Le 8 migliori librerie di function calling per LLM, classificate [2026]

Il function calling trasforma i LLM da semplici chatbot in software che fa davvero qualcosa: interroga database, invia email, avvia deployment. Il problema? Esistono decine di librerie, ognuna delle quali risolve solo una parte del puzzle. Ne abbiamo usate la maggior parte in progetti in produzione, ecco quindi la nostra lista classificata con opinioni oneste.

Sei nuovo al concetto? Inizia con la nostra guida completa al function calling per LLM per le basi prima di scegliere uno strumento.

Le nostre classifiche in sintesi

Questi strumenti rientrano in tre categorie distinte: librerie di astrazione, piattaforme di strumenti e SDK nativi. Scegliere tra categorie è una decisione fondamentalmente diversa rispetto a scegliere all'interno di una categoria. Spiegheremo i punti di forza, i punti deboli e il profilo ideale di ogni strumento.

Capire le tre categorie

Prima di arrivare alle classifiche, una breve nota su cosa fanno realmente questi strumenti. Non risolvono tutti lo stesso problema.

Le librerie di astrazione (Instructor, Mirascope, Magentic, LiteLLM, Vercel AI SDK) avvolgono le API dei provider con sicurezza dei tipi, validazione, tentativi ripetuti e supporto multi-provider. Migliorano l'esperienza dello sviluppatore nel function calling.

Le piattaforme di strumenti (Composio, Toolhouse) adottano un approccio completamente diverso. Invece di aiutarti a definire strumenti, forniscono integrazioni di strumenti pronte all'uso con autenticazione gestita, sandboxing ed esecuzione. Se stai costruendo agenti IA per le aziende, possono farti risparmiare settimane di lavoro di integrazione.

Gli SDK nativi (OpenAI, Anthropic, Google) ti danno accesso diretto all'API senza dipendenze aggiuntive, ma ti legano al formato di quel provider.

Scegliere Instructor rispetto a Mirascope è una preferenza di stile. Scegliere Instructor rispetto a Composio è una decisione architettuale. Tieni presente questa distinzione mentre leggi le classifiche.

no. 1: Instructor – Il migliore in assoluto per gli sviluppatori Python

Instructor è la libreria a cui ci rivolgiamo per prima nella maggior parte dei progetti Python, e con circa 10.000 stelle su GitHub, la community è d'accordo.

Cosa funziona bene

Creata da Jason Liu, Instructor patcha i client LLM per restituire modelli Pydantic anziché JSON grezzo. Definisci il tuo schema di output come classe Pydantic e Instructor gestisce automaticamente la validazione, i tentativi ripetuti in caso di output malformati e la coercizione dei tipi. Quel meccanismo di retry è la vera funzionalità killer: quando un modello restituisce JSON non valido (e succede più spesso di quanto ci si aspetti), Instructor rimanda l'errore di validazione al modello chiedendogli di correggersi. Questo da solo risparmia ore di debugging nelle pipeline di produzione.

Supporta 15+ provider tra cui OpenAI, Anthropic, Gemini, Mistral e Cohere. Il supporto multi-provider significa che scrivi i tuoi modelli Pydantic una volta e cambi il LLM sottostante senza toccare il codice dello schema.

import instructor
from pydantic import BaseModel
from openai import OpenAI

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

client = instructor.from_openai(OpenAI())

# Validazione automatica + tentativi ripetuti in caso di errore
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" -- tipizzato, validato, garantito

Cosa non funziona bene

L'approccio di patching dei client di Instructor modifica il comportamento dell'SDK a runtime. Se sei il tipo di sviluppatore che ama sapere esattamente cosa sta succedendo sotto il cofano, questo può sembrare un po' magico. Il debugging a volte richiede di capire sia lo strato di Instructor che l'SDK sottostante. È anche solo Python, il che significa che i team TypeScript devono cercare altrove.

Prezzi

Completamente gratuito e open source. Nessun livello a pagamento, nessuna funzionalità premium bloccata dietro un paywall.

Per chi

Qualsiasi sviluppatore Python che ha bisogno di output strutturati affidabili dai LLM. Se stai estraendo dati, chiamando funzioni o costruendo pipeline in cui il formato di output è importante, Instructor dovrebbe essere la tua prima tappa.

Verdetto: Instructor merita il no. 1 perché risolve il problema più comune — output LLM inaffidabili — con la minima frizione. Il loop retry-validazione è genuinamente rivoluzionario per la produzione.

no. 2: Vercel AI SDK – Il migliore per gli sviluppatori TypeScript

Il Vercel AI SDK domina lo spazio TypeScript del function calling così completamente da avere quasi nessuna concorrenza.

Cosa funziona bene

L'helper tool() fornisce un'API pulita per definire strumenti con schemi Zod, e l'esecuzione di strumenti a più passi gestisce automaticamente il loop LLM-chiama-strumento-restituisce-risultato. La versione 6 ha aggiunto il vero supporto agente con maxSteps per catene di strumenti autonome, più l'integrazione MCP per connettersi a server di strumenti esterni.

Se stai costruendo con Next.js, gli hook React per fare streaming dei risultati delle chiamate agli strumenti verso l'interfaccia utente sono ineguagliabili. Nessun'altra libreria offre questo livello di integrazione frontend: puoi mostrare agli utenti lo stato di esecuzione degli strumenti in tempo reale, risultati parziali e dati strutturati in streaming con pochi hook.

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?',
});

Supporta 20+ provider tramite adapter della community, ed è completamente gratuito e open source.

Cosa non funziona bene

È solo TypeScript. Se il tuo backend è Python, questa non è un'opzione. Gli adapter della community per provider non principali possono essere in ritardo rispetto alle versioni ufficiali, quindi potresti incontrare casi limite con LLM meno popolari. Inoltre, la storia dell'osservabilità è più debole di quella di Mirascope: dovrai configurare il tuo tracing.

Prezzi

Gratuito e open source. Vercel non fa pagare l'SDK: guadagna dalla piattaforma di hosting.

Per chi

Qualsiasi sviluppatore TypeScript o Next.js che costruisce funzionalità AI. Se sei nell'ecosistema Node.js, non considerare nemmeno alternative: inizia qui.

Verdetto: Il Vercel AI SDK ottiene il no. 2 perché è il campione TypeScript indiscusso. Gli hook React e l'integrazione streaming lo distinguono da tutto il resto nell'ecosistema JS.

no. 3: LiteLLM – Il migliore per i team multi-provider

LiteLLM risolve un problema diverso rispetto alle librerie sopra. Invece di migliorare l'esperienza di sviluppo del function calling, normalizza 100+ provider LLM dietro un'unica interfaccia compatibile OpenAI. Scrivi il tuo codice di function calling una volta, cambia provider modificando una stringa.

Cosa funziona bene

La vera potenza si manifesta nei deployment di team. La modalità proxy di LiteLLM aggiunge il tracciamento dei costi per chiave API, il bilanciamento del carico tra provider, la limitazione della frequenza e il routing di fallback. Se il provider A è down o limitato, le tue chiamate agli strumenti vengono indirizzate automaticamente al provider B. Per le organizzazioni che gestiscono più provider LLM — il che sta diventando sempre più la norma — questa è un'infrastruttura indispensabile.

La cosa bella è che LiteLLM si abbina perfettamente con altri strumenti in questa lista. Esegui LiteLLM come livello provider, poi usa Instructor sopra per il function calling validato. Ottieni il meglio di entrambi i mondi: flessibilità di provider sotto, output type-safe sopra.

from litellm import completion

# Stesso codice, provider diversi -- basta cambiare la stringa del modello
response = completion(
    model="gpt-4o",  # o "claude-3-5-sonnet", "gemini/gemini-pro", ecc.
    messages=[{"role": "user", "content": "What's the weather?"}],
    tools=[{
        "type": "function",
        "function": {
            "name": "get_weather",
            "parameters": {
                "type": "object",
                "properties": {"city": {"type": "string"}}
            }
        }
    }]
)

Cosa non funziona bene

LiteLLM stesso non aggiunge validazione, tentativi ripetuti o sicurezza dei tipi al function calling. È un livello di routing e normalizzazione, non un livello di esperienza dello sviluppatore. Vorrai quasi certamente qualcosa come Instructor sopra. La configurazione del proxy ha anche una curva di apprendimento: configurare fallback, budget e regole di routing richiede tempo.

Prezzi

Nucleo open source gratuito. Il livello enterprise aggiunge dashboard di gestione della spesa, SSO e analitiche avanzate. I prezzi non sono elencati pubblicamente: dovrai parlare con il team di vendita.

Per chi

Team che gestiscono più provider LLM e hanno bisogno di visibilità sui costi, routing di failover e un'unica interfaccia API. Particolarmente utile combinato con Instructor o Mirascope per la logica effettiva del function calling.

Verdetto: LiteLLM prende il no. 3 perché la flessibilità di provider sta diventando imprescindibile per i team seri. È il livello di infrastruttura che fa funzionare tutto il resto tra i provider.

no. 4: Composio – La migliore piattaforma di strumenti pronti all'uso

Composio adotta un approccio fondamentalmente diverso da tutto ciò che è classificato sopra. Invece di aiutarti a configurare l'idraulica del function calling, ti dà gli strumenti veri: pronti all'uso, autenticati e pronti per l'esecuzione.

Cosa funziona bene

Oltre 250 integrazioni di strumenti pronti all'uso che coprono tutto, da GitHub e Slack a Salesforce e database. La funzionalità killer è l'OAuth gestito: il tuo agente può autenticarsi con servizi di terze parti senza che tu debba costruire flussi di token da zero. Chiunque abbia passato una settimana a implementare OAuth per cinque API diverse capirà perché questo è importante.

Composio supporta i server MCP (Model Context Protocol), rendendolo compatibile con il crescente ecosistema MCP. È progettato per gli agenti fin dall'inizio, con sandboxing di esecuzione integrato così il tuo agente AI non può eliminare accidentalmente il tuo database di produzione.

from composio_openai import ComposioToolSet, Action

toolset = ComposioToolSet()

# Strumenti GitHub pronti all'uso e autenticati -- nessun codice OAuth necessario
tools = toolset.get_tools(actions=[Action.GITHUB_CREATE_ISSUE])

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

Cosa non funziona bene

Se hai bisogno solo di due o tre integrazioni di strumenti, l'overhead di Composio non vale la pena. C'è una curva di apprendimento attorno alla scoperta degli strumenti, alla gestione dell'autenticazione e al modello di esecuzione. L'SDK è anche più pesante di un semplice pip install instructor. Per semplici casi d'uso di output strutturati, Composio è eccessivo.

Prezzi

Livello gratuito disponibile con esecuzione limitata. Piani a pagamento per uso più elevato, funzionalità di team e integrazioni enterprise. I prezzi cambiano frequentemente: controlla il loro sito per le tariffe attuali.

Per chi

Team che costruiscono agenti che devono interagire con molti servizi di terze parti. Se il tuo agente tocca GitHub, Slack, Jira, Google Workspace, CRM e database, scrivere tutti quei connettori da soli richiederebbe mesi. Composio lo fa in ore.

Verdetto: Composio merita il no. 4 perché risolve un problema genuinamente difficile — l'integrazione multi-servizio — che nessuna quantità di Instructor o LiteLLM può risolvere. È in una categoria diversa dalle librerie di astrazione, ed è il migliore in quella categoria.

no. 5: Mirascope – Il migliore per l'osservabilità in produzione

Mirascope si descrive come un "anti-framework", e la filosofia si vede. Invece di avvolgere tutto in astrazioni, usa decoratori Python che fanno sembrare il tuo codice Python normale.

Cosa funziona bene

Ciò che distingue Mirascope è l'angolo dell'osservabilità. Le trace OpenTelemetry per ogni chiamata LLM ed esecuzione di strumenti sono integrate, non aggiunte come ripensamento. Per i team che eseguono function calling in produzione, quella visibilità su latenza, utilizzo di token e tassi di errore attraverso le catene di strumenti vale il suo peso in oro.

L'API basata su decoratori (@llm.call) si sente naturale per gli sviluppatori Python. Ottieni definizioni di strumenti type-safe, generazione automatica dello schema e logica di retry simile a Instructor, tutto senza adottare un framework opinionato. Il tuo codice sembra ancora e si sente come Python, non come un DSL.

from mirascope.core import openai

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

# Tracing OTel integrato, sicurezza dei tipi, generazione automatica dello schema
response = get_weather("Berlin")

Cosa non funziona bene

Community più piccola di Instructor (meno stelle GitHub, meno risposte su Stack Overflow). Quando incontri un caso limite, è più probabile che tu legga il codice sorgente piuttosto che trovare un articolo di blog con la soluzione. Il supporto provider a 10+ è buono ma è in ritardo rispetto ai 15+ di Instructor.

Prezzi

Gratuito e open source. Nessun livello a pagamento.

Per chi

Sviluppatori Python che si preoccupano dell'osservabilità in produzione e vogliono trace OTel senza aggiungere un tool di monitoraggio separato. Particolarmente buono per i team che hanno già una configurazione Grafana/Jaeger/Datadog e vogliono che le chiamate LLM appaiano nelle stesse dashboard.

Verdetto: Mirascope ottiene il no. 5 perché l'osservabilità integrata è un vero differenziatore per i carichi di lavoro in produzione. Se sei già investito in OTel, Mirascope si adatta perfettamente.

no. 6: Magentic – Il design API più elegante

Magentic adotta l'approccio più minimalista di tutta questa lista. Se valuti il codice pulito e leggibile sopra ogni altra cosa, ti innamorerai di questa libreria.

Cosa funziona bene

Il decoratore @prompt ti permette di definire flussi di function calling che si leggono come normali firme di funzioni Python. Gli output strutturati in streaming funzionano subito fuori dalla scatola. La superficie API è intenzionalmente piccola: non c'è quasi nulla da imparare. Per gli sviluppatori che trovano il patching dei client di Instructor o il sistema di decoratori di Mirascope eccessivamente ingegnerizzato, Magentic è una boccata d'aria fresca.

from magentic import prompt

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

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

Cosa non funziona bene

Meno provider (circa 5) rispetto a Instructor o Mirascope. Nessuna logica di retry o validazione integrata: se il modello restituisce spazzatura, la gestisci tu. Nessuna funzionalità di osservabilità. Magentic fa una cosa bene, ma fa solo una cosa.

Prezzi

Gratuito e open source.

Per chi

Sviluppatori che vogliono l'API più Pytonica e minimale per il function calling e gli output strutturati. Ottimo per progetti personali, prototipi e team che valorizzano la leggibilità del codice rispetto alla completezza delle funzionalità.

Verdetto: Magentic arriva al no. 6 perché l'eleganza è meravigliosa, ma la mancanza di retry e il supporto limitato dei provider la frenano per l'uso in produzione.

no. 7: Toolhouse – La configurazione più rapida per gli strumenti agente

Toolhouse si posiziona come un Backend-as-a-Service per gli strumenti degli agenti AI. L'argomento è la semplicità: aggiungi l'esecuzione di strumenti al tuo agente in tre righe di codice.

Cosa funziona bene

Toolhouse gestisce le definizioni delle funzioni, l'ambiente di esecuzione e la formattazione dei risultati. La frizione di configurazione è genuinamente la più bassa in questa lista. Se vuoi un agente funzionante con esecuzione di strumenti in meno di cinque minuti, Toolhouse lo consegna. Supporta i server MCP e offre sandboxing di esecuzione gestito.

Cosa non funziona bene

Il catalogo degli strumenti è più piccolo di quello di Composio (100+ vs 250+). Le funzionalità enterprise sono più limitate. L'approccio "tutto gestito" significa meno controllo: se hai bisogno di comportamento personalizzato degli strumenti o di orchestrazione complessa, raggiungerai i limiti della piattaforma prima rispetto a Composio.

Prezzi

Livello gratuito con limiti di utilizzo. Piani a pagamento per volumi più elevati e funzionalità aggiuntive.

Per chi

Sviluppatori che vogliono il percorso più rapido verso un agente funzionante con esecuzione di strumenti, senza bisogno di integrazioni su scala enterprise. Ottimo per hackathon, prototipi e MVP.

Verdetto: Toolhouse ottiene il no. 7 perché la velocità di arrivare a una demo funzionante è il suo superpotere, ma il catalogo più piccolo e meno flessibilità lo limitano per la produzione.

no. 8: SDK nativi dei provider – Controllo massimo, zero astrazioni

Se sei impegnato con un singolo provider LLM e vuoi zero dipendenze aggiuntive, gli SDK nativi sono la scelta bare-metal.

Cosa funziona bene

OpenAI ha il supporto di function calling più maturo. Le Responses API gestisce chiamate di funzioni parallele, e il più recente Agents SDK aggiunge l'orchestrazione di strumenti a più passi. La maggior parte delle librerie di terze parti usa il formato di OpenAI come punto di riferimento.

L'SDK Claude di Anthropic usa un'API tool use con una forte precisione competitiva con GPT-4o. Si integra bene con il pensiero esteso di Claude per catene complesse a più passi.

L'SDK Gemini di Google supporta l'esecuzione automatica delle funzioni: il modello può chiamare i tuoi strumenti e restituire i risultati senza gestione manuale del loop.

Cosa non funziona bene

Sei legato a un solo provider. Nessun tentativo ripetuto su output malformati. Nessuna sicurezza dei tipi oltre a quella che costruisci tu stesso. Nessuna osservabilità. Nessun supporto multi-provider. Ogni funzionalità di comodità che librerie come Instructor forniscono, dovresti costruirla tu da zero.

Prezzi

Gratuito (paghi solo per l'utilizzo dell'API con il provider).

Per chi

Progetti completamente impegnati con un solo provider, che necessitano del massimo controllo sull'interazione API, e che hanno le risorse ingegneristiche per costruire la propria validazione e gestione degli errori.

Verdetto: Gli SDK nativi sono classificati no. 8 non perché siano cattivi — sono il fondamento su cui tutto il resto è costruito — ma perché le librerie di astrazione aggiungono così tanto valore per così poco costo.

Perché Techsy sceglie Instructor come no. 1

Abbiamo costruito pipeline di function calling con la maggior parte di questi strumenti in progetti clienti. Ecco perché Instructor emerge costantemente in cima per il nostro team:

1. Affidabilità in produzione — Il loop retry-validazione cattura gli output malformati che farebbero crashare una pipeline. L'abbiamo visto recuperare da JSON non valido 3-4 volte ogni 100 chiamate su alcuni modelli.
2. Integrazione Pydantic — La maggior parte dei progetti Python usa già Pydantic per la validazione dei dati. Instructor fa sì che i tuoi output LLM si adattino allo stesso sistema di tipi usato dall'intera codebase.
3. Basso costo di cambio — Se decidi di passare da GPT-4o a Claude, cambi una riga. I tuoi modelli Pydantic rimangono identici.
4. Componibilità — Spesso eseguiamo Instructor sopra LiteLLM. I due strumenti si complementano perfettamente: LiteLLM gestisce il routing, Instructor la validazione.

Detto questo, se sei in TypeScript, Vercel AI SDK è la scelta ovvia. E se hai bisogno di dozzine di integrazioni di terze parti, nessuna quantità di Instructor sostituirà ciò che Composio ti dà. Lo strumento giusto dipende da quale strato dello stack stai risolvendo.

Matrice di confronto delle funzionalità

Quale libreria di function calling dovresti scegliere?

Ancora incerto? Segui questo framework di decisione.

La maggior parte dei progetti reali combina livelli. Uno stack che usiamo spesso: LiteLLM per il routing dei provider, Instructor sopra per il function calling validato, e Composio quando gli agenti hanno bisogno di integrazioni di terze parti. Inizia con ciò che risolve il tuo problema più urgente, poi aggiungi livelli secondo necessità.

Hai bisogno di qualcosa di personalizzato?

Se stai costruendo un prodotto AI che dipende fortemente dal function calling — estrarre dati da documenti, orchestrare workflow a più passi, o connettere agenti ai tuoi strumenti interni — lo abbiamo fatto su più progetti clienti. Il nostro approccio inizia dalla comprensione del flusso di dati e dei requisiti del provider prima di raccomandare uno stack.

FAQ

Qual è la migliore libreria per il function calling con LLM nel 2026?

Instructor è la nostra prima scelta per gli sviluppatori Python che hanno bisogno di output strutturati affidabili. Per TypeScript, Vercel AI SDK è il vincitore chiaro. LiteLLM è il migliore per il routing multi-provider, e Composio vince quando hai bisogno di integrazioni di strumenti pronte all'uso.

Dovrei usare SDK nativi o una libreria per il function calling?

Usa gli SDK nativi solo se sei legato a un provider e vuoi controllo assoluto. Nel momento in cui hai bisogno di tentativi ripetuti su output malformati, supporto multi-provider o schemi type-safe, una libreria come Instructor o Mirascope si ripaga nella prima settimana.

Qual è la differenza tra function calling e tool calling?

È lo stesso concetto con nomi diversi. OpenAI lo chiamava originariamente "function calling", Anthropic usa "tool use", e l'industria sta convergendo su "tool calling". La meccanica è identica: il LLM produce una richiesta strutturata, il tuo codice la esegue e il risultato torna al modello.

LangChain è ancora buono per il function calling nel 2026?

Molti sviluppatori sono passati ad alternative più leggere. LangChain funziona, ma i suoi strati di astrazione profondi aggiungono complessità eccessiva se il function calling è la tua esigenza principale. Instructor, Mirascope e LiteLLM risolvono lo stesso problema con molto meno overhead e debug migliore.

Qual è la differenza tra Composio e Toolhouse?

Entrambe sono piattaforme di strumenti, ma ottimizzano per scale diverse. Composio offre 250+ integrazioni con OAuth gestito e funzionalità enterprise: ideale per agenti in produzione che toccano molti servizi. Toolhouse si concentra sulla semplicità con una configurazione in 3 righe, rendendola migliore per la prototipazione e i progetti più piccoli.

Quale libreria di function calling supporta più provider LLM?

LiteLLM è in testa con 100+ provider tramite il suo proxy compatibile OpenAI. Il Vercel AI SDK supporta 20+ tramite adapter della community. Instructor copre 15+, e Mirascope gestisce 10+.

Posso usare Instructor con Anthropic Claude?

Sì. Instructor supporta Claude tramite il patching dei client, insieme a 14+ altri provider tra cui Gemini, Mistral, Cohere e modelli locali tramite Ollama. La logica di retry e validazione funziona in modo identico su tutti i provider supportati.

Cos'è MCP e come si relaziona al function calling?

MCP (Model Context Protocol) è lo standard aperto di Anthropic per connettere i LLM a strumenti e fonti di dati esterni. Standardizza come gli strumenti vengono scoperti ed eseguiti. Composio, Toolhouse e il Vercel AI SDK supportano tutti i server MCP. Leggi la nostra guida completa a MCP per il quadro completo.

Posso combinare più librerie di function calling?

Assolutamente — e dovresti farlo. Lo stack di produzione più comune è LiteLLM per il routing dei provider più Instructor per gli output validati. Aggiungi Composio sopra se hai bisogno di integrazioni di terze parti. Questi strumenti risolvono diversi livelli del problema, quindi si compongono naturalmente.

Ho bisogno del function calling per semplici chatbot?

No. Il function calling aggiunge complessità che vale la pena solo quando il tuo LLM deve compiere azioni o restituire dati strutturati. Se stai costruendo un chatbot Q&A che risponde solo con testo, la chat completion dell'SDK nativo è tutto ciò di cui hai bisogno. Riserva il function calling per quando il modello deve interagire con sistemi esterni.

Fonti

• Documentazione Instructor
• Documentazione Mirascope
• Documentazione LiteLLM
• Documentazione Composio
• Documentazione Toolhouse
• Vercel AI SDK – Tools and Tool Calling
• Documentazione Magentic
• Paul Simmering – Best Library for Structured LLM Output