8 beste function calling-bibliotheken voor LLMs, gerangschikt [2026]

Function calling verandert LLMs van chatbots in software die daadwerkelijk iets doet – databases bevragen, e-mails verzenden, deployments triggeren. Het probleem? Er bestaan tientallen bibliotheken, en elke lost maar een deel van het puzzel op. We hebben de meeste ervan in productieprojecten gebruikt, dus hier is onze gerangschikte lijst met eerlijke meningen.

Nieuw in dit onderwerp? Begin met onze complete LLM function calling-gids voor de basisprincipes, voordat je een tool kiest.

Onze rangschikking in één oogopslag

Deze tools vallen in drie verschillende categorieën – abstractiebibliotheken, toolplatforms en native SDK's. Kiezen tussen categorieën is fundamenteel anders dan kiezen binnen een categorie. We leggen de sterke en zwakke punten en de ideale gebruiker van elk tool uit.

De drie categorieën begrijpen

Voordat we bij de rangschikking komen, een korte toelichting op wat deze tools eigenlijk doen. Ze lossen niet allemaal hetzelfde probleem op.

Abstractiebibliotheken (Instructor, Mirascope, Magentic, LiteLLM, Vercel AI SDK) wikkelen provider-API's in met typeveiligheid, validatie, herhaalpogingen en multi-provider ondersteuning. Ze verbeteren de ontwikkelaarservaring bij function calling.

Toolplatforms (Composio, Toolhouse) kiezen een volledig andere aanpak. In plaats van je te helpen tools te definiëren, bieden ze kant-en-klare toolintegraties met beheerde authenticatie, sandboxing en uitvoering. Als je AI-agenten voor bedrijven bouwt, kunnen ze weken integratiewerk besparen.

Native SDK's (OpenAI, Anthropic, Google) geven directe API-toegang zonder extra afhankelijkheden, maar binden je aan het formaat van die provider.

Instructor kiezen boven Mirascope is een stijlvoorkeur. Instructor kiezen boven Composio is een architecturale beslissing. Houd dit onderscheid in gedachten terwijl je de rangschikking leest.

no. 1: Instructor – Beste algehele keuze voor Python-ontwikkelaars

Instructor is de bibliotheek waarnaar we als eerste grijpen bij de meeste Python-projecten, en met zo'n 10.000 GitHub-sterren is de community het ermee eens.

Wat goed is

Gebouwd door Jason Liu patcht Instructor LLM-clients zodat ze Pydantic-modellen teruggeven in plaats van ruwe JSON. Definieer je uitvoerschema als een Pydantic-klasse, en Instructor regelt automatisch validatie, herhaalpogingen bij mislukte uitvoer en typeconversie. Dat retry-mechanisme is de echte killer feature – als een model ongeldig JSON teruggeeft (en dat gebeurt vaker dan je zou verwachten), stuurt Instructor de validatiefout terug naar het model en vraagt het zichzelf te corrigeren. Dit alleen al bespaart uren debuggen in productiepipelines.

Het ondersteunt 15+ providers waaronder OpenAI, Anthropic, Gemini, Mistral en Cohere. Multi-provider ondersteuning betekent dat je je Pydantic-modellen eenmalig schrijft en de onderliggende LLM kunt wisselen zonder je schemacode te wijzigen.

import instructor
from pydantic import BaseModel
from openai import OpenAI

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

client = instructor.from_openai(OpenAI())

# Automatische validatie + herhaalpogingen bij mislukking
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" -- getypeerd, gevalideerd, gegarandeerd

Wat minder goed is

Instructor's client-patching aanpak wijzigt het SDK-gedrag op runtime. Als je het type ontwikkelaar bent dat precies wil weten wat er onder de motorkap gebeurt, kan dit wat magisch aanvoelen. Debuggen vereist soms begrip van zowel de Instructor-laag ALS de onderliggende SDK. Het is ook alleen Python, wat betekent dat TypeScript-teams elders moeten zoeken.

Prijs

Volledig gratis en open source. Geen betaalde tier, geen premiumfuncties achter een betaalmuur.

Voor wie

Elke Python-ontwikkelaar die betrouwbare gestructureerde uitvoer van LLMs nodig heeft. Als je data extraheert, functies aanroept of pipelines bouwt waarbij het uitvoerformaat belangrijk is, moet Instructor je eerste keuze zijn.

Verdict: Instructor verdient no. 1 omdat het het meest voorkomende pijnpunt oplost – onbetrouwbare LLM-uitvoer – met de minste wrijving. De retry-validatielus is in productie werkelijk een gamechanger.

no. 2: Vercel AI SDK – Beste keuze voor TypeScript-ontwikkelaars

De Vercel AI SDK domineert de TypeScript function calling-ruimte zo volledig dat het nauwelijks concurrentie heeft.

Wat goed is

De tool() helper biedt een nette API voor het definiëren van tools met Zod-schema's, en multi-step tool-uitvoering verwerkt de LLM-roept-tool-aan-geeft-resultaat-terug lus automatisch. Versie 6 heeft echte agentondersteuning toegevoegd met maxSteps voor autonome toolketens, plus MCP-integratie voor verbinding met externe toolservers.

Als je met Next.js bouwt, zijn de React-hooks voor het streamen van toolaanroepresultaten naar de UI ongeëvenaard. Geen andere bibliotheek biedt dit niveau van frontend-integratie – je kunt gebruikers realtime tooluitvoeringsstatus, gedeeltelijke resultaten en gestreamde gestructureerde data tonen met een paar hooks.

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?',
});

Het ondersteunt 20+ providers via community-adapters en is volledig gratis en open source.

Wat minder goed is

Het is alleen TypeScript. Als je backend Python is, is dit geen optie. Community-adapters voor niet-grote providers kunnen achterlopen op officiële releases, waardoor je randgevallen kunt tegenkomen met minder populaire LLMs. De observability-story is ook zwakker dan die van Mirascope – je moet je eigen tracing opzetten.

Prijs

Gratis en open source. Vercel brengt geen kosten in rekening voor de SDK – ze verdienen aan hun hostingplatform.

Voor wie

Elke TypeScript- of Next.js-ontwikkelaar die AI-functies bouwt. Als je in het Node.js-ecosysteem werkt, hoef je niet eens alternatieven te overwegen – begin hier.

Verdict: Vercel AI SDK krijgt no. 2 omdat het de onbetwiste TypeScript-kampioen is. De React-hooks en streaming-integratie onderscheiden het van alles in het JS-ecosysteem.

no. 3: LiteLLM – Beste keuze voor multi-provider teams

LiteLLM lost een ander probleem op dan de bovenstaande bibliotheken. In plaats van de function calling-ontwikkelaarservaring te verbeteren, normaliseert het 100+ LLM-providers achter één OpenAI-compatibele interface. Schrijf je function calling-code eenmalig, wissel van provider door een string te veranderen.

Wat goed is

De echte kracht toont zich bij teamdeployments. LiteLLM's proxy-modus voegt kostenbeheer per API-sleutel toe, load balancing over providers, rate limiting en fallback-routing. Als Provider A down is of gelimiteerd, worden je toolaanroepen automatisch doorgestuurd naar Provider B. Voor organisaties die meerdere LLM-providers draaien – wat steeds normaler wordt – is dit onmisbare infrastructuur.

Het mooie is dat LiteLLM perfect samengaat met andere tools op deze lijst. Draai LiteLLM als providerlaag en gebruik Instructor erboven voor gevalideerd function calling. Je krijgt het beste van beide werelden: providerflexibiliteit eronder, typeveilige uitvoer erboven.

from litellm import completion

# Dezelfde code, verschillende providers -- verander gewoon de modelstring
response = completion(
    model="gpt-4o",  # of "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"}}
            }
        }
    }]
)

Wat minder goed is

LiteLLM zelf voegt geen validatie, herhaalpogingen of typeveiligheid toe aan function calling. Het is een routerings- en normalisatielaag, geen ontwikkelaarservaringslaag. Je wil bijna zeker iets als Instructor erboven. De proxy-setup heeft ook een leercurve – het configureren van fallbacks, budgetten en routeringsregels kost tijd.

Prijs

Gratis open source-kern. De enterprise-tier voegt uitgavenbeheer-dashboards, SSO en geavanceerde analytics toe. Prijzen zijn niet openbaar vermeld – je moet met hun sales-team praten.

Voor wie

Teams die meerdere LLM-providers draaien en kostenzichtbaarheid, failover-routing en één API-interface nodig hebben. Bijzonder waardevol gecombineerd met Instructor of Mirascope voor de eigenlijke function calling-logica.

Verdict: LiteLLM neemt no. 3 omdat providerflexibiliteit onmisbaar wordt voor serieuze teams. Het is de infrastructuurlaag die alles andere provider-breed laat werken.

no. 4: Composio – Beste kant-en-klare toolplatform

Composio kiest een fundamenteel andere aanpak dan alles wat hierboven gerangschikt staat. In plaats van je te helpen function calling-infrastructuur te bouwen, geeft het je de eigenlijke tools – kant-en-klaar, geverifieerd en klaar voor uitvoering.

Wat goed is

250+ kant-en-klare toolintegraties die alles dekken van GitHub en Slack tot Salesforce en databases. De killer feature is beheerde OAuth – je agent kan authenticeren bij diensten van derden zonder dat je tokenstromen van de grond af bouwt. Iedereen die een week heeft besteed aan het implementeren van OAuth voor vijf verschillende API's begrijpt waarom dit belangrijk is.

Composio ondersteunt MCP (Model Context Protocol)-servers, waardoor het compatibel is met het groeiende MCP-ecosysteem. Het is van nature agentgericht ontworpen, met ingebouwde uitvoeringssandboxing zodat je AI-agent niet per ongeluk je productiedatabase verwijdert.

from composio_openai import ComposioToolSet, Action

toolset = ComposioToolSet()

# Kant-en-klare, geverifieerde GitHub-tools -- geen OAuth-code nodig
tools = toolset.get_tools(actions=[Action.GITHUB_CREATE_ISSUE])

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

Wat minder goed is

Als je maar twee of drie toolintegraties nodig hebt, is de overhead van Composio het niet waard. Er is een leercurve rondom hun toolontdekking, authenticatiebeheer en uitvoeringsmodel. De SDK is ook zwaarder dan een simpele pip install instructor. Voor eenvoudige gestructureerde uitvoer-gebruiksgevallen is Composio overdreven.

Prijs

Gratis tier beschikbaar met beperkte uitvoering. Betaalde plannen voor hoger gebruik, teamfuncties en enterprise-integraties. Prijzen veranderen frequent – check hun site voor actuele tarieven.

Voor wie

Teams die agenten bouwen die met veel diensten van derden moeten communiceren. Als je agent GitHub, Slack, Jira, Google Workspace, CRM's en databases aanraakt, zou het zelf schrijven van al die connectors maanden kosten. Composio doet het in uren.

Verdict: Composio verdient no. 4 omdat het een echt moeilijk probleem oplost – multi-service integratie – dat geen hoeveelheid Instructor of LiteLLM kan oplossen. Het bevindt zich in een andere categorie dan de abstractiebibliotheken, en het is de beste in die categorie.

no. 5: Mirascope – Beste keuze voor productie-observability

Mirascope noemt zichzelf een "anti-framework", en de filosofie is zichtbaar. In plaats van alles in abstracties te wikkelen, gebruikt het Python-decorators die je code eruit laten zien als gewone Python.

Wat goed is

Wat Mirascope onderscheidt is de observability-invalshoek. OpenTelemetry-traces voor elke LLM-aanroep en tooluitvoering zijn ingebouwd – niet achteraf toegevoegd. Voor teams die function calling in productie draaien, is die zichtbaarheid op latency, tokengebruik en faalpercentages over toolketens goud waard.

De decorator-gebaseerde API (@llm.call) voelt natuurlijk aan voor Python-ontwikkelaars. Je krijgt typeveilige tooldefinities, automatische schemageneratie en retry-logica vergelijkbaar met Instructor, zonder een meningen-rijk framework te hoeven adopteren. Je code ziet er nog steeds uit en voelt nog steeds als Python, niet als een DSL.

from mirascope.core import openai

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

# Ingebouwde OTel-tracing, typeveiligheid, automatische schemageneratie
response = get_weather("Berlin")

Wat minder goed is

Kleinere community dan Instructor (minder GitHub-sterren, minder Stack Overflow-antwoorden). Als je een randgeval tegenkomt, lees je waarschijnlijk de broncode in plaats van een blogpost met de oplossing te vinden. Providerondersteuning op 10+ is goed maar loopt achter op Instructor's 15+.

Prijs

Gratis en open source. Geen betaalde tier.

Voor wie

Python-ontwikkelaars die om productie-observability geven en OTel-traces willen zonder een apart monitoringtool te koppelen. Bijzonder goed voor teams die al een Grafana/Jaeger/Datadog-setup hebben en willen dat LLM-aanroepen in dezelfde dashboards verschijnen.

Verdict: Mirascope krijgt no. 5 omdat de ingebouwde observability een echte onderscheider is voor productie-workloads. Als je al geïnvesteerd hebt in OTel, past Mirascope als een handschoen.

no. 6: Magentic – Meest elegante API-ontwerp

Magentic kiest de meest minimalistische aanpak van deze hele lijst. Als je schone, leesbare code boven alles stelt, ga je er dol op zijn.

Wat goed is

De @prompt decorator laat je function calling-stromen definiëren die eruitzien als gewone Python-functiehandtekeningen. Gestreamde gestructureerde uitvoer werkt meteen out-of-the-box. Het API-oppervlak is bewust klein – er is bijna niets om te leren. Voor ontwikkelaars die Instructor's client-patching of Mirascope's decorator-systeem overontworpen vinden, is Magentic een verademing.

from magentic import prompt

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

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

Wat minder goed is

Minder providers (ongeveer 5) dan Instructor of Mirascope. Geen ingebouwde retry- of validatielogica – als het model onzin teruggeeft, handel je dat zelf af. Geen observability-functies. Magentic doet één ding goed, maar het doet slechts één ding.

Prijs

Gratis en open source.

Voor wie

Ontwikkelaars die de meest Pythonische, minimale API voor function calling en gestructureerde uitvoer willen. Geweldig voor persoonlijke projecten, prototypes en teams die codeeesbaarheid boven functievolwassenheid stellen.

Verdict: Magentic belandt op no. 6 omdat elegantie geweldig is, maar het ontbreken van retries en beperkte providerondersteuning het voor productiegebruik terughoudt.

no. 7: Toolhouse – Snelste setup voor agenttools

Toolhouse positioneert zichzelf als Backend-as-a-Service voor AI-agenttools. De belofte is eenvoud: voeg tooluitvoering toe aan je agent in drie regels code.

Wat goed is

Toolhouse verwerkt functiedefinities, de uitvoeringsomgeving en resultaatopmaak. De setupwrijving is werkelijk de laagste op deze lijst. Als je een werkende agent met tooluitvoering wil in minder dan vijf minuten, levert Toolhouse dat. Het ondersteunt MCP-servers en biedt beheerde uitvoeringssandboxing.

Wat minder goed is

De toolcatalogus is kleiner dan die van Composio (100+ vs 250+). Enterprise-functies zijn beperkter. De "alles beheerd"-aanpak betekent minder controle – als je aangepast toolgedrag of complexe orkestratie nodig hebt, stoot je sneller op de grenzen van het platform dan met Composio.

Prijs

Gratis tier met gebruikslimieten. Betaalde plannen voor hoger volume en extra functies.

Voor wie

Ontwikkelaars die het snelste pad naar een werkende agent met tooluitvoering willen, en geen enterprise-integraties nodig hebben. Geweldig voor hackathons, prototypes en MVP's.

Verdict: Toolhouse krijgt no. 7 omdat snelheid naar een werkende demo zijn superkracht is, maar de kleinere catalogus en minder flexibiliteit beperken het voor productiegebruik.

no. 8: Native provider SDK's – Maximale controle, nul abstracties

Als je volledig committed bent aan één LLM-provider en nul extra afhankelijkheden wil, zijn native SDK's de bare-metal keuze.

Wat goed is

OpenAI heeft de meest volwassen function calling-ondersteuning. De Responses API verwerkt parallelle functieaanroepen, en de nieuwere Agents SDK voegt meerstaps toolorkestratie toe. De meeste bibliotheken van derden gebruiken OpenAI's formaat als basis.

Anthropic's Claude SDK gebruikt een tool use API met sterke nauwkeurigheid die concurrerend is met GPT-4o. Het integreert goed met Claude's uitgebreid denken voor complexe meerstaps ketens.

Google's Gemini SDK ondersteunt automatische functie-uitvoering – het model kan je tools aanroepen en resultaten terugvoeden zonder handmatig lus beheer.

Wat minder goed is

Je bent gebonden aan één provider. Geen herhaalpogingen bij mislukte uitvoer. Geen typeveiligheid buiten wat je zelf bouwt. Geen observability. Geen multi-provider ondersteuning. Elke gemaksfunctie die bibliotheken als Instructor bieden, moet je zelf van de grond af bouwen.

Prijs

Gratis (je betaalt alleen voor API-gebruik bij de provider).

Voor wie

Projecten die volledig committed zijn aan één provider, maximale controle over de API-interactie nodig hebben, en de engineeringcapaciteit hebben om hun eigen validatie en foutafhandeling te bouwen.

Verdict: Native SDK's staan op no. 8 niet omdat ze slecht zijn – ze zijn het fundament waarop alles is gebouwd – maar omdat de abstractiebibliotheken zoveel waarde toevoegen voor zo weinig kosten.

Waarom Techsy Instructor als no. 1 kiest

We hebben function calling-pipelines gebouwd met de meeste van deze tools in klantprojecten. Dit is waarom Instructor bij ons team consequent bovenaan eindigt:

1. Betrouwbaarheid in productie – De retry-validatielus vangt mislukte uitvoer op die een pipeline zou laten crashen. We hebben het gezien herstellen van slechte JSON 3-4 keer per 100 aanroepen op sommige modellen.
2. Pydantic-integratie – De meeste Python-projecten gebruiken Pydantic al voor datavalidatie. Instructor laat je LLM-uitvoer in hetzelfde typesysteem passen dat je hele codebase gebruikt.
3. Lage overstapkosten – Als je besluit van GPT-4o naar Claude te wisselen, verander je één regel. Je Pydantic-modellen blijven identiek.
4. Combineerbaarheid – We draaien Instructor vaak bovenop LiteLLM. De twee tools vullen elkaar perfect aan – LiteLLM regelt routing, Instructor regelt validatie.

Dat gezegd: als je in TypeScript werkt, is Vercel AI SDK de voor de hand liggende keuze. En als je tientallen integraties van derden nodig hebt, vervangt geen hoeveelheid Instructor wat Composio biedt. Het juiste tool hangt af van welke laag van de stack je oplost.

Functievergelijkingsmatrix

Welke function calling-bibliotheek moet je kiezen?

Nog steeds niet zeker? Doorloop dit beslissingsframework.

De meeste praktijkprojecten combineren lagen. Een stack die we vaak gebruiken: LiteLLM voor provider-routing, Instructor erboven voor gevalideerd function calling, en Composio wanneer agenten integraties van derden nodig hebben. Begin met wat je meest dringende probleem oplost, en voeg dan lagen toe indien nodig.

Iets op maat nodig?

Als je een AI-product bouwt dat sterk afhankelijk is van function calling – data uit documenten extraheren, meerstaps workflows orkestreren, of agenten koppelen aan je interne tools – hebben we dat gedaan over meerdere klantprojecten. Onze aanpak begint met het begrijpen van je datastromen en providerbehoeften voordat we een stack aanbevelen.

FAQ

Wat is de beste bibliotheek voor LLM function calling in 2026?

Instructor is onze topkeuze voor Python-ontwikkelaars die betrouwbare gestructureerde uitvoer nodig hebben. Voor TypeScript is Vercel AI SDK de duidelijke winnaar. LiteLLM is het beste voor multi-provider routing, en Composio wint wanneer je kant-en-klare toolintegraties nodig hebt.

Moet ik native SDK's of een bibliotheek gebruiken voor function calling?

Gebruik native SDK's alleen als je gebonden bent aan één provider en absolute controle wilt. Op het moment dat je herhaalpogingen bij mislukte uitvoer, multi-provider ondersteuning of typeveilige schema's nodig hebt, betaalt een bibliotheek als Instructor of Mirascope zichzelf terug in de eerste week.

Wat is het verschil tussen function calling en tool calling?

Het is hetzelfde concept met verschillende namen. OpenAI noemde het oorspronkelijk "function calling", Anthropic gebruikt "tool use", en de industrie convergeert naar "tool calling". De mechanica is identiek: het LLM produceert een gestructureerd verzoek, je code voert het uit, en het resultaat gaat terug naar het model.

Is LangChain in 2026 nog goed voor function calling?

Veel ontwikkelaars zijn overgestapt op lichtere alternatieven. LangChain werkt, maar de diepe abstractielagen voegen complexiteit toe die overdreven is als function calling je primaire behoefte is. Instructor, Mirascope en LiteLLM lossen hetzelfde probleem op met aanzienlijk minder overhead en betere debugging.

Wat is het verschil tussen Composio en Toolhouse?

Beide zijn toolplatforms, maar ze optimaliseren voor verschillende schalen. Composio biedt 250+ integraties met beheerde OAuth en enterprise-functies – ideaal voor productie-agenten die veel diensten aanraken. Toolhouse richt zich op eenvoud met een 3-regels setup, waardoor het beter is voor prototyping en kleinere projecten.

Welke function calling-bibliotheek ondersteunt de meeste LLM-providers?

LiteLLM leidt met 100+ providers via zijn OpenAI-compatibele proxy. Vercel AI SDK ondersteunt 20+ via community-adapters. Instructor dekt 15+, en Mirascope verwerkt 10+.

Kan ik Instructor gebruiken met Anthropic Claude?

Ja. Instructor ondersteunt Claude via client-patching, samen met 14+ andere providers waaronder Gemini, Mistral, Cohere en lokale modellen via Ollama. De retry- en validatielogica werkt identiek voor alle ondersteunde providers.

Wat is MCP en hoe verhoudt het zich tot function calling?

MCP (Model Context Protocol) is Anthropic's open standaard voor het verbinden van LLMs met externe tools en databronnen. Het standaardiseert hoe tools worden ontdekt en uitgevoerd. Composio, Toolhouse en Vercel AI SDK ondersteunen allemaal MCP-servers. Lees onze complete MCP-gids voor het volledige beeld.

Kan ik meerdere function calling-bibliotheken combineren?

Absoluut – en dat zou je moeten doen. De meest voorkomende productiestapel is LiteLLM voor provider-routing plus Instructor voor gevalideerde uitvoer. Voeg Composio toe als je integraties van derden nodig hebt. Deze tools lossen verschillende lagen van het probleem op, dus ze combineren van nature.

Heb ik function calling nodig voor eenvoudige chatbots?

Nee. Function calling voegt complexiteit toe die het alleen waard is als je LLM acties moet ondernemen of gestructureerde data moet teruggeven. Als je een Q&A-chatbot bouwt die alleen met tekst antwoordt, is de chat-completion van de native SDK alles wat je nodig hebt. Bewaar function calling voor wanneer het model moet communiceren met externe systemen.

Bronnen

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