8 найкращих бібліотек для виклику функцій LLM: рейтинг [2026]

Виклик функцій перетворює великі мовні моделі (LLM) зі звичайних чат-ботів на програмне забезпечення, яке реально виконує дії: запитує бази даних, надсилає електронні листи, запускає деплої. Проблема в тому, що існують десятки бібліотек, і кожна з них вирішує лише частину головоломки. Ми використовували більшість із них у реальних проєктах, тож ось наш рейтинг із чесними думками.

Щойно знайомитеся з цією концепцією? Почніть із нашого повного посібника з виклику функцій LLM, щоб засвоїти основи перед вибором інструменту.

Наш рейтинг коротко

Ці інструменти поділяються на три окремі категорії: бібліотеки абстракції, платформи інструментів та нативні SDK. Вибір між категоріями є фундаментально іншим рішенням, ніж вибір всередині однієї категорії. Ми пояснимо сильні та слабкі сторони кожного інструменту, а також те, кому саме варто його використовувати.

Розуміння трьох категорій

Перш ніж перейти до рейтингу, коротко про те, що насправді роблять ці інструменти. Вони вирішують не однакові проблеми.

Бібліотеки абстракції (Instructor, Mirascope, Magentic, LiteLLM, Vercel AI SDK) обгортають API постачальників, додаючи безпеку типів, валідацію, повторні спроби та підтримку кількох постачальників. Вони покращують досвід розробника при виклику функцій.

Платформи інструментів (Composio, Toolhouse) використовують зовсім інший підхід. Замість того щоб допомагати вам визначати інструменти, вони надають готові інтеграції інструментів із керованою автентифікацією, пісочницею та виконанням. Якщо ви будуєте ШІ-агентів для бізнесу, вони можуть заощадити тижні роботи з інтеграції.

Нативні SDK (OpenAI, Anthropic, Google) надають прямий доступ до API без додаткових залежностей, але ви прив’язані до формату цього вендора.

Вибір між Instructor та Mirascope — це питання стилю. Вибір між Instructor та Composio — це архітектурне рішення. Тримайте цю відмінність на увазі, читаючи рейтинг.

№ 1: Instructor, найкращий вибір загалом для Python-розробників

Instructor — це бібліотека, до якої ми звертаємося насамперед у більшості Python-проєктів, і спільнота погоджується з цим (близько 10 тисяч зірок на GitHub).

Що добре

Створена Джейсоном Лю, Instructor патчить клієнти LLM, щоб вони повертали моделі Pydantic замість сирих JSON. Визначте схему виводу як клас Pydantic, і Instructor автоматично обробить валідацію, повторні спроби у разі неправильного формату виводу та приведення типів. Механізм повторних спроб — це справжня «кілер-фіча»: коли модель повертає недійсний JSON (а це трапляється частіше, ніж ви думаєте), Instructor передає помилку валідації назад моделі й просить її виправитися. Цеalone заощаджує години налагодження продакшен-пайплайнів.

Він підтримує понад 15 постачальників, включаючи OpenAI, Anthropic, Gemini, Mistral та Cohere. Підтримка кількох постачальників означає, що ви пишете свої моделі Pydantic один раз і можете змінювати базову LLM без змін у коді схеми.

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

Що не так добре

Підхід Instructor із патчингом клієнтів змінює поведінку SDK під час виконання. Якщо ви той тип розробника, якому важливо точно знати, що відбувається «під капотом», це може здатися трохи магічним. Для налагодження іноді потрібно розуміти як шар Instructor, так і базовий SDK. Крім того, це тільки Python, тож командам на TypeScript доведеться шукати інші варіанти.

Ціни

Повністю безкоштовно та з відкритим кодом. Немає платного рівня, немає преміум-функцій за пейволом.

Кому використовувати

Будь-якому Python-розробнику, якому потрібні надійні структуровані виводи від LLM. Якщо ви витягуєте дані, викликаєте функції або будуєте пайплайни, де формат виводу має значення, Instructor має бути вашим першим вибором.

Вердикт: Instructor займає № 1, тому що він вирішує найпоширенішу проблему — ненадійні виводи LLM — з мінімальними труднощами. Цикл повторної валідації дійсно критично важливий для використання у продакшені.

№ 2: Vercel AI SDK, найкращий для розробників TypeScript

Vercel AI SDK настільки домінує у сфері виклику функцій для TypeScript, що майже не має конкурентів.

Що добре

Хелпер tool() надає чистий API для визначення інструментів зі схемами Zod, а багатокрокове виконання інструментів автоматично обробляє цикл «LLM викликає інструмент — отримує результат». Версія 6 додала належну підтримку агентів із maxSteps для автономних ланцюжків інструментів, а також інтеграцію з MCP для підключення до зовнішніх серверів інструментів.

Якщо ви працюєте з Next.js, React-хуки для потокової передачі результатів виклику інструментів в інтерфейс є неперевершеними. Жодна інша бібліотека не надає такого рівня інтеграції з фронтендом: ви можете показувати користувачам статус виконання інструментів у реальному часі, часткові результати та потокові структуровані дані за допомогою кількох хуків.

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?',
});

Він підтримує понад 20 постачальників через адаптери спільноти і є повністю безкоштовним та з відкритим кодом.

Що не так добре

Це тільки TypeScript. Якщо ваш бекенд на Python, цей варіант не підходить. Адаптери спільноти для менш популярних постачальників можуть відставати від офіційних релізів, тож ви можете зіткнутися з крайніми випадками при використанні менш відомих LLM. Також історія зі спостережуваністю слабша, ніж у Mirascope: вам доведеться самостійно налаштовувати трейсинг.

Ціни

Безкоштовно та з відкритим кодом. Vercel не бере грошей за SDK, вони заробляють на своїй хостинг-платформі.

Кому використовувати

Будь-якому розробнику TypeScript або Next.js, який будує ШІ-функції. Якщо ви в екосистемі Node.js, навіть не розглядайте альтернативи — починайте звідси.

Вердикт: Vercel AI SDK отримує № 2, тому що він є беззаперечним чемпіоном для TypeScript. React-хуки та потокова інтеграція виділяють його серед усього іншого в JS-екосистемі.

№ 3: LiteLLM, найкращий для команд із кількома постачальниками

LiteLLM вирішує іншу проблему, ніж наведені вище бібліотеки. Замість покращення досвіду розробника при виклику функцій, він нормалізує понад 100 постачальників LLM за єдиним інтерфейсом, сумісним з OpenAI. Напишіть код виклику функцій один раз, змінюйте постачальників, просто змінюючи рядок.

Що добре

Справжня сила проявляється в командних розгортаннях. Режим проксі LiteLLM додає відстеження витрат на ключ API, балансування навантаження між постачальниками, обмеження швидкості та маршрутизацію з резервуванням. Якщо Постачальник А недоступний або перевищено ліміт, ваші виклики інструментів автоматично перенаправляються до Постачальника Б. Для організацій, які використовують кілька постачальників LLM (що стає все більш нормальним явищем), це базова інфраструктура.

Прелесть у тому, що LiteLLM ідеально поєднується з іншими інструментами з цього списку. Запустіть LiteLLM як шар постачальника, а потім використовуйте поверх нього Instructor для валідованого виклику функцій. Ви отримуєте найкраще з обох світів: гнучкість постачальників унизу та безпечні за типами виводи зверху.

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"}}
            }
        }
    }]
)

Що не так добре

LiteLLM сам по собі не додає валідацію, повторні спроби або безпеку типів до виклику функцій. Це шар маршрутизації та нормалізації, а не шар покращення досвіду розробника. Вам майже напевно знадобиться щось на кшталт Instructor зверху. Налаштування проксі також має певну криву навчання: конфігурація резервних шляхів, бюджетів та правил маршрутизації займає час.

Ціни

Безкоштовне ядро з відкритим кодом. Корпоративний рівень додає панелі керування витратами, SSO та розширену аналітику. Ціни не опубліковані відкрито, потрібно звертатися до їхнього відділу продажів.

Кому використовувати

Командам, які використовують кілька постачальників LLM і потребують видимості витрат, маршрутизації з відмовостійкістю та єдиного інтерфейсу API. Особливо цінно в поєднанні з Instructor або Mirascope для безпосередньої логіки виклику функцій.

Вердикт: LiteLLM займає № 3, тому що гнучкість постачальників стає обов’язковою вимогою для серйозних команд. Це інфраструктурний шар, який дозволяє всьому іншому працювати з різними постачальниками.

№ 4: Composio, найкраща платформа готових інструментів

Composio використовує фундаментально інший підхід порівняно з усім, що було в рейтингу вище. Замість того щоб допомагати вам налаштовувати технічну частину виклику функцій, він надає вам самі інструменти: готові, автентифіковані та готові до виконання.

Що добре

Понад 250 готових інтеграцій інструментів, які охоплюють усе: від GitHub і Slack до Salesforce та баз даних. Кілер-фіча — керований OAuth: ваш агент може автентифікуватися в сторонніх сервісах без необхідності будувати потоки токенів з нуля. Кожен, хто витрачав тиждень на реалізацію OAuth для п’яти різних API, зрозуміє, чому це важливо.

Composio підтримує сервери MCP (Model Context Protocol), що робить його сумісним із дедалі більшою екосистемою MCP. Він створений з орієнтацією на агентів, із вбудованою пісочницею виконання, щоб ваш ШІ-агент випадково не видалив вашу продакшен-базу даних.

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"}]
)

Що не так добре

Якщо вам потрібно лише два-три інтеграції інструментів, накладні витрати Composio того не варті. Існує крива навчання щодо їхнього виявлення інструментів, керування автентифікацією та моделі виконання. SDK також «важчий», ніж просте pip install instructor. Для простих випадків використання структурованого виводу Composio є надмірним.

Ціни

Доступний безкоштовний рівень із обмеженим виконанням. Платні плани для більшого використання, командних функцій та корпоративних інтеграцій. Ціни часто змінюються, перевіряйте актуальні тарифи на їхньому сайті.

Кому використовувати

Командам, які будують агентів, що мають взаємодіяти з багатьма сторонніми сервісами. Якщо ваш агент працює з GitHub, Slack, Jira, Google Workspace, CRM та базами даних, написання всіх цих конекторів самостійно займе місяці. Composio робить це за години.

Вердикт: Composio займає № 4, тому що він вирішує справді складну проблему — інтеграцію з багатьма сервісами, — яку не виправити ніякою кількістю Instructor або LiteLLM. Він належить до іншої категорії, ніж бібліотеки абстракції, і є найкращим у цій категорії.

№ 5: Mirascope, найкращий для спостережуваності у продакшені

Mirascope називає себе «антифреймворком», і ця філософія помітна. Замість того щоб обгортати все в абстракції, він використовує декоратори Python, які залишають ваш код схожим на звичайний Python.

Що добре

Те, що виділяє Mirascope, — це кут спостережуваності. Трейси OpenTelemetry для кожного виклику LLM та виконання інструменту вбудовані, а не додані як післядумка. Для команд, які запускають виклик функцій у продакшені, ця видимість затримки, використання токенів та частоти помилок у ланцюжках інструментів коштує свого золота.

API на основі декораторів (@llm.call) виглядає природно для Python-розробників. Ви отримуєте безпечні за типами визначення інструментів, автоматичне генерування схем та логіку повторних спроб, подібну до Instructor, усе це без прийняття Opinionated-фреймворку. Ваш код все ще виглядає і відчувається як Python, а не як 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")

Що не так добре

Спільнота менша, ніж у Instructor (менше зірок на GitHub, менше відповідей на Stack Overflow). Коли ви натрапляєте на крайній випадок, ви частіше читатимете вихідний код, ніж знайдете блог-пост із рішенням. Підтримка постачальників (10+) хороша, але поступається 15+ у Instructor.

Ціни

Безкоштовно та з відкритим кодом. Немає платного рівня.

Кому використовувати

Python-розробникам, яких турбує спостережуваність у продакшені та які хочуть отримати трейси OTel без підключення окремого інструменту моніторингу. Особливо добре підходить для команд, які вже мають налаштування Grafana/Jaeger/Datadog і хочуть, щоб виклики LLM відображалися на тих самих панелях.

Вердикт: Mirascope отримує № 5, тому що вбудована спостережуваність є справжнім диференціатором для продакшен-навантажень. Якщо ви вже інвестували в OTel, Mirascope підійде ідеально.

№ 6: Magentic, найелегантніший дизайн API

Magentic використовує найбільш мінімалістичний підхід у всьому цьому списку. Якщо ви цінуєте чистий, читабельний код понад усе, вам це сподобається.

Що добре

Декоратор @prompt дозволяє визначати потоки виклику функцій, які читаються як звичайні сигнатури функцій Python. Потокова передача структурованих виводів працює «з коробки». Поверхня API навмисно крихітна — майже нічого вчити. Для розробників, яким патчинг клієнтів в Instructor або система декораторів Mirascope здаються надмірно ускладненими, Magentic стане ковтком свіжого повітря.

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")

Що не так добре

Менше постачальників (близько 5), ніж у Instructor або Mirascope. Немає вбудованої логіки повторних спроб або валідації: якщо модель повертає сміття, ви обробляєте це самостійно. Немає функцій спостережуваності. Magentic робить одну рість добре, але тільки одну.

Ціни

Безкоштовно та з відкритим кодом.

Кому використовувати

Розробникам, які хочуть отримати найбільш Pythonic, мінімальний API для виклику функцій та структурованих виводів. Чудово підходить для особистих проєктів, прототипів та команд, які цінують читабельність коду більше, ніж повноту функцій.

Вердикт: Magentic займає № 6, тому що елегантність — це чудово, але відсутність повторних спроб та обмежена підтримка постачальників стримують його для використання у продакшені.

№ 7: Toolhouse, найшвидше налаштування інструментів для агентів

Toolhouse позиціонує себе як Backend-as-a-Service для інструментів ШІ-агентів. Їхня пропозиція — простота: додайте виконання інструментів до вашого агента в три рядки коду.

Що добре

Toolhouse обробляє визначення функцій, середовище виконання та форматування результатів. Тертя при налаштуванні дійсно найнижче в цьому списку. Якщо ви хочете отримати працюючого агента з виконанням інструментів менш ніж за п’ять хвилин, Toolhouse доставить. Він підтримує сервери MCP та пропонує кероване пісочницю виконання.

Що не так добре

Каталог інструментів менший, ніж у Composio (100+ проти 250+). Корпоративні функції більш обмежені. Підхід «керовано все» означає менше контролю: якщо вам потрібна нестандартна поведінка інструментів або складна оркестрація, ви швидше впретеся в стіни платформи, ніж із Composio.

Ціни

Безкоштовний рівень із лімітами використання. Платні плани для більшого обсягу та додаткових функцій.

Кому використовувати

Розробникам, які хочуть найшвидшого шляху до працюючого агента з виконанням інструментів і не потребують інтеграцій корпоративного масштабу. Чудово підходить для хакатонів, прототипів та MVP.

Вердикт: Toolhouse отримує № 7, тому що швидкість виходу на працююче демо — його суперсила, але менший каталог та менша гнучкість обмежують його для використання у продакшені.

№ 8: Нативні SDK постачальників, максимальний контроль, нульові абстракції

Якщо ви віддані одному постачальнику LLM і хочете нульових додаткових залежностей, нативні SDK — це вибір «заліза».

Що добре

OpenAI має найбільш зрілу підтримку виклику функцій. Responses API обробляє паралельні виклики функцій, а новіший Agents SDK додає багатокрокову оркестрацію інструментів. Більшість сторонніх бібліотек використовують формат OpenAI як базовий.

SDK Anthropic Claude використовує API використання інструментів із високою точністю, яка конкурує з GPT-4o. Він добре інтегрується з розширеним мисленням Claude для складних багатокрокових ланцюжків.

SDK Google Gemini підтримує автоматичне виконання функцій: модель може викликати ваші інструменти та передавати результати назад без ручного керування циклом.

Що не так добре

Ви прив’язані до одного постачальника. Немає повторних спроб у разі неправильного формату виводу. Немає безпеки типів beyond того, що ви побудуєте самостійно. Немає спостережуваності. Немає підтримки кількох постачальників. Кожну зручну функцію, яку надають такі бібліотеки, як Instructor, вам доведеться будувати з нуля.

Ціни

Безкоштовно (ви платите лише за використання API постачальнику).

Кому використовувати

Проєктам, які повністю віддані одному постачальнику, потребують максимального контролю над взаємодією з API та мають інженерні ресурси для побудови власної валідації та обробки помилок.

Вердикт: Нативні SDK займають № 8 не тому, що вони погані (вони є фундаментом, на якому побудовано все інше), а тому, що бібліотеки абстракції додають стільки цінності за таку малу ціну.

Чому Techsy обирає Instructor як № 1

Ми будували пайплайни виклику функцій за допомогою більшості цих інструментів у клієнтських проєктах. Ось чому Instructor постійно виходить на перше місце для нашої команди:

1. Надійність у продакшені: Цикл повторної валідації ловить неправильно сформатовані виводи, які могли б зламати пайплайн. Ми бачили, як він відновлювався після поганого JSON 3-4 рази на 100 викликів на деяких моделях.
2. Інтеграція з Pydantic: Більшість Python-проєктів уже використовують Pydantic для валідації даних. Instructor вписує виводи LLM у ту саму систему типів, яку використовує вся ваша кодова база.
3. Низька вартість перемикання: Якщо ви вирішите перейти з GPT-4o на Claude, ви змінюєте один рядок. Ваші моделі Pydantic залишаються ідентичними.
4. Композиційність: Ми часто запускаємо Instructor поверх LiteLLM. Ці два інструменти ідеально доповнюють один одного: LiteLLM обробляє маршрутизацію, Instructor — валідацію.

Тим не менш, якщо ви працюєте з TypeScript, Vercel AI SDK є очевидним вибором. А якщо вам потрібні десятки сторонніх інтеграцій, жодна кількість Instructor не замінить те, що дає Composio. Правильний інструмент залежить від того, який рівень стеку ви вирішуєте.

Матриця порівняння функцій

Яку бібліотеку для виклику функцій обрати?

Все ще не впевнені? Пройдіть через цю структуру прийняття рішень.

Більшість реальних проєктів поєднують рівні. Поширений стек, який ми використовуємо: LiteLLM для маршрутизації постачальників, Instructor зверху для валідованого виклику функцій та Composio, коли агентам потрібні сторонні інтеграції. Почніть з того, що вирішує вашу найнагальнішу проблему, а потім додавайте рівні за потреби.

Потрібно щось індивідуальне?

Якщо ви будуєте ШІ-продукт, який сильно покладається на виклик функцій, витягування даних із документів, оркестрацію багатокрокових робочих процесів або підключення агентів до ваших внутрішніх інструментів, ми робили це в численних клієнтських проєктах. Наш підхід починається з розуміння вашого потоку даних та вимог до постачальників перед рекомендацією стеку.

Перегляньте наші послуги з інтеграції ШІ. Отримайте безкоштовну консультацію щодо вашої ШІ-архітектури

FAQ

Яка бібліотека найкраща для виклику функцій LLM у 2026 році?

Instructor — наш топ-вибір для Python-розробників, яким потрібні надійні структуровані виводи. Для TypeScript чітким переможцем є Vercel AI SDK. LiteLLM найкращий для маршрутизації між кількома постачальниками, а Composio виграє, коли потрібні готові інтеграції інструментів.

Чи варто використовувати нативні SDK чи бібліотеку для виклику функцій?

Використовуйте нативні SDK лише тоді, коли ви прив’язані до одного постачальника і хочете абсолютного контролю. Як тільки вам знадобляться повторні спроби у разі неправильного формату виводу, підтримка кількох постачальників або безпечні за типами схеми, бібліотека на кшталт Instructor або Mirascope окупить себе вже за перший тиждень.

У чому різниця між викликом функцій та викликом інструментів?

Це одна й та сама концепція з різними назвами. OpenAI спочатку називала це «викликом функцій», Anthropic використовує термін «використання інструментів», а індустрія сходиться на «виклику інструментів». Механіка ідентична: LLM виводить структурований запит, ваш код виконує його, а результат повертається до моделі.

Чи все ще хороший LangChain для виклику функцій у 2026 році?

Багато розробників перейшли на легші альтернативи. LangChain працює, але його глибокі рівні абстракції додають складності, яка є надмірною, якщо виклик функцій є вашою основною потребою. Instructor, Mirascope та LiteLLM вирішують ту саму проблему зі значно меншими накладними витратами та кращим налагодженням.

У чому різниця між Composio та Toolhouse?

Обидві є платформами інструментів, але оптимізовані для різних масштабів. Composio пропонує 250+ інтеграцій із керованим OAuth та корпоративними функціями, що ідеально підходить для продакшен-агентів, які працюють із багатьма сервісами. Toolhouse зосереджується на простоті з налаштуванням у 3 рядки, що робить його кращим для прототипування та менших проєктів.

Яка бібліотека для виклику функцій підтримує найбільше постачальників LLM?

LiteLLM лідирує з 100+ постачальниками через свій проксі, сумісний з OpenAI. Vercel AI SDK підтримує 20+ через адаптери спільноти. Instructor охоплює 15+, а Mirascope обробляє 10+.

Чи можна використовувати Instructor з Anthropic Claude?

Так. Instructor підтримує Claude через патчинг клієнта, разом із 14+ іншими постачальниками, включаючи Gemini, Mistral, Cohere та локальні моделі через Ollama. Логіка повторних спроб та валідації працює однаково для всіх підтримуваних постачальників.

Що таке MCP і як це пов’язано з викликом функцій?

MCP (Model Context Protocol) — це відкритий стандарт Anthropic для підключення LLM до зовнішніх інструментів та джерел даних. Він стандартизує те, як інструменти виявляються та виконуються. Composio, Toolhouse та Vercel AI SDK усі підтримують сервери MCP. Прочитайте наш повний посібник з MCP для повної картини.

Чи можна поєднувати кілька бібліотек для виклику функцій?

Абсолютно, і варто. Найпоширеніший продакшен-стек — це LiteLLM для маршрутизації постачальників плюс Instructor для валідованих виводів. Додайте Composio зверху, якщо потрібні сторонні інтеграції. Ці інструменти вирішують різні рівні проблеми, тому вони природно композуються.

Чи потрібен виклик функцій для простих чат-ботів?

Ні. Виклик функцій додає складність, яка виправдана лише тоді, коли вашій LLM потрібно виконувати дії або повертати структуровані дані. Якщо ви будуєте чат-бот для відповідей на запитання, який просто відповідає текстом, вам достатньо завершення чату в нативному SDK. Збережіть виклик функцій для випадків, коли моделі потрібно взаємодіяти із зовнішніми системами.

Джерела

• Документація Instructor
• Документація Mirascope
• Документація LiteLLM
• Документація Composio
• Документація Toolhouse
• Vercel AI SDK - Інструменти та виклик інструментів
• Документація Magentic
• Paul Simmering - Найкраща бібліотека для структурованого виводу LLM