Appel d'outils (Tool / Function Calling)
📝 Définition courte
Mécanisme où le LLM choisit et paramètre une fonction externe (schéma JSON) au lieu de répondre directement : recherche, calcul, requête BDD, exécution script1.
📖 Définition détaillée
L’appel d’outils (function calling / tool calling) transforme le LLM en orchestrateur : le modèle reçoit une liste d’outils décrits (nom, paramètres, types), décide lequel invoquer, produit un payload structuré, puis intègre le résultat dans la suite du raisonnement.
En stack on-premise, le moteur (vLLM, Ollama, SGLang) expose souvent une API compatible OpenAI « tools » ; l’application exécute réellement l’outil côté serveur (jamais en confiance aveugle).
Pattern typique : petit modèle rapide pour le routage d’outils, gros modèle pour la synthèse finale — voir 🧩 RAG & Agents.
💡 Pourquoi c’est important en IA on-premise
- Base des agents autonomes et du RAG agentique (retrieve, filter, rewrite).
- Permet de connecter le LLM au SI interne sans fine-tuning : contrats d’outils = frontière de sécurité.
- Lié à OWASP LLM06 (Excessive Agency) : surface d’attaque si trop d’outils ou droits excessifs.
⚠️ Pièges fréquents
- Donner à l’agent des outils destructifs (shell, DELETE SQL) sans sandbox ni validation HITL.
- Parser du JSON « presque valide » sans validateur aval — préférer SGLang ou contraintes strictes pour les sorties structurées.
- Ignorer la latence : chaque tour outil = nouveau préfill ; optimiser le contexte partagé (RadixAttention).
📚 Pour comprendre en profondeur
- 🧩 RAG & Agents
- 🔐 Sécurité inférence — LLM06 Excessive Agency
- LangGraph — orchestration multi-étapes
🔗 Voir aussi
Footnotes
-
OpenAI API — Function calling (pattern de facto repris par vLLM/Ollama). https://developers.openai.com/api/docs/guides/function-calling ↩