As 8 Melhores Bibliotecas de Chamada de Funções para LLMs, Classificadas [2026]

A chamada de funções transforma os LLMs de meros chatbots em software que realmente executa ações, consulta bases de dados, envia e-mails e aciona implementações. O problema? Existem dezenas de bibliotecas e cada uma resolve uma parte diferente do puzzle. Já utilizámos a maioria delas em projetos de produção, por isso aqui está a nossa lista classificada com opiniões honestas.

É novo neste conceito? Comece pelo nosso guia completo sobre chamada de funções em LLM para compreender os fundamentos antes de escolher uma ferramenta.

As Nossas Classificações num Relance

Estas ferramentas dividem-se em três categorias distintas: bibliotecas de abstração, plataformas de ferramentas e SDKs nativos. Escolher entre categorias é uma decisão fundamentalmente diferente de escolher dentro de uma categoria. Vamos explicar os pontos fortes, fracos e exatamente quem deve utilizar cada ferramenta.

Compreender as Três Categorias

Antes de avançarmos para as classificações, uma nota rápida sobre o que estas ferramentas realmente fazem. Nem todas resolvem o mesmo problema.

Bibliotecas de Abstração (Instructor, Mirascope, Magentic, LiteLLM, Vercel AI SDK) envolvem as APIs dos fornecedores com segurança de tipos, validação, repetições (retries) e suporte multi-fornecedor. Melhoram a experiência de desenvolvimento da chamada de funções.

Plataformas de Ferramentas (Composio, Toolhouse) adotam uma abordagem completamente diferente. Em vez de ajudar a definir ferramentas, fornecem integrações de ferramentas pré-construídas com autenticação gerida, sandboxing e execução. Se estiver a construir casos de uso de agentes de IA para empresas, podem poupar semanas de trabalho de integração.

SDKs Nativos (OpenAI, Anthropic, Google) oferecem acesso direto à API sem dependências extra, mas fica preso ao formato desse fornecedor.

Escolher o Instructor em vez do Mirascope é uma preferência de estilo. Escolher o Instructor em vez do Composio é uma decisão arquitetónica. Tenha esta distinção em mente ao ler as classificações.

n.º 1: Instructor, o Melhor Global para Programadores Python

O Instructor é a biblioteca que utilizamos primeiro na maioria dos projetos Python e, com cerca de 10 mil estrelas no GitHub, a comunidade concorda.

O Que É Bom

Criado por Jason Liu, o Instructor corrige os clientes LLM para devolver modelos Pydantic em vez de JSON bruto. Defina o seu esquema de saída como uma classe Pydantic e o Instructor trata automaticamente da validação, das repetições em caso de saídas malformadas e da coerção de tipos. Esse mecanismo de repetição é a verdadeira funcionalidade revolucionária: quando um modelo devolve JSON inválido (e acontece, mais vezes do que seria de esperar), o Instructor reenvia o erro de validação ao modelo e pede-lhe que se corrija. Só isto poupa horas de depuração em pipelines de produção.

Suporta mais de 15 fornecedores, incluindo OpenAI, Anthropic, Gemini, Mistral e Cohere. O suporte multi-fornecedor significa que escreve os seus modelos Pydantic uma vez e troca o LLM subjacente sem alterar o código do esquema.

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

O Que Não É Tão Bom

A abordagem de correção de clientes do Instructor modifica o comportamento do SDK em tempo de execução. Se é o tipo de programador que gosta de saber exatamente o que acontece nos bastidores, isto pode parecer um pouco mágico. A depuração exige, por vezes, compreender tanto a camada do Instructor como o SDK subjacente. Além disso, é exclusivo para Python, o que significa que as equipas de TypeScript terão de procurar alternativas.

Preços

Completamente gratuito e de código aberto. Sem nível pago, sem funcionalidades premium bloqueadas por paywall.

Quem Deve Utilizá-lo

Qualquer programador Python que necessite de saídas estruturadas fiáveis de LLMs. Se estiver a extrair dados, a chamar funções ou a construir pipelines onde o formato de saída é importante, o Instructor deve ser a sua primeira paragem.

Veredicto: O Instructor conquista o n.º 1 porque resolve o ponto de dor mais comum — saídas não fiáveis de LLM — com o mínimo atrito. O ciclo de repetição-validação é genuinamente crucial para uso em produção.

n.º 2: Vercel AI SDK, o Melhor para Programadores TypeScript

O Vercel AI SDK domina o espaço de chamada de funções em TypeScript de forma tão thorough que mal tem concorrência.

O Que É Bom

O auxiliar tool() fornece uma API limpa para definir ferramentas com esquemas Zod, e a execução de ferramentas em múltiplos passos gere automaticamente o ciclo de chamada-do-LLM-ferramenta-devolve-resultado. A versão 6 adicionou suporte adequado para agentes com maxSteps para cadeias de ferramentas autónomas, além de integração com MCP para ligação a servidores de ferramentas externos.

Se estiver a desenvolver com Next.js, os hooks React para transmitir resultados de chamadas de ferramentas para a interface são incomparáveis. Nenhuma outra biblioteca oferece este nível de integração frontend; pode mostrar aos utilizadores o estado de execução da ferramenta em tempo real, resultados parciais e dados estruturados em streaming com apenas alguns 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?',
});

Suporta mais de 20 fornecedores através de adaptadores da comunidade e é completamente gratuito e de código aberto.

O Que Não É Tão Bom

É exclusivo para TypeScript. Se o seu backend for em Python, esta não é uma opção. Os adaptadores da comunidade para fornecedores menos relevantes podem ficar atrasados em relação aos lançamentos oficiais, por isso poderá encontrar casos extremos com LLMs menos populares. Além disso, a estratégia de observabilidade é mais fraca do que a do Mirascope; terá de configurar o seu próprio rastreio.

Preços

Gratuito e de código aberto. A Vercel não cobra pelo SDK; ganha dinheiro com a sua plataforma de alojamento.

Quem Deve Utilizá-lo

Qualquer programador TypeScript ou Next.js que construa funcionalidades de IA. Se está no ecossistema Node.js, nem considere alternativas; comece por aqui.

Veredicto: O Vercel AI SDK fica em n.º 2 porque é o campeão indiscutível em TypeScript. Os hooks React e a integração em streaming destacam-no de tudo o resto no ecossistema JS.

n.º 3: LiteLLM, o Melhor para Equipas Multi-Fornecedor

O LiteLLM resolve um problema diferente das bibliotecas acima mencionadas. Em vez de melhorar a experiência de desenvolvimento (DX) da chamada de funções, normaliza mais de 100 fornecedores de LLM por trás de uma única interface compatível com a OpenAI. Escreva o seu código de chamada de funções uma vez, troque de fornecedor alterando uma string.

O Que É Bom

O verdadeiro poder revela-se nas implementações em equipa. O modo proxy do LiteLLM adiciona rastreio de custos por chave de API, balanceamento de carga entre fornecedores, limitação de taxa e roteamento de fallback. Se o Fornecedor A estiver em baixo ou com limite de taxa atingido, as suas chamadas de ferramentas são roteadas automaticamente para o Fornecedor B. Para organizações que executam múltiplos fornecedores de LLM — o que é cada vez mais a norma — esta é uma infraestrutura básica essencial.

A beleza é que o LiteLLM combina perfeitamente com outras ferramentas desta lista. Execute o LiteLLM como a sua camada de fornecedor e depois utilize o Instructor por cima para chamada de funções validada. Obtém o melhor dos dois mundos: flexibilidade de fornecedor na base, saídas type-safe no topo.

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"}}
            }
        }
    }]
)

O Que Não É Tão Bom

O LiteLLM em si não adiciona validação, repetições ou segurança de tipos à chamada de funções. É uma camada de roteamento e normalização, não uma camada de experiência de desenvolvimento. Quase certamente desejará algo como o Instructor por cima. A configuração do proxy também tem uma curva de aprendizagem; configurar fallbacks, orçamentos e regras de roteamento leva tempo.

Preços

Núcleo de código aberto gratuito. O nível empresarial adiciona painéis de gestão de gastos, SSO e análises avançadas. Os preços não estão listados publicamente; terá de falar com a equipa comercial.

Quem Deve Utilizá-lo

Equipas que executam múltiplos fornecedores de LLM e precisam de visibilidade de custos, roteamento de failover e uma única interface de API. Especialmente valioso quando combinado com Instructor ou Mirascope para a lógica real de chamada de funções.

Veredicto: O LiteLLM assume o n.º 3 porque a flexibilidade de fornecedor está a tornar-se não negociável para equipas sérias. É a camada de infraestrutura que faz tudo funcionar entre fornecedores.

n.º 4: Composio, a Melhor Plataforma de Ferramentas Pré-construídas

A Composio adota uma abordagem fundamentalmente diferente de tudo o que foi classificado acima. Em vez de ajudar a ligar a canalização da chamada de funções, fornece as ferramentas reais, pré-construídas, autenticadas e prontas a executar.

O Que É Bom

Mais de 250 integrações de ferramentas pré-construídas que cobrem tudo, desde GitHub e Slack até Salesforce e bases de dados. A funcionalidade revolucionária é o OAuth gerido: o seu agente pode autenticar-se com serviços de terceiros sem que tenha de criar fluxos de tokens do zero. Quem já passou uma semana a implementar OAuth para cinco APIs diferentes compreenderá por que razão isto é importante.

A Composio suporta servidores MCP (Model Context Protocol), tornando-a compatível com o ecossistema MCP em crescimento. É focada em agentes por design, com sandboxing de execução integrado para que o seu agente de IA não apague acidentalmente a sua base de dados de produção.

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"}]
)

O Que Não É Tão Bom

Se só precisa de duas ou três integrações de ferramentas, a sobrecarga da Composio não vale a pena. Existe uma curva de aprendizagem em torno da descoberta de ferramentas, gestão de autenticação e modelo de execução. O SDK também é mais pesado do que um simples pip install instructor. Para casos de uso de saída estruturada simples, a Composio é exagerada.

Preços

Nível gratuito disponível com execução limitada. Planos pagos para utilização mais elevada, funcionalidades de equipa e integrações empresariais. Os preços mudam frequentemente; consulte o site para as tarifas atuais.

Quem Deve Utilizá-lo

Equipas que constroem agentes que precisam de interagir com muitos serviços de terceiros. Se o seu agente toca no GitHub, Slack, Jira, Google Workspace, CRMs e bases de dados, escrever todos esses conectores manualmente levaria meses. A Composio faz isso em horas.

Veredicto: A Composio conquista o n.º 4 porque resolve um problema genuinamente difícil — integração multi-serviço — que nenhuma quantidade de Instructor ou LiteLLM consegue corrigir. Está numa categoria diferente das bibliotecas de abstração e é a melhor nessa categoria.

n.º 5: Mirascope, o Melhor para Observabilidade em Produção

O Mirascope chama a si próprio um "anti-framework" e a filosofia nota-se. Em vez de envolver tudo em abstrações, utiliza decoradores Python que mantêm o seu código com aspeto de Python regular.

O Que É Bom

O que distingue o Mirascope é o ângulo da observabilidade. Os rastreios OpenTelemetry para cada chamada LLM e execução de ferramenta estão integrados, não adicionados como pensamento tardio. Para equipas que executam chamada de funções em produção, essa visibilidade sobre latência, utilização de tokens e taxas de falha através de cadeias de ferramentas vale o seu peso em ouro.

A API baseada em decoradores (@llm.call) parece natural aos programadores Python. Obtém definições de ferramentas type-safe, geração automática de esquemas e lógica de repetição semelhante à do Instructor, tudo sem adotar um framework opinativo. O seu código continua a ter o aspeto e a sensação de Python, não de uma 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")

O Que Não É Tão Bom

Comunidade menor do que a do Instructor (menos estrelas no GitHub, menos respostas no Stack Overflow). Quando encontra um caso extremo, é mais provável que esteja a ler o código-fonte do que a encontrar um artigo de blogue com a solução. O suporte a fornecedores, com mais de 10, é bom, mas fica atrás dos mais de 15 do Instructor.

Preços

Gratuito e de código aberto. Sem nível pago.

Quem Deve Utilizá-lo

Programadores Python que se preocupam com a observabilidade em produção e querem rastreios OTel sem adicionar uma ferramenta de monitorização separada. Especialmente bom para equipas que já têm uma configuração Grafana/Jaeger/Datadog e querem que as chamadas LLM apareçam nos mesmos painéis.

Veredicto: O Mirascope fica em n.º 5 porque a observabilidade integrada é um diferenciador genuíno para cargas de trabalho de produção. Se já está investido no OTel, o Mirascope encaixa como uma luva.

n.º 6: Magentic, o Design de API Mais Elegante

O Magentic adota a abordagem mais minimalista de toda esta lista. Se valoriza código limpo e legível acima de tudo, vai adorá-lo.

O Que É Bom

O decorador @prompt permite definir fluxos de chamada de funções que se leem como assinaturas de funções Python normais. A transmissão de saídas estruturadas funciona imediatamente. A superfície da API é intencionalmente pequena; quase não há nada para aprender. Para programadores que consideram a correção de clientes do Instructor ou o sistema de decoradores do Mirascope excessivamente engenhados, o Magentic é uma lufada de ar fresco.

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")

O Que Não É Tão Bom

Menos fornecedores (cerca de 5) do que o Instructor ou o Mirascope. Sem lógica de repetição ou validação integrada; se o modelo devolver lixo, terá de lidar com isso sozinho. Sem funcionalidades de observabilidade. O Magentic faz uma coisa bem, mas só faz uma coisa.

Preços

Gratuito e de código aberto.

Quem Deve Utilizá-lo

Programadores que querem a API mais Pythonic e minimalista para chamada de funções e saídas estruturadas. Ótimo para projetos pessoais, protótipos e equipas que valorizam a legibilidade do código acima da completude de funcionalidades.

Veredicto: O Magentic fica em n.º 6 porque a elegância é maravilhosa, mas a falta de repetições e o suporte limitado a fornecedores travam-no para uso em produção.

n.º 7: Toolhouse, Configuração Mais Rápida para Ferramentas de Agente

O Toolhouse posiciona-se como um Backend-as-a-Service para ferramentas de agentes de IA. A proposta é a simplicidade: adicione execução de ferramentas ao seu agente em três linhas de código.

O Que É Bom

O Toolhouse trata das definições de funções, do ambiente de execução e da formatação dos resultados. O atrito de configuração é genuinamente o mais baixo desta lista. Se quiser um agente funcional com execução de ferramentas em menos de cinco minutos, o Toolhouse entrega. Suporta servidores MCP e oferece sandboxing de execução gerido.

O Que Não É Tão Bom

O catálogo de ferramentas é menor do que o da Composio (mais de 100 vs. mais de 250). As funcionalidades empresariais são mais limitadas. A abordagem de "gerir tudo" significa menos controlo; se precisar de comportamento de ferramenta personalizado ou orquestração complexa, atingirá os limites da plataforma mais rapidamente do que com a Composio.

Preços

Nível gratuito com limites de utilização. Planos pagos para maior volume e funcionalidades adicionais.

Quem Deve Utilizá-lo

Programadores que querem o caminho mais rápido para um agente funcional com execução de ferramentas e não precisam de integrações à escala empresarial. Ótimo para hackathons, protótipos e MVPs.

Veredicto: O Toolhouse fica em n.º 7 porque a velocidade para obter um demo funcional é o seu superpoder, mas o catálogo menor e a menor flexibilidade limitam-no para uso em produção.

n.º 8: SDKs Nativos dos Fornecedores, Controlo Máximo, Zero Abstrações

Se está comprometido com um único fornecedor de LLM e quer zero dependências extra, os SDKs nativos são a escolha "metal puro".

O Que É Bom

A OpenAI tem o suporte de chamada de funções mais maduro. A API Responses trata chamadas de funções paralelas e o mais recente Agents SDK adiciona orquestração de ferramentas em múltiplos passos. A maioria das bibliotecas de terceiros usa o formato da OpenAI como base.

O SDK Claude da Anthropic utiliza uma API de uso de ferramentas com forte precisão, competitiva com o GPT-4o. Integra-se bem com o pensamento estendido do Claude para cadeias complexas de múltiplos passos.

O SDK Gemini da Google suporta execução automática de funções; o modelo pode chamar as suas ferramentas e devolver os resultados sem gestão manual do ciclo.

O Que Não É Tão Bom

Fica preso a um fornecedor. Sem repetições em saídas malformadas. Sem segurança de tipos além do que construir sozinho. Sem observabilidade. Sem suporte multi-fornecedor. Todas as funcionalidades de conveniência que bibliotecas como o Instructor fornecem, teria de construir do zero.

Preços

Gratuito (apenas paga pela utilização da API ao fornecedor).

Quem Deve Utilizá-lo

Projetos totalmente comprometidos com um fornecedor, que precisam de controlo máximo sobre a interação com a API e têm recursos de engenharia para construir a sua própria validação e tratamento de erros.

Veredicto: Os SDKs nativos ficam em n.º 8 não porque sejam maus — são a base sobre a qual tudo o resto é construído — mas porque as bibliotecas de abstração adicionam tanto valor por tão pouco custo.

Por Que Razão a Techsy Escolhe o Instructor como n.º 1

Construímos pipelines de chamada de funções com a maioria destas ferramentas em projetos de clientes. Eis por que razão o Instructor consistentemente se destaca para a nossa equipa:

1. Fiabilidade em produção: O ciclo de repetição-validação captura saídas malformadas que quebrariam um pipeline. Já o vimos recuperar de JSON incorreto 3-4 vezes por cada 100 chamadas em alguns modelos.
2. Integração Pydantic: A maioria dos projetos Python já utiliza Pydantic para validação de dados. O Instructor faz com que as saídas do seu LLM se enquadrem no mesmo sistema de tipos que todo o seu código-base utiliza.
3. Baixo custo de mudança: Se decidir trocar do GPT-4o para o Claude, altera uma linha. Os seus modelos Pydantic permanecem idênticos.
4. Componibilidade: Frequentemente executamos o Instructor por cima do LiteLLM. As duas ferramentas complementam-se perfeitamente; o LiteLLM trata do roteamento, o Instructor trata da validação.

Dito isto, se estiver em TypeScript, o Vercel AI SDK é a escolha óbvia. E se precisar de dezenas de integrações de terceiros, nenhuma quantidade de Instructor substituirá o que a Composio oferece. A ferramenta certa depende de que camada da stack está a resolver.

Matriz de Comparação de Funcionalidades

Qual Biblioteca de Chamada de Funções Deve Escolher?

Ainda não tem a certeza? Percorra este quadro de decisão.

A maioria dos projetos do mundo real combina camadas. Uma stack comum que utilizamos: LiteLLM para roteamento de fornecedores, Instructor por cima para chamada de funções validada e Composio quando os agentes precisam de integrações de terceiros. Comece pelo que resolve o seu problema mais premente e adicione camadas conforme necessário.

Precisa de Algo Personalizado?

Se estiver a construir um produto de IA que depende fortemente de chamada de funções, extração de dados de documentos, orquestração de fluxos de trabalho em múltiplos passos ou ligação de agentes às suas ferramentas internas, já fizemos isto em vários projetos de clientes. A nossa abordagem começa por compreender o seu fluxo de dados e requisitos de fornecedor antes de recomendar uma stack.

Veja os nossos serviços de integração de IA. Obtenha uma consulta gratuita sobre a sua arquitetura de IA

FAQ

Qual é a melhor biblioteca para chamada de funções de LLM em 2026?

O Instructor é a nossa principal escolha para programadores Python que precisam de saídas estruturadas fiáveis. Para TypeScript, o Vercel AI SDK é o claro vencedor. O LiteLLM é o melhor para roteamento multi-fornecedor e a Composio vence quando precisa de integrações de ferramentas pré-construídas.

Devo usar SDKs nativos ou uma biblioteca para chamada de funções?

Use SDKs nativos apenas se estiver preso a um fornecedor e quiser controlo absoluto. No momento em que precisar de repetições em saídas malformadas, suporte multi-fornecedor ou esquemas type-safe, uma biblioteca como o Instructor ou Mirascope compensa-se logo na primeira semana.

Qual é a diferença entre chamada de funções e chamada de ferramentas?

São o mesmo conceito com nomes diferentes. A OpenAI chamou-lhe originalmente "chamada de funções", a Anthropic usa "uso de ferramentas" e a indústria está a convergir para "chamada de ferramentas". A mecânica é idêntica: o LLM produz um pedido estruturado, o seu código executa-o e o resultado volta para o modelo.

O LangChain ainda é bom para chamada de funções em 2026?

Muitos programadores migraram para alternativas mais leves. O LangChain funciona, mas as suas camadas profundas de abstração adicionam complexidade que é exagerada se a chamada de funções for a sua necessidade principal. O Instructor, Mirascope e LiteLLM resolvem o mesmo problema com significativamente menos sobrecarga e melhor depuração.

Qual é a diferença entre Composio e Toolhouse?

Ambas são plataformas de ferramentas, mas otimizam para escalas diferentes. A Composio oferece mais de 250 integrações com OAuth gerido e funcionalidades empresariais, ideal para agentes de produção que tocam em muitos serviços. A Toolhouse foca-se na simplicidade com uma configuração de 3 linhas, tornando-a melhor para prototipagem e projetos menores.

Qual biblioteca de chamada de funções suporta mais fornecedores de LLM?

O LiteLLM lidera com mais de 100 fornecedores através do seu proxy compatível com OpenAI. O Vercel AI SDK suporta mais de 20 através de adaptadores da comunidade. O Instructor cobre mais de 15 e o Mirascope trata de mais de 10.

Posso usar o Instructor com o Anthropic Claude?

Sim. O Instructor suporta Claude através de correção de cliente, juntamente com mais de 14 outros fornecedores, incluindo Gemini, Mistral, Cohere e modelos locais via Ollama. A lógica de repetição e validação funciona identicamente em todos os fornecedores suportados.

O que é o MCP e como se relaciona com a chamada de funções?

O MCP (Model Context Protocol) é o padrão aberto da Anthropic para ligar LLMs a ferramentas externas e fontes de dados. Padroniza como as ferramentas são descobertas e executadas. A Composio, Toolhouse e Vercel AI SDK suportam todos servidores MCP. Leia o nosso guia completo sobre MCP para ter a imagem completa.

Posso combinar várias bibliotecas de chamada de funções?

Absolutamente, e deve fazê-lo. A stack de produção mais comum é LiteLLM para roteamento de fornecedores mais Instructor para saídas validadas. Adicione a Composio por cima se precisar de integrações de terceiros. Estas ferramentas resolvem camadas diferentes do problema, por isso compõem-se naturalmente.

Preciso de chamada de funções para chatbots simples?

Não. A chamada de funções adiciona complexidade que só vale a pena quando o seu LLM precisa de tomar ações ou devolver dados estruturados. Se estiver a construir um chatbot de perguntas e respostas que apenas responde com texto, a conclusão de chat do SDK nativo é tudo o que precisa. Guarde a chamada de funções para quando o modelo precisar de interagir com sistemas externos.

Fontes

• Documentação do Instructor
• Documentação do Mirascope
• Documentação do LiteLLM
• Documentação da Composio
• Documentação do Toolhouse
• Vercel AI SDK - Ferramentas e Chamada de Ferramentas
• Documentação do Magentic
• Paul Simmering - Melhor Biblioteca para Saída Estruturada de LLM