validation + retries on failure
user = client.chat.completions.create(
    model="gpt-4o",
    response_model=UserInfo,
    messages=[{"role": "user", "content": "Extract: John is 30, [email protected]"}]
)
print(user.name)  # "John" -- typed, validated, guaranteed

Co skvělé není

Přístup Instructoru spočívající v úpravě klienta mění chování SDK za běhu. Pokud patříte k vývojářům, kteří rádi přesně vědí, co se děje pod kapotou, může to působit trochu magicky. Ladění někdy vyžaduje pochopení vrstvy Instructoru I podkladového SDK. Navíc je pouze pro Python, takže týmy v TypeScriptu musí hledat jinde.

Ceník

Zcela zdarma a open source. Žádný placený tier, žádné prémiové funkce schované za paywallem.

Kdo by jej měl používat

Jakýkoli vývojář v Pythonu, který potřebuje spolehlivé strukturované výstupy z LLM. Pokud extrahujete data, voláte funkce nebo budujete pipeline, kde záleží na formátu výstupu, Instructor by měl být vaše první zastávka.

Verdikt: Instructor si zaslouží č. 1, protože řeší nejčastější bolest – nespolehlivé výstupy LLM – s nejmenším třením. Smyčka opakování a validace je pro produkční použití opravdu zásadní.

č. 2: Vercel AI SDK – nejlepší pro vývojáře v TypeScriptu

Vercel AI SDK dominuje prostoru function callingu v TypeScriptu tak důkladně, že prakticky nemá konkurenci.

Co je skvělé

Pomocník tool() poskytuje čisté API pro definování nástrojů se schématy Zod a vícekrokové spouštění nástrojů automaticky zajišťuje smyčku, kde LLM zavolá nástroj a výsledek se vrátí zpět. Verze 6 přidala plnohodnotnou podporu agentů s maxSteps pro autonomní řetězce nástrojů a navíc integraci MCP pro připojení k externím serverům nástrojů.

Pokud stavíte na Next.js, React hooky pro streamování výsledků volání nástrojů do UI nemají obdoby. Žádná jiná knihovna nenabízí takovou úroveň integrace s frontendem – uživatelům můžete zobrazit stav spouštění nástrojů v reálném čase, dílčí výsledky a streamovaná strukturovaná data pomocí několika hooků.

import { generateText, tool } from 'ai';
import { openai } from '@ai-sdk/openai';
import { z } from 'zod';

const result = await generateText({
  model: openai('gpt-4o'),
  tools: {
    weather: tool({
      description: 'Get weather for a city',
      parameters: z.object({ city: z.string() }),
      execute: async ({ city }) => {
        // Your actual API call here
        return { temp: 22, condition: 'sunny' };
      },
    }),
  },
  maxSteps: 5, // Agent mode: auto-feeds tool results back
  prompt: 'What is the weather in Berlin?',
});

Podporuje více než 20 poskytovatelů skrze komunitní adaptéry a je zcela zdarma a open source.

Co skvělé není

Je pouze pro TypeScript. Pokud máte backend v Pythonu, tohle není volba pro vás. Komunitní adaptéry pro méně rozšířené poskytovatele mohou zaostávat za oficiálními vydáními, takže u méně populárních LLM můžete narazit na okrajové případy. Také příběh kolem observability je slabší než u Mirascope – budete si muset napojit vlastní trasování.

Ceník

Zdarma a open source. Vercel si za SDK neúčtuje žádné poplatky – vydělává na své hostingové platformě.

Kdo by jej měl používat

Jakýkoli vývojář v TypeScriptu nebo Next.js, který buduje AI funkce. Pokud se pohybujete v ekosystému Node.js, ani neuvažujte o alternativách – začněte tady.

Verdikt: Vercel AI SDK získává č. 2, protože je nepopiratelným šampionem TypeScriptu. React hooky a integrace streamování jej odlišují od všeho ostatního v ekosystému JS.

č. 3: LiteLLM – nejlepší pro týmy s více poskytovateli

LiteLLM řeší jiný problém než výše uvedené knihovny. Místo aby zlepšoval DX function callingu, normalizuje více než 100 poskytovatelů LLM za jedním rozhraním kompatibilním s OpenAI. Napíšete kód pro function calling jednou a poskytovatele vyměníte změnou řetězce.

Co je skvělé

Skutečná síla se projeví u týmových nasazení. Proxy režim LiteLLM přidává sledování nákladů na každý API klíč, vyvažování zátěže mezi poskytovateli, omezování rychlosti a záložní směrování. Pokud je poskytovatel A mimo provoz nebo omezený, vaše volání nástrojů se automaticky přesměrují na poskytovatele B. Pro organizace provozující více poskytovatelů LLM – což je stále častěji norma – je to základní infrastruktura.

Krása je v tom, že se LiteLLM dokonale doplňuje s dalšími nástroji v tomto seznamu. Spusťte LiteLLM jako vrstvu poskytovatelů a navrch použijte Instructor pro validovaný function calling. Získáte to nejlepší z obou světů: flexibilitu poskytovatelů ve spodní vrstvě a typově bezpečné výstupy navrch.

from litellm import completion

# Same code, different providers -- just change the model string
response = completion(
    model="gpt-4o",  # or "claude-3-5-sonnet", "gemini/gemini-pro", etc.
    messages=[{"role": "user", "content": "What's the weather?"}],
    tools=[{
        "type": "function",
        "function": {
            "name": "get_weather",
            "parameters": {
                "type": "object",
                "properties": {"city": {"type": "string"}}
            }
        }
    }]
)

Co skvělé není

LiteLLM samotné nepřidává k function callingu validaci, opakování pokusů ani typovou bezpečnost. Je to směrovací a normalizační vrstva, ne vrstva vývojářského zážitku. Téměř jistě budete chtít navrch něco jako Instructor. Nastavení proxy má také svou křivku učení – konfigurace záloh, rozpočtů a směrovacích pravidel zabere čas.

Ceník

Bezplatné open source jádro. Podniková úroveň přidává přehledy správy výdajů, SSO a pokročilé analýzy. Ceník není veřejně uvedený – budete muset kontaktovat jejich obchodní tým.

Kdo by jej měl používat

Týmy provozující více poskytovatelů LLM, které potřebují přehled o nákladech, záložní směrování a jednotné API rozhraní. Obzvlášť cenné v kombinaci s Instructorem nebo Mirascope pro samotnou logiku function callingu.

Verdikt: LiteLLM bere č. 3, protože flexibilita poskytovatelů se pro seriózní týmy stává nezbytností. Je to infrastrukturní vrstva, díky které vše ostatní funguje napříč poskytovateli.

č. 4: Composio – nejlepší předpřipravená platforma nástrojů

Composio volí zásadně odlišný přístup než vše, co je v žebříčku výše. Místo aby vám pomáhalo poskládat mechaniku function callingu, dává vám skutečné nástroje – předpřipravené, autentizované a připravené ke spuštění.

Co je skvělé

Více než 250 předpřipravených integrací nástrojů pokrývajících vše od GitHubu a Slacku po Salesforce a databáze. Killer funkcí je spravovaný OAuth – váš agent se může autentizovat u služeb třetích stran, aniž byste museli od nuly budovat tok tokenů. Každý, kdo strávil týden implementací OAuth pro pět různých API, pochopí, proč na tom záleží.

Composio podporuje servery MCP (Model Context Protocol), takže je kompatibilní s rostoucím ekosystémem MCP. Je už od návrhu zaměřené na agenty a má vestavěný sandboxing spouštění, takže váš AI agent nemůže omylem smazat produkční databázi.

from composio_openai import ComposioToolSet, Action

toolset = ComposioToolSet()

# Get pre-built, authenticated GitHub tools -- no OAuth code needed
tools = toolset.get_tools(actions=[Action.GITHUB_CREATE_ISSUE])

# Pass directly to your LLM
response = openai_client.chat.completions.create(
    model="gpt-4o",
    tools=tools,
    messages=[{"role": "user", "content": "Create a bug report for the login issue"}]
)

Co skvělé není

Pokud potřebujete jen dvě nebo tři integrace nástrojů, režie Composio za to nestojí. Kolem jejich objevování nástrojů, správy autentizace a modelu spouštění existuje křivka učení. SDK je také těžší než jednoduché pip install instructor. Pro jednoduché případy použití strukturovaných výstupů je Composio kanón na vrabce.

Ceník

K dispozici je bezplatná úroveň s omezeným spouštěním. Placené plány pro vyšší využití, týmové funkce a podnikové integrace. Ceny se často mění – aktuální sazby najdete na jejich webu.

Kdo by jej měl používat

Týmy budující agenty, kteří potřebují komunikovat s mnoha službami třetích stran. Pokud se váš agent dotýká GitHubu, Slacku, Jiry, Google Workspace, CRM a databází, napsat všechny tyto konektory sami by trvalo měsíce. Composio to zvládne za hodiny.

Verdikt: Composio si zaslouží č. 4, protože řeší opravdu těžký problém – integraci více služeb – který žádné množství Instructoru ani LiteLLM nevyřeší. Patří do jiné kategorie než abstrakční knihovny a v té kategorii je nejlepší.

č. 5: Mirascope – nejlepší pro produkční observabilitu

Mirascope se nazývá „anti-frameworkem" a ta filozofie je znát. Místo aby vše obalovalo abstrakcemi, používá pythonové dekorátory, díky nimž váš kód vypadá jako běžný Python.

Co je skvělé

Co Mirascope odlišuje, je úhel observability. Trasování OpenTelemetry pro každé volání LLM a spuštění nástroje je vestavěné, ne přidané jako dodatečný nápad. Pro týmy provozující function calling v produkci má tato viditelnost do latence, využití tokenů a míry selhání napříč řetězci nástrojů cenu zlata.

API založené na dekorátorech (@llm.call) působí na vývojáře v Pythonu přirozeně. Získáte typově bezpečné definice nástrojů, automatické generování schémat a logiku opakování podobnou Instructoru – to vše bez toho, abyste si osvojovali názorový framework. Váš kód stále vypadá a působí jako Python, ne jako DSL.

from mirascope.core import openai

@openai.call("gpt-4o")
def get_weather(city: str) -> str:
    return f"What's the weather in {city}?"

# Built-in OTel tracing, type safety, automatic schema generation
response = get_weather("Berlin")

Co skvělé není

Menší komunita než Instructor (méně hvězdiček na GitHubu, méně odpovědí na Stack Overflow). Když narazíte na okrajový případ, spíš budete číst zdrojový kód, než abyste našli příspěvek na blogu s řešením. Podpora poskytovatelů na úrovni 10+ je dobrá, ale zaostává za 15+ u Instructoru.

Ceník

Zdarma a open source. Žádná placená úroveň.

Kdo by jej měl používat

Vývojáři v Pythonu, kterým záleží na produkční observabilitě a chtějí trasování OTel bez toho, aby museli připojovat samostatný monitorovací nástroj. Obzvlášť dobré pro týmy, které už mají nastavený Grafana/Jaeger/Datadog a chtějí, aby se volání LLM zobrazovala na stejných dashboardech.

Verdikt: Mirascope získává č. 5, protože vestavěná observabilita je pro produkční zátěže skutečným rozlišujícím znakem. Pokud už jste investovali do OTel, Mirascope sedne jako ulité.

č. 6: Magentic – nejelegantnější návrh API

Magentic volí nejminimalističtější přístup z celého tohoto seznamu. Pokud si nade vše ceníte čistého, čitelného kódu, zamilujete si ho.

Co je skvělé

Dekorátor @prompt vám umožňuje definovat toky function callingu, které se čtou jako obyčejné signatury pythonových funkcí. Streamování strukturovaných výstupů funguje hned od začátku. Plocha API je záměrně maličká – není tu téměř co se učit. Pro vývojáře, kterým připadá úprava klienta u Instructoru nebo systém dekorátorů u Mirascope předimenzovaný, je Magentic závanem čerstvého vzduchu.

from magentic import prompt

@prompt("Extract the user's name and age from: {text}")
def extract_user(text: str) -> UserInfo:
    ...  # Magentic handles everything

user = extract_user("John is 30 years old")

Co skvělé není

Méně poskytovatelů (kolem 5) než Instructor nebo Mirascope. Žádná vestavěná logika opakování ani validace – pokud model vrátí nesmysl, zvládnete si to sami. Žádné funkce observability. Magentic dělá jednu věc dobře, ale dělá jen jednu věc.

Ceník

Zdarma a open source.

Kdo by jej měl používat

Vývojáři, kteří chtějí nejvíce pythonní, minimální API pro function calling a strukturované výstupy. Skvělé pro osobní projekty, prototypy a týmy, které si cení čitelnosti kódu víc než úplnosti funkcí.

Verdikt: Magentic se umisťuje na č. 6, protože elegance je úžasná, ale chybějící opakování pokusů a omezená podpora poskytovatelů ho brzdí pro produkční použití.

č. 7: Toolhouse – nejrychlejší nastavení pro nástroje agentů

Toolhouse se prezentuje jako Backend-as-a-Service pro nástroje AI agentů. Slib je jednoduchost: přidejte spouštění nástrojů do svého agenta ve třech řádcích kódu.

Co je skvělé

Toolhouse se stará o definice funkcí, spouštěcí prostředí a formátování výsledků. Tření při nastavování je tu opravdu nejmenší z celého seznamu. Pokud chcete funkčního agenta se spouštěním nástrojů do pěti minut, Toolhouse to splní. Podporuje servery MCP a nabízí spravovaný sandboxing spouštění.

Co skvělé není

Katalog nástrojů je menší než u Composio (100+ vs 250+). Podnikové funkce jsou omezenější. Přístup „spravujeme vše" znamená méně kontroly – pokud potřebujete vlastní chování nástrojů nebo složitou orchestraci, narazíte na stěny platformy rychleji než u Composio.

Ceník

Bezplatná úroveň s limity využití. Placené plány pro vyšší objem a další funkce.

Kdo by jej měl používat

Vývojáři, kteří chtějí nejrychlejší cestu k funkčnímu agentovi se spouštěním nástrojů a nepotřebují integrace v podnikovém měřítku. Skvělé pro hackathony, prototypy a MVP.

Verdikt: Toolhouse získává č. 7, protože rychlost k funkčnímu demu je jeho superschopnost, ale menší katalog a nižší flexibilita ho omezují pro produkční použití.

č. 8: Nativní SDK poskytovatelů – maximální kontrola, nulové abstrakce

Pokud jste se upsali jednomu poskytovateli LLM a chcete nulové další závislosti, nativní SDK jsou volbou na holém kovu.

Co je skvělé

OpenAI má nejvyspělejší podporu function callingu. Responses API zvládá paralelní volání funkcí a novější Agents SDK přidává vícekrokovou orchestraci nástrojů. Většina knihoven třetích stran používá formát OpenAI jako svůj základ.

Anthropic se svým SDK Claude používá API pro používání nástrojů s vysokou přesností, která je konkurenceschopná GPT-4o. Dobře se integruje s rozšířeným uvažováním Claudu pro složité vícekrokové řetězce.

Google Gemini SDK podporuje automatické spouštění funkcí – model může volat vaše nástroje a vracet výsledky zpět bez ruční správy smyčky.

Co skvělé není

Jste vázáni na jednoho poskytovatele. Žádné opakování pokusů u chybných výstupů. Žádná typová bezpečnost nad rámec toho, co si postavíte sami. Žádná observabilita. Žádná podpora více poskytovatelů. Každou pohodlnou funkci, kterou knihovny jako Instructor poskytují, byste museli postavit od nuly.

Ceník

Zdarma (platíte pouze za využití API u poskytovatele).

Kdo by jej měl používat

Projekty, které se plně upsaly jednomu poskytovateli, potřebují maximální kontrolu nad interakcí s API a mají inženýrské zdroje na to, aby si postavily vlastní validaci a zpracování chyb.

Verdikt: Nativní SDK se umisťují na č. 8 ne proto, že by byla špatná – jsou základem, na kterém je postaveno vše ostatní – ale proto, že abstrakční knihovny přidávají tolik hodnoty za tak malou cenu.

Proč Techsy volí Instructor jako č. 1

Na klientských projektech jsme s většinou těchto nástrojů budovali pipeline pro function calling. Tady je důvod, proč u našeho týmu Instructor konzistentně vychází jako nejlepší:

1. Spolehlivost v produkci – smyčka opakování a validace zachytí chybně naformátované výstupy, které by pipeline shodily. Viděli jsme ji zotavit se ze špatného JSON 3–4krát na 100 volání u některých modelů.
2. Integrace Pydantic – většina pythonových projektů už Pydantic používá pro validaci dat. Instructor zajistí, že výstupy vašeho LLM zapadnou do stejného typového systému, který používá celá vaše codebase.
3. Nízké náklady na přechod – pokud se rozhodnete přejít z GPT-4o na Claude, změníte jeden řádek. Vaše modely Pydantic zůstanou stejné.
4. Komponovatelnost – často spouštíme Instructor navrch LiteLLM. Tyto dva nástroje se dokonale doplňují – LiteLLM se stará o směrování, Instructor o validaci.

To řečeno, pokud jste v TypeScriptu, Vercel AI SDK je jasná volba. A pokud potřebujete desítky integrací třetích stran, žádné množství Instructoru nenahradí to, co vám dá Composio. Ten správný nástroj závisí na tom, jakou vrstvu zásobníku řešíte.

Matice srovnání funkcí

Kterou knihovnu pro function calling byste si měli vybrat?

Stále si nejste jisti? Projděte si tento rozhodovací rámec.

Většina reálných projektů kombinuje vrstvy. Běžný zásobník, který používáme: LiteLLM pro směrování poskytovatelů, navrch Instructor pro validovaný function calling a Composio, když agenti potřebují integrace třetích stran. Začněte tím, co řeší váš nejpalčivější problém, a pak vrstvěte podle potřeby.

Potřebujete něco na míru?

Pokud budujete AI produkt, který silně spoléhá na function calling – extrakci dat z dokumentů, orchestraci vícekrokových workflow nebo připojení agentů k vašim interním nástrojům – dělali jsme to napříč mnoha klientskými projekty. Náš přístup začíná pochopením vašeho toku dat a požadavků na poskytovatele, než doporučíme zásobník.

Podívejte se na naše služby AI integrací. Získejte bezplatnou konzultaci k vaší AI architektuře

FAQ

Jaká je nejlepší knihovna pro function calling u LLM v roce 2026?

Instructor je naše nejlepší volba pro vývojáře v Pythonu, kteří potřebují spolehlivé strukturované výstupy. Pro TypeScript je jasným vítězem Vercel AI SDK. LiteLLM je nejlepší pro směrování mezi více poskytovateli a Composio vítězí, když potřebujete předpřipravené integrace nástrojů.

Měl bych pro function calling použít nativní SDK, nebo knihovnu?

Nativní SDK použijte, jen pokud jste vázáni na jednoho poskytovatele a chcete absolutní kontrolu. V okamžiku, kdy potřebujete opakování pokusů u chybných výstupů, podporu více poskytovatelů nebo typově bezpečná schémata, se knihovna jako Instructor nebo Mirascope zaplatí už v prvním týdnu.

Jaký je rozdíl mezi function callingem a tool callingem?

Je to stejný koncept s různými názvy. OpenAI to původně nazvalo „function calling", Anthropic používá „tool use" a průmysl se shoduje na „tool calling". Mechanika je totožná: LLM vypíše strukturovaný požadavek, váš kód jej spustí a výsledek se vrátí zpět do modelu.

Je LangChain v roce 2026 stále dobrý pro function calling?

Mnoho vývojářů přešlo k lehčím alternativám. LangChain funguje, ale jeho hluboké abstrakční vrstvy přidávají složitost, která je kanón na vrabce, pokud je function calling vaší hlavní potřebou. Instructor, Mirascope a LiteLLM řeší stejný problém s výrazně menší režií a lepším laděním.

Jaký je rozdíl mezi Composio a Toolhouse?

Obě jsou platformy nástrojů, ale optimalizují pro různá měřítka. Composio nabízí 250+ integrací se spravovaným OAuth a podnikovými funkcemi – ideální pro produkční agenty, kteří se dotýkají mnoha služeb. Toolhouse se zaměřuje na jednoduchost s nastavením na 3 řádky, takže je lepší pro prototypování a menší projekty.

Která knihovna pro function calling podporuje nejvíce poskytovatelů LLM?

LiteLLM vede se 100+ poskytovateli skrze svou proxy kompatibilní s OpenAI. Vercel AI SDK podporuje 20+ skrze komunitní adaptéry. Instructor pokrývá 15+ a Mirascope zvládá 10+.

Mohu použít Instructor s Anthropic Claude?

Ano. Instructor podporuje Claude skrze úpravu klienta, spolu s více než 14 dalšími poskytovateli včetně Gemini, Mistral, Cohere a lokálních modelů přes Ollamu. Logika opakování a validace funguje stejně u všech podporovaných poskytovatelů.

Co je MCP a jak souvisí s function callingem?

MCP (Model Context Protocol) je otevřený standard Anthropicu pro připojení LLM k externím nástrojům a zdrojům dat. Standardizuje, jak se nástroje objevují a spouštějí. Composio, Toolhouse i Vercel AI SDK podporují servery MCP. Pro úplný obrázek si přečtěte našeho kompletního průvodce MCP.

Mohu kombinovat více knihoven pro function calling?

Rozhodně ano a měli byste. Nejběžnější produkční zásobník je LiteLLM pro směrování poskytovatelů plus Instructor pro validované výstupy. Pokud potřebujete integrace třetích stran, přidejte navrch Composio. Tyto nástroje řeší různé vrstvy problému, takže se přirozeně doplňují.

Potřebuji function calling pro jednoduché chatboty?

Ne. Function calling přidává složitost, která se vyplatí, jen když vaše LLM potřebuje podnikat akce nebo vracet strukturovaná data. Pokud budujete Q&A chatbota, který jen odpovídá textem, stačí vám chat completion nativního SDK. Function calling si schovejte na chvíli, kdy model potřebuje komunikovat s externími systémy.

Zdroje

• Dokumentace Instructor
• Dokumentace Mirascope
• Dokumentace LiteLLM
• Dokumentace Composio
• Dokumentace Toolhouse
• Vercel AI SDK – nástroje a volání nástrojů
• Dokumentace Magentic
• Paul Simmering – nejlepší knihovna pro strukturovaný výstup LLM