#function_calling — Public Fediverse posts
Live and recent posts from across the Fediverse tagged #function_calling, aggregated by home.social.
-
Хорош хардкодить кривые MCP: превращаем любой скрипт в инструмент LLM за 2 секунды
Давайте будем честны: текущее состояние вызова функций (Function Calling) у LLM и экосистемы MCP (Model Context Protocol) вызывает изжогу. Чтобы дать агенту дернуть локальный скрипт, разработчику предлагают сжечь 50k токенов на схемы ещё до начала диалога и завернуть всё в жирный Docker ради трёх строк кода. Рассказываю, как работает 🛠️ toolhub - self-hosted движок на Bun, который превращает любой скрипт в навык агента за пару секунд, с иерархической файловой навигацией вместо плоских JSON-схем, федеративностью и поддержкой stateless+stateful MCP.
https://habr.com/ru/articles/1080890/
#LLM #AI_агенты #MCP #Model_Context_Protocol #function_calling #tool_calling #Bun #selfhosted #Fastify #devops_automation
-
Хорош хардкодить кривые MCP: превращаем любой скрипт в инструмент LLM за 2 секунды
Давайте будем честны: текущее состояние вызова функций (Function Calling) у LLM и экосистемы MCP (Model Context Protocol) вызывает изжогу. Чтобы дать агенту дернуть локальный скрипт, разработчику предлагают сжечь 50k токенов на схемы ещё до начала диалога и завернуть всё в жирный Docker ради трёх строк кода. Рассказываю, как работает 🛠️ toolhub - self-hosted движок на Bun, который превращает любой скрипт в навык агента за пару секунд, с иерархической файловой навигацией вместо плоских JSON-схем, федеративностью и поддержкой stateless+stateful MCP.
https://habr.com/ru/articles/1080890/
#LLM #AI_агенты #MCP #Model_Context_Protocol #function_calling #tool_calling #Bun #selfhosted #Fastify #devops_automation
-
Как голосовой ИИ-агент врал клиентам, путал звонящих и подделывал собственный голос — и как это чинится
За три месяца наш голосовой ИИ-агент успел соврать клиенту про несуществующего администратора, принять всех звонящих за одного человека и месяц выдавать обычный синтез за "клонированный голос". Разбираю, почему это лечится структурой кода, а не промптом — на полностью российском стеке.
https://habr.com/ru/articles/1053502/
#голосовой_ИИагент #ИИресепшионист #Asterisk #YandexGPT #Yandex_SpeechKit #function_calling #диалоговый_движок #152ФЗ #голосовой_бо #sipтелефония
-
Как голосовой ИИ-агент врал клиентам, путал звонящих и подделывал собственный голос — и как это чинится
За три месяца наш голосовой ИИ-агент успел соврать клиенту про несуществующего администратора, принять всех звонящих за одного человека и месяц выдавать обычный синтез за "клонированный голос". Разбираю, почему это лечится структурой кода, а не промптом — на полностью российском стеке.
https://habr.com/ru/articles/1053502/
#голосовой_ИИагент #ИИресепшионист #Asterisk #YandexGPT #Yandex_SpeechKit #function_calling #диалоговый_движок #152ФЗ #голосовой_бо #sipтелефония
-
Как я прикрутил GigaChat к OpenCode и что из этого понял
Мне было интересно проверить GigaChat/GigaCode не в обычном чате, а в нормальной агентной среде разработки. То есть не “ответь на вопрос”, а вот это всё: tools , function calling , streaming , MCP-инструменты , история диалога и работа внутри реального проекта. Для проверки я подключил GigaChat к OpenCode через TypeScript-плагин. Простой текстовый запрос завёлся быстро, а дальше началось самое интересное: OpenAI-like API оказался похожим на совместимый агентный протокол только снаружи. Внутри пришлось собирать отдельный слой совместимости.
https://habr.com/ru/articles/1046321/
#GigaChat #GigaCode #OpenCode #ИИагенты #агентная_разработка #function_calling #MCP #OpenAI_API #OpenAPI
-
Как я прикрутил GigaChat к OpenCode и что из этого понял
Мне было интересно проверить GigaChat/GigaCode не в обычном чате, а в нормальной агентной среде разработки. То есть не “ответь на вопрос”, а вот это всё: tools , function calling , streaming , MCP-инструменты , история диалога и работа внутри реального проекта. Для проверки я подключил GigaChat к OpenCode через TypeScript-плагин. Простой текстовый запрос завёлся быстро, а дальше началось самое интересное: OpenAI-like API оказался похожим на совместимый агентный протокол только снаружи. Внутри пришлось собирать отдельный слой совместимости.
https://habr.com/ru/articles/1046321/
#GigaChat #GigaCode #OpenCode #ИИагенты #агентная_разработка #function_calling #MCP #OpenAI_API #OpenAPI
-
Развиваем ИИ-платформу в 1С
Статья о том, как мы пришли к ИИ для 1С и что из этого вышло. Материал получился про попытку собрать полноценную ИИ-платформу для работы с учетными данными. Расскажу, зачем нам понадобился MCP, как мы связали его с 1С:Шина, почему отдельно уперлись в права доступа и как в итоге устроили агента внутри 1С. Также покажу, где видим место для skills, RAG и OCR, и что пока не стали отдавать модели на самостоятельное выполнение.
https://habr.com/ru/companies/cinimex/articles/1046197/
#1с #иипомощник #mcpserver #function_calling #агент #rag #ocr #права_доступа #локальные_модели #gptoss
-
Развиваем ИИ-платформу в 1С
Статья о том, как мы пришли к ИИ для 1С и что из этого вышло. Материал получился про попытку собрать полноценную ИИ-платформу для работы с учетными данными. Расскажу, зачем нам понадобился MCP, как мы связали его с 1С:Шина, почему отдельно уперлись в права доступа и как в итоге устроили агента внутри 1С. Также покажу, где видим место для skills, RAG и OCR, и что пока не стали отдавать модели на самостоятельное выполнение.
https://habr.com/ru/companies/cinimex/articles/1046197/
#1с #иипомощник #mcpserver #function_calling #агент #rag #ocr #права_доступа #локальные_модели #gptoss
-
О нюансах работы приложений на базе искусственного интеллекта
Когда разработчик получает задачу, он её сначала декомпозирует: разбивает на части, ищет зависимости, проектирует решение. Потом уже пишет код. LLM делает наоборот. Она сразу начинает генерировать — точнее, перебирать паттерны из своего обучающего корпуса, пока не наткнётся на что-то похожее: без проектирования, без понимания. Это не «ошибка архитектуры». Это фундаментальный принцип работы трансформеров. И из него вытекают почти все странные ограничения, с которыми сталкивается разработчик: почему контекст в миллион токенов не панацея, а подорожник, почему thinking-модели не думают, и почему RAG — это не магия, а надстройка над очень ограниченным инструментом. Данная статья — об устройстве моделей и RAG-надстроек. А ещё о том, что пора перестать очеловечивать инструмент и считать его магией.
https://habr.com/ru/articles/1026840/
#llmмодели #llmприложения #llmархитектура #rag #разработка #function_calling
-
О нюансах работы приложений на базе искусственного интеллекта
Когда разработчик получает задачу, он её сначала декомпозирует: разбивает на части, ищет зависимости, проектирует решение. Потом уже пишет код. LLM делает наоборот. Она сразу начинает генерировать — точнее, перебирать паттерны из своего обучающего корпуса, пока не наткнётся на что-то похожее: без проектирования, без понимания. Это не «ошибка архитектуры». Это фундаментальный принцип работы трансформеров. И из него вытекают почти все странные ограничения, с которыми сталкивается разработчик: почему контекст в миллион токенов не панацея, а подорожник, почему thinking-модели не думают, и почему RAG — это не магия, а надстройка над очень ограниченным инструментом. Данная статья — об устройстве моделей и RAG-надстроек. А ещё о том, что пора перестать очеловечивать инструмент и считать его магией.
https://habr.com/ru/articles/1026840/
#llmмодели #llmприложения #llmархитектура #rag #разработка #function_calling
-
Ваш любимый ИИ не умеет считать. Что ещё скрывает текстовая модель?
В этой статье мы: сначала рассмотрим два базовых заблуждения относительно LLM “умеют что-то кроме текста” и “учатся от разговоров с пользователем”; потом после минимального погружения в технологию самой LLM рассмотрим её возможности, ограничения и особенности и типовые инструменты для расширения функций; эти знания дадут нам ракурс для углубленного понимания что такое ИИ-агенты и Цифровой двойник с ИИ; в заключение пробежим по типовым слоганам и возражениям.
https://habr.com/ru/articles/1024542/
#LLM #языковые_модели #искусственный_интеллект #нейросети #агенты #RAG #function_calling #трансформер #RLHF #цифровой_двойник
-
Ваш любимый ИИ не умеет считать. Что ещё скрывает текстовая модель?
В этой статье мы: сначала рассмотрим два базовых заблуждения относительно LLM “умеют что-то кроме текста” и “учатся от разговоров с пользователем”; потом после минимального погружения в технологию самой LLM рассмотрим её возможности, ограничения и особенности и типовые инструменты для расширения функций; эти знания дадут нам ракурс для углубленного понимания что такое ИИ-агенты и Цифровой двойник с ИИ; в заключение пробежим по типовым слоганам и возражениям.
https://habr.com/ru/articles/1024542/
#LLM #языковые_модели #искусственный_интеллект #нейросети #агенты #RAG #function_calling #трансформер #RLHF #цифровой_двойник
-
Schema-Guided Reasoning: как научить языковые модели последовательно рассуждать
LLM умеют многое: генерировать тексты, анализировать документы, писать код. Но на практике их работа часто непредсказуема — сегодня модель даёт точный ответ, а завтра на тех же данных ошибается, пропускает ключевые шаги или придумывает факты. Для AI-инженеров это системная проблема. Возьмём автоматизацию документооборота: нужно классифицировать договоры, извлекать реквизиты, проверять стандарты. Но модель работает как лотерея — результат не поддаётся логике или меняется при повторном запуске с одинаковыми данными. Как встроить такой результат в бизнес-процесс? Для решения этой задачи появился подход Schema-Guided Reasoning (SGR) . Его активно продвигает Ринат Абдуллин в материалах по работе с LLM. Идея проста и эффективна: заставить модель мыслить не хаотично, а внутри заданной схемы. Это не панацея, но SGR серьёзно снижает количество ошибок, делает процесс прозрачнее, а также позволяет тестировать отдельные компоненты рассуждений.
https://habr.com/ru/companies/redmadrobot/articles/962236/
#scheme #sgr #llm #модели #схемы #системы #structured_output #function_calling
-
Schema-Guided Reasoning: как научить языковые модели последовательно рассуждать
LLM умеют многое: генерировать тексты, анализировать документы, писать код. Но на практике их работа часто непредсказуема — сегодня модель даёт точный ответ, а завтра на тех же данных ошибается, пропускает ключевые шаги или придумывает факты. Для AI-инженеров это системная проблема. Возьмём автоматизацию документооборота: нужно классифицировать договоры, извлекать реквизиты, проверять стандарты. Но модель работает как лотерея — результат не поддаётся логике или меняется при повторном запуске с одинаковыми данными. Как встроить такой результат в бизнес-процесс? Для решения этой задачи появился подход Schema-Guided Reasoning (SGR) . Его активно продвигает Ринат Абдуллин в материалах по работе с LLM. Идея проста и эффективна: заставить модель мыслить не хаотично, а внутри заданной схемы. Это не панацея, но SGR серьёзно снижает количество ошибок, делает процесс прозрачнее, а также позволяет тестировать отдельные компоненты рассуждений.
https://habr.com/ru/companies/redmadrobot/articles/962236/
#scheme #sgr #llm #модели #схемы #системы #structured_output #function_calling
-
Structured Output как полноценная замена Function Calling
В этой статье мы рассмотрим альтернативный подход вызова инструментов LLM, который использует Structured Output вместо традиционного Function Calling для обеспечения надежности и предсказуемости.
-
Structured Output как полноценная замена Function Calling
В этой статье мы рассмотрим альтернативный подход вызова инструментов LLM, который использует Structured Output вместо традиционного Function Calling для обеспечения надежности и предсказуемости.