Zum Inhalt springen
ReviewRamble

Der wöchentliche Brief

KI im Test, in deinem Postfach.

  • Neue Tests von Tools, Modellen, MCP-Servern und Repos, mit dem Urteil vorneweg
  • Neu geprüfte Preise und Bewertungen, wenn sich etwas ändert
  • Neue Analysen, sobald sie erscheinen

Modelle, Agenten, MCP-Server und die Tools, die deine Zeit wirklich wert sind.

Eine E-Mail pro Woche. Abmelden kannst du dich über den Link in jedem Brief. Wie wir deine E-Mail-Adresse nutzen

Tool Calling

Tool Calling, auch Function Calling (Funktionsaufruf) genannt, ist eine Funktion von Modell-APIs, bei der du Funktionen mit einem Schema beschreibst, das Modell mit einer strukturierten Anfrage antwortet, eine davon aufzurufen, und dein Code sie ausführt und das Ergebnis zurückgibt.

Auch: function calling, tool use

Von Divya Sharma · Geprüft am 15. Nov. 2026 · So testen wir

Ein Modell allein kann nur Text schreiben. Tool Calling gibt ihm einen verlässlichen Weg, Aktionen anzufordern: das Wetter nachschlagen, eine Datenbank abfragen, eine E-Mail senden. Das Modell führt selbst nie etwas aus. Es erzeugt eine strukturierte Anfrage, und deine Anwendung entscheidet, ob und wie sie ausgeführt wird.

So funktioniert es

Du schickst eine Liste von Tools, jedes mit Namen, Beschreibung und einem JSON Schema für seine Eingaben. Entscheidet das Modell, dass ein Tool helfen würde, gibt es statt einfachem Text einen Tool-Aufruf mit Tool-Namen und Argumenten zurück. Dein Code führt die Funktion aus und schickt die Ausgabe in der nächsten Anfrage zurück. Das Modell antwortet dann oder ruft ein weiteres Tool auf. Die Wiederholung davon ist die Agenten-Schleife.

Manche Anbieter führen bestimmte Tools wie die Websuche auch auf ihren eigenen Servern aus, sodass die Anwendung nur das Ergebnis sieht.

Beispiel

Ein Nutzer fragt „What is the weather in San Francisco?“. Das Modell gibt einen Aufruf von get_weather mit ausgefülltem Ort zurück. Dein Code holt die Vorhersage und gibt sie zurück, und das Modell schreibt die Antwort.

Verwandte Ideen

Tool-Schemas sind auch ein Weg zu Structured Output, da die Argumente dem Schema folgen. Das Model Context Protocol standardisiert, wie MCP-Server Tools veröffentlichen, sodass ein Tool mit vielen Anwendungen funktionieren kann.

Verwandte Begriffe

KI-Agent
Ein KI-Agent (AI Agent) ist ein System, in dem ein Sprachmodell seine nächsten Schritte selbst bestimmt: Es ruft Tools auf, liest die Ergebnisse und wiederholt das, bis die Aufgabe erledigt ist, statt einem festen Skript zu folgen.
Model Context Protocol
Das Model Context Protocol (MCP) ist ein offener Standard, der festlegt, wie KI-Anwendungen sich mit externen Tools, Daten und Prompts verbinden, über JSON-RPC-Nachrichten zwischen einer Host-Anwendung, ihren Clients und separaten Servern.
Structured Output
Structured Output (strukturierte Ausgabe) ist eine API-Funktion, die die Antwort eines Sprachmodells einem von dir festgelegten Format folgen lässt, meist einem JSON Schema, damit Code sie verlässlich parsen kann, statt freien Text auszuwerten.
Agenten-Schleife
Die Agenten-Schleife (Agent Loop) ist der sich wiederholende Zyklus im Kern eines KI-Agenten: Das Modell fordert einen Tool-Aufruf an, die Anwendung führt ihn aus und gibt das Ergebnis zurück, und das Modell entscheidet, was als Nächstes passiert.
MCP-Server
Ein MCP-Server ist ein Programm, das KI-Anwendungen über das Model Context Protocol Tools, Datenressourcen oder Prompt-Vorlagen bereitstellt, sodass jeder MCP-kompatible Client sie ohne eigenen Integrationscode nutzen kann.

Quellen