8 beste function calling-biblioteker for LLM-er, rangert [2026]

Function calling gjør LLM-er om fra chatbots til programvare som faktisk gjør noe: spør databaser, sender e-post, utløser deployments. Problemet? Det finnes dusinvis av biblioteker, og hvert av dem løser bare en del av puslespillet. Vi har brukt de fleste i produksjonsprosjekter, så her er vår rangerte liste med ærlige meninger.

Ny på konseptet? Start med vår komplette guide til LLM function calling for grunnleggende kunnskap før du velger et verktøy.

Rangeringene våre på ett blikk

Disse verktøyene faller i tre distinkte kategorier: abstraksjonsbiblioteker, verktøyplattformer og native SDK-er. Å velge mellom kategorier er en fundamentalt annerledes beslutning enn å velge innenfor en kategori. Vi forklarer hvert verktøys styrker, svakheter og hvem som bør bruke det.

Forstå de tre kategoriene

Før vi kommer til rangeringene, en rask merknad om hva disse verktøyene faktisk gjør. De løser ikke alle det samme problemet.

Abstraksjonsbiblioteker (Instructor, Mirascope, Magentic, LiteLLM, Vercel AI SDK) pakker inn provider-API-er med typesikkerhet, validering, nye forsøk og multi-provider-støtte. De forbedrer utvikleropplevelsen for function calling.

Verktøyplattformer (Composio, Toolhouse) tar en helt annen tilnærming. I stedet for å hjelpe deg med å definere verktøy, tilbyr de ferdige verktøyintegrasjoner med administrert autentisering, sandboxing og kjøring. Hvis du bygger AI-agenter for bedrifter, kan de spare deg for uker med integrasjonsarbeid.

Native SDK-er (OpenAI, Anthropic, Google) gir direkte API-tilgang uten ekstra avhengigheter, men binder deg til den providerens format.

Å velge Instructor fremfor Mirascope er en stilpreferanse. Å velge Instructor fremfor Composio er en arkitektonisk beslutning. Ha den distinksjonen i tankene mens du leser rangeringene.

no. 1: Instructor – Best totalt sett for Python-utviklere

Instructor er biblioteket vi tar i bruk først på de fleste Python-prosjekter – med rundt 10 000 GitHub-stjerner er community enig.

Hva som er bra

Laget av Jason Liu patcher Instructor LLM-klienter for å returnere Pydantic-modeller i stedet for rå JSON. Definer utdataschemaet ditt som en Pydantic-klasse, og Instructor håndterer automatisk validering, nye forsøk ved feilaktige utdata og typetvang. Den retry-mekanismen er den virkelige killer-featuren: når en modell returnerer ugyldig JSON (og det skjer oftere enn forventet), sender Instructor valideringsfeilen tilbake til modellen og ber den rette seg selv. Det alene sparer timer med feilsøking i produksjonspipelines.

Det støtter 15+ leverandører inkludert OpenAI, Anthropic, Gemini, Mistral og Cohere. Multi-provider-støtten betyr at du skriver Pydantic-modellene dine én gang og bytter underliggende LLM uten å endre schemakoden din.

import instructor
from pydantic import BaseModel
from openai import OpenAI

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

client = instructor.from_openai(OpenAI())

# Automatisk validering + nye forsøk ved feil
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" -- typet, validert, garantert

Hva som er mindre bra

Instructors klient-patching-tilnærming endrer SDK-atferd ved kjøretid. Hvis du er den typen utvikler som liker å vite nøyaktig hva som skjer under panseret, kan dette føles litt magisk. Feilsøking krever noen ganger forståelse av både Instructor-laget OG det underliggende SDK-et. Det er også bare Python, noe som betyr at TypeScript-team må se andre steder.

Prissetting

Helt gratis og åpen kildekode. Ingen betalingsnivå, ingen premiumfunksjoner gjemt bak en betalingsmur.

Hvem bør bruke det

Alle Python-utviklere som trenger pålitelige strukturerte utdata fra LLM-er. Hvis du trekker ut data, kaller funksjoner eller bygger pipelines der utdataformat er viktig, bør Instructor være ditt første stopp.

Vurdering: Instructor fortjener no. 1 fordi det løser det vanligste smertepunktet — upålitelige LLM-utdata — med minst mulig friksjon. Retry-valideringsloopen er genuint revolusjonerende for produksjon.

no. 2: Vercel AI SDK – Best for TypeScript-utviklere

Vercel AI SDK dominerer TypeScript function calling-rommet så grundig at det knapt har konkurranse.

Hva som er bra

tool()-hjelperen gir et rent API for å definere verktøy med Zod-schemaer, og multi-stegs verktøykjøring håndterer LLM-kaller-verktøy-returnerer-resultat-loopen automatisk. Versjon 6 la til skikkelig agentstøtte med maxSteps for autonome verktøykjeder, pluss MCP-integrasjon for å koble til eksterne verktøyservere.

Hvis du bygger med Next.js, er React-hooks for å streame verktøyanropsresultater til UI-et uovertruffen. Ingen andre biblioteker gir deg dette nivået av frontendintegrasjon: du kan vise brukere sanntids verktøykjøringsstatus, delvise resultater og strømmende strukturerte data med noen få 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?',
});

Det støtter 20+ leverandører via community-adaptere og er helt gratis og åpen kildekode.

Hva som er mindre bra

Det er bare TypeScript. Hvis backend-en din er Python, er dette ikke et alternativ. Community-adaptere for ikke-store leverandører kan ligge etter offisielle utgivelser, så du kan støte på kanttilfeller med mindre populære LLM-er. Observabilitetshistorien er også svakere enn Mirascropes: du må koble opp din egen sporing.

Prissetting

Gratis og åpen kildekode. Vercel tar ikke betalt for SDK-et: de tjener penger på hostingplattformen sin.

Hvem bør bruke det

Alle TypeScript- eller Next.js-utviklere som bygger AI-funksjoner. Hvis du er i Node.js-økosystemet, ikke engang vurder alternativer: start her.

Vurdering: Vercel AI SDK får no. 2 fordi det er den ubestridte TypeScript-mesteren. React-hooks og streamingintegrasjonen setter det apart fra alt annet i JS-økosystemet.

no. 3: LiteLLM – Best for multi-provider-team

LiteLLM løser et annet problem enn bibliotekene ovenfor. I stedet for å forbedre function calling-utvikleropplevelsen, normaliserer det 100+ LLM-leverandører bak ett enkelt OpenAI-kompatibelt grensesnitt. Skriv function calling-koden din én gang, bytt leverandør ved å endre en streng.

Hva som er bra

Den virkelige kraften vises i teamdeployments. LiteLLMs proxymodus legger til kostnadssporing per API-nøkkel, lastbalansering på tvers av leverandører, hastighetsbegrensning og fallback-ruting. Hvis Leverandør A er nede eller hastighetsbegrenset, rutes verktøyanropene dine automatisk til Leverandør B. For organisasjoner som kjører flere LLM-leverandører — noe som i stadig større grad er normen — er dette uunnværlig infrastruktur.

Det fine er at LiteLLM passer perfekt med andre verktøy i denne listen. Kjør LiteLLM som leverandørlaget ditt, bruk deretter Instructor på toppen for validert function calling. Du får det beste fra begge verdener: leverandørfleksibilitet nedenunder, typesikre utdata på toppen.

from litellm import completion

# Samme kode, ulike leverandører -- bare endre modellstrengen
response = completion(
    model="gpt-4o",  # eller "claude-3-5-sonnet", "gemini/gemini-pro", osv.
    messages=[{"role": "user", "content": "What's the weather?"}],
    tools=[{
        "type": "function",
        "function": {
            "name": "get_weather",
            "parameters": {
                "type": "object",
                "properties": {"city": {"type": "string"}}
            }
        }
    }]
)

Hva som er mindre bra

LiteLLM selv legger ikke til validering, nye forsøk eller typesikkerhet til function calling. Det er et rutings- og normaliseringslag, ikke et utvikleropplevelseslager. Du vil nesten sikkert ville ha noe som Instructor på toppen. Proxy-oppsettet har også en læringskurve: å konfigurere fallbacks, budsjetter og rutingsregler tar tid.

Prissetting

Gratis åpen kildekode-kjerne. Enterprise-nivået legger til dashboards for utgiftsstyring, SSO og avansert analyse. Prissetting er ikke offentlig oppført: du må snakke med salgsteamet deres.

Hvem bør bruke det

Team som kjører flere LLM-leverandører som trenger kostnadsoversikt, failover-ruting og ett enkelt API-grensesnitt. Spesielt verdifullt kombinert med Instructor eller Mirascope for den faktiske function calling-logikken.

Vurdering: LiteLLM tar no. 3 fordi leverandørfleksibilitet blir uunnværlig for seriøse team. Det er infrastrukturlaget som får alt annet til å fungere på tvers av leverandører.

no. 4: Composio – Beste ferdige verktøyplattform

Composio tar en fundamentalt annerledes tilnærming enn alt som er rangert ovenfor. I stedet for å hjelpe deg med å koble opp function calling-rørleggerarbeidet, gir det deg faktiske verktøy: ferdigbygde, autentiserte og klare til å kjøre.

Hva som er bra

250+ ferdige verktøyintegrasjoner som dekker alt fra GitHub og Slack til Salesforce og databaser. Killer-featuren er administrert OAuth: agenten din kan autentisere med tredjepartstjenester uten at du trenger å bygge tokenflyt fra bunnen av. Alle som har brukt en uke på å implementere OAuth for fem forskjellige API-er, forstår hvorfor dette er viktig.

Composio støtter MCP (Model Context Protocol)-servere, noe som gjør det kompatibelt med det voksende MCP-økosystemet. Det er agentfokusert by design, med innebygd kjøringssandboxing slik at AI-agenten din ikke ved et uhell kan slette produksjonsdatabasen din.

from composio_openai import ComposioToolSet, Action

toolset = ComposioToolSet()

# Ferdige, autentiserte GitHub-verktøy -- ingen OAuth-kode nødvendig
tools = toolset.get_tools(actions=[Action.GITHUB_CREATE_ISSUE])

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

Hva som er mindre bra

Hvis du bare trenger to eller tre verktøyintegrasjoner, er overheaden til Composio ikke verdt det. Det er en læringskurve rundt verktøyoppdagelse, autentiseringsadministrasjon og kjøringsmodellen. SDK-et er også tyngre enn et enkelt pip install instructor. For enkle strukturerte utdata-brukstilfeller er Composio overkill.

Prissetting

Gratis nivå tilgjengelig med begrenset kjøring. Betalte planer for høyere bruk, teamfunksjoner og enterprise-integrasjoner. Prissetting endres ofte: sjekk nettstedet deres for gjeldende priser.

Hvem bør bruke det

Team som bygger agenter som trenger å samhandle med mange tredjepartstjenester. Hvis agenten din berører GitHub, Slack, Jira, Google Workspace, CRM-er og databaser, ville det ta måneder å skrive alle disse koblingene selv. Composio gjør det på timer.

Vurdering: Composio fortjener no. 4 fordi det løser et genuint vanskelig problem — multi-service-integrasjon — som ingen mengde Instructor eller LiteLLM kan løse. Det er i en annen kategori enn abstraksjonsbibliotekene, og det er det beste i den kategorien.

no. 5: Mirascope – Best for produksjonsobservabilitet

Mirascope kaller seg selv et "anti-rammeverk", og filosofien vises. I stedet for å pakke inn alt i abstraksjoner bruker det Python-dekoratorer som gjør at koden din ser ut som vanlig Python.

Hva som er bra

Det som skiller Mirascope ut er observabilitetsaspektet. OpenTelemetry-spor for hvert LLM-anrop og verktøykjøring er innebygd: ikke boltet på som en ettertanke. For team som kjører function calling i produksjon, er den synligheten av latens, tokenbruk og feilrater på tvers av verktøykjeder verdt sin vekt i gull.

Det dekoratørbaserte API-et (@llm.call) føles naturlig for Python-utviklere. Du får typesikre verktøydefinisjoner, automatisk schemagenerering og retry-logikk lik Instructor, alt uten å ta i bruk et meningsfylt rammeverk. Koden din ser fortsatt ut og føles som Python, ikke som et DSL.

from mirascope.core import openai

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

# Innebygd OTel-sporing, typesikkerhet, automatisk schemagenerering
response = get_weather("Berlin")

Hva som er mindre bra

Mindre community enn Instructor (færre GitHub-stjerner, færre Stack Overflow-svar). Når du støter på et kanttilfelle, er det mer sannsynlig at du leser kildekode enn finner et blogginnlegg med løsningen. Leverandørstøtten på 10+ er god men ligger bak Instructors 15+.

Prissetting

Gratis og åpen kildekode. Ingen betalingsnivå.

Hvem bør bruke det

Python-utviklere som bryr seg om produksjonsobservabilitet og vil ha OTel-spor uten å koble til et separat overvåkingsverktøy. Spesielt bra for team som allerede har et Grafana/Jaeger/Datadog-oppsett og vil at LLM-anrop skal vises i de samme dashboardene.

Vurdering: Mirascope får no. 5 fordi innebygd observabilitet er en genuin differensiator for produksjonsarbeidsmengder. Hvis du allerede er investert i OTel, passer Mirascope som hånd i hanske.

no. 6: Magentic – Det mest elegante API-designet

Magentic tar den mest minimalistiske tilnærmingen i hele denne listen. Hvis du verdsetter ren, lesbar kode fremfor alt annet, vil du elske dette.

Hva som er bra

@prompt-dekoratoren lar deg definere function calling-flyter som leses som vanlige Python-funksjonssignaturer. Strømmende strukturerte utdata fungerer rett ut av boksen. API-overflaten er bevisst liten: det er nesten ingenting å lære. For utviklere som synes Instructors klientpatchning eller Mirascropes dekoratørsystem er overingeniørt, er Magentic en frisk pust.

from magentic import prompt

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

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

Hva som er mindre bra

Færre leverandører (rundt 5) enn Instructor eller Mirascope. Ingen innebygd retry- eller valideringslogikk: hvis modellen returnerer søppel, håndterer du det selv. Ingen observabilitetsfunksjoner. Magentic gjør én ting bra, men det gjør bare én ting.

Prissetting

Gratis og åpen kildekode.

Hvem bør bruke det

Utviklere som vil ha det mest Pythoniske, minimale API-et for function calling og strukturerte utdata. Flott for personlige prosjekter, prototyper og team som verdsetter kodelesbarhet over funksjonskomplettering.

Vurdering: Magentic havner på no. 6 fordi eleganse er fantastisk, men mangelen på retries og begrenset leverandørstøtte holder det tilbake for produksjonsbruk.

no. 7: Toolhouse – Raskest å sette opp for agentverktøy

Toolhouse posisjonerer seg som Backend-as-a-Service for AI-agentverktøy. Pitchen er enkelhet: legg til verktøykjøring til agenten din på tre kodelinjer.

Hva som er bra

Toolhouse håndterer funksjonsdefinisjoner, kjøringsmiljøet og resultatformatering. Oppsettsfriksjonen er genuint lavest i denne listen. Hvis du vil ha en fungerende agent med verktøykjøring på under fem minutter, leverer Toolhouse det. Det støtter MCP-servere og tilbyr administrert kjøringssandboxing.

Hva som er mindre bra

Verktøykatalogen er mindre enn Composios (100+ vs 250+). Enterprise-funksjoner er mer begrenset. "Alt administrert"-tilnærmingen betyr mindre kontroll: hvis du trenger tilpasset verktøyatferd eller kompleks orkestrering, vil du nå plattformens vegger raskere enn med Composio.

Prissetting

Gratis nivå med bruksgrenser. Betalte planer for høyere volum og ekstra funksjoner.

Hvem bør bruke det

Utviklere som vil ha den raskeste veien til en fungerende agent med verktøykjøring, og ikke trenger enterprise-skalerte integrasjoner. Flott for hackathons, prototyper og MVP-er.

Vurdering: Toolhouse får no. 7 fordi fart-til-fungerende-demo er dens superkraft, men den mindre katalogen og fleksibiliteten begrenser den for produksjonsbruk.

no. 8: Native leverandør-SDK-er – Maksimal kontroll, null abstraksjoner

Hvis du er bundet til én enkelt LLM-leverandør og vil ha null ekstra avhengigheter, er native SDK-er det råe metallvalget.

Hva som er bra

OpenAI har den mest modne function calling-støtten. Responses API håndterer parallelle funksjonsanrop, og det nyere Agents SDK legger til verktøyorkestrering i flere trinn. De fleste tredjepartsbiblioteker bruker OpenAIs format som referanse.

Anthropics Claude SDK bruker et tool use API med sterk nøyaktighet som er konkurransedyktig med GPT-4o. Det integrerer godt med Claudes utvidede tenking for komplekse multi-stegs kjeder.

Googles Gemini SDK støtter automatisk funksjonsutføring: modellen kan kalle verktøyene dine og mate resultater tilbake uten manuell løkkehåndtering.

Hva som er mindre bra

Du er låst til én leverandør. Ingen nye forsøk på feilaktige utdata. Ingen typesikkerhet utover det du bygger selv. Ingen observabilitet. Ingen multi-provider-støtte. Alle bekvemmelighetsfunksjoner som biblioteker som Instructor tilbyr, måtte du bygge fra bunnen av.

Prissetting

Gratis (du betaler bare for API-bruk med leverandøren).

Hvem bør bruke det

Prosjekter som er fullt bundet til én leverandør, trenger maksimal kontroll over API-interaksjonen og har ingeniørressursene til å bygge sin egen validering og feilhåndtering.

Vurdering: Native SDK-er rangeres no. 8 ikke fordi de er dårlige — de er grunnlaget alt annet er bygd på — men fordi abstraksjonsbibliotekene gir så mye verdi for så lite kostnad.

Hvorfor Techsy velger Instructor som no. 1

Vi har bygd function calling-pipelines med de fleste av disse verktøyene i kundeprosjekter. Her er grunnen til at Instructor konsekvent kommer ut på topp for teamet vårt:

1. Pålitelighet i produksjon — Retry-valideringsloopen fanger feilaktige utdata som ville krasjet en pipeline. Vi har sett den gjenopprette seg fra dårlig JSON 3-4 ganger per 100 anrop på noen modeller.
2. Pydantic-integrasjon — De fleste Python-prosjekter bruker allerede Pydantic for datavalidering. Instructor gjør at LLM-utdataene dine passer inn i det samme typesystemet som hele kodebasen din bruker.
3. Lave byttekostnader — Hvis du bestemmer deg for å bytte fra GPT-4o til Claude, endrer du én linje. Pydantic-modellene dine forblir identiske.
4. Kombinerbarhet — Vi kjører ofte Instructor på toppen av LiteLLM. De to verktøyene utfyller hverandre perfekt: LiteLLM håndterer ruting, Instructor håndterer validering.

Det sagt: hvis du er i TypeScript, er Vercel AI SDK det åpenbare valget. Og hvis du trenger dusinvis av tredjepartsintegrasjoner, kan ingen mengde Instructor erstatte det Composio gir deg. Det riktige verktøyet avhenger av hvilket lag av stacken du løser.

Funksjonssammenligningsmatrise

Hvilket function calling-bibliotek bør du velge?

Fortsatt usikker? Gå gjennom dette beslutningsrammeverket.

De fleste virkelige prosjekter kombinerer lag. En stack vi bruker ofte: LiteLLM for leverandørruting, Instructor på toppen for validert function calling og Composio når agenter trenger tredjepartsintegrasjoner. Start med det som løser det mest presserende problemet ditt, legg deretter til lag etter behov.

Trenger du noe tilpasset?

Hvis du bygger et AI-produkt som er sterkt avhengig av function calling — trekke ut data fra dokumenter, orkestrere multi-stegs arbeidsflyter eller koble agenter til de interne verktøyene dine — har vi gjort dette på tvers av flere kundeprosjekter. Tilnærmingen vår starter med å forstå dataflyten din og leverandørkravene dine før vi anbefaler en stack.

Vanlige spørsmål

Hva er det beste biblioteket for LLM function calling i 2026?

Instructor er vårt toppvalg for Python-utviklere som trenger pålitelige strukturerte utdata. For TypeScript er Vercel AI SDK den klare vinneren. LiteLLM er best for multi-provider-ruting, og Composio vinner når du trenger ferdige verktøyintegrasjoner.

Bør jeg bruke native SDK-er eller et bibliotek for function calling?

Bruk native SDK-er bare hvis du er låst til én leverandør og vil ha absolutt kontroll. I det øyeblikket du trenger nye forsøk ved feilaktige utdata, multi-provider-støtte eller typesikre schemaer, betaler et bibliotek som Instructor eller Mirascope for seg selv den første uken.

Hva er forskjellen mellom function calling og tool calling?

Det er det samme konseptet med forskjellige navn. OpenAI kalte det opprinnelig "function calling", Anthropic bruker "tool use", og bransjen konvergerer mot "tool calling". Mekanikken er identisk: LLM-en produserer en strukturert forespørsel, koden din utfører den og resultatet går tilbake til modellen.

Er LangChain fortsatt bra for function calling i 2026?

Mange utviklere har gått over til lettere alternativer. LangChain fungerer, men de dype abstraksjonslagerene legger til kompleksitet som er overdrevet hvis function calling er ditt primære behov. Instructor, Mirascope og LiteLLM løser det samme problemet med betydelig mindre overhead og bedre feilsøking.

Hva er forskjellen mellom Composio og Toolhouse?

Begge er verktøyplattformer, men de optimaliserer for forskjellige skalaer. Composio tilbyr 250+ integrasjoner med administrert OAuth og enterprise-funksjoner: ideell for produksjonsagenter som berører mange tjenester. Toolhouse fokuserer på enkelhet med et 3-linjes oppsett, noe som gjør det bedre for prototyping og mindre prosjekter.

Hvilket function calling-bibliotek støtter flest LLM-leverandører?

LiteLLM leder med 100+ leverandører via sin OpenAI-kompatible proxy. Vercel AI SDK støtter 20+ via community-adaptere. Instructor dekker 15+, og Mirascope håndterer 10+.

Kan jeg bruke Instructor med Anthropic Claude?

Ja. Instructor støtter Claude via klientpatchning, sammen med 14+ andre leverandører inkludert Gemini, Mistral, Cohere og lokale modeller via Ollama. Retry- og valideringslogikken fungerer identisk på tvers av alle støttede leverandører.

Hva er MCP og hvordan relaterer det seg til function calling?

MCP (Model Context Protocol) er Anthropics åpne standard for å koble LLM-er til eksterne verktøy og datakilder. Det standardiserer hvordan verktøy oppdages og utføres. Composio, Toolhouse og Vercel AI SDK støtter alle MCP-servere. Les vår komplette MCP-guide for det fulle bildet.

Kan jeg kombinere flere function calling-biblioteker?

Absolutt — og du bør gjøre det. Den vanligste produksjonsstacken er LiteLLM for leverandørruting pluss Instructor for validerte utdata. Legg til Composio på toppen hvis du trenger tredjepartsintegrasjoner. Disse verktøyene løser forskjellige lag av problemet, så de kombineres naturlig.

Trenger jeg function calling for enkle chatbots?

Nei. Function calling legger til kompleksitet som bare er verdt det når LLM-en din trenger å ta handlinger eller returnere strukturerte data. Hvis du bygger en Q&A-chatbot som bare svarer med tekst, er native SDK-ets chattfullføring alt du trenger. Spar function calling for når modellen trenger å samhandle med eksterne systemer.

Kilder

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