términos del glosario
Llamada a funciones
- Categoría
- AI Agents & Automation
- Dificultad
- Intermedio
Definición
Una capacidad en los modelos de lenguaje grandes que permite al modelo generar datos estructurados, como JSON, para activar funciones externas específicas o llamadas a API.
Cómo funciona y contexto
La llamada a funciones transforma un LLM de un generador de texto pasivo en un agente activo. Cuando un usuario proporciona una instrucción, el modelo evalúa si se requiere una herramienta externa para cumplir con la solicitud. Si es así, en lugar de proporcionar una respuesta conversacional, el modelo genera un objeto estructurado que contiene el nombre de la función y los argumentos necesarios. La aplicación anfitriona ejecuta entonces esta función, recupera el resultado y devuelve esos datos al modelo. Este bucle permite a la IA realizar tareas como consultar precios de acciones en tiempo real, buscar en bases de datos internas o ejecutar código. La limitación principal es la dependencia del modelo de la calidad de las definiciones de función proporcionadas; si el esquema es ambiguo o el modelo carece de contexto suficiente, puede fallar al seleccionar la herramienta correcta o proporcionar argumentos incorrectos.
Por qué es importante
La llamada a funciones es la columna vertebral de los agentes de IA modernos. Permite a los modelos superar sus limitaciones inherentes, como la falta de datos en tiempo real o la incapacidad de realizar cálculos complejos. Al conectar los LLM a sistemas externos, los desarrolladores pueden crear aplicaciones que no solo comprendan la intención del usuario, sino que también ejecuten flujos de trabajo de varios pasos, aumentando significativamente la utilidad y fiabilidad del software impulsado por IA en entornos empresariales y de consumo.
Ejemplo real
Imagina un agente de IA de atención al cliente. Un usuario pregunta: '¿Cuál es el estado de mi pedido #12345?'. El modelo reconoce que no puede responder con sus datos de entrenamiento. Activa una función 'get_order_status' con '12345' como argumento. El sistema consulta la base de datos de la empresa, devuelve el estado 'Enviado', y el modelo sintetiza esto en una respuesta en lenguaje natural para el usuario.
Errores frecuentes
- Asumir que el modelo ejecuta el código por sí mismo; el modelo solo genera las instrucciones, mientras que la aplicación anfitriona debe realizar la ejecución real.
- Proporcionar esquemas de funciones mal definidos que carecen de descripciones claras, lo que lleva a una mala selección de herramientas.
- No implementar un manejo de errores robusto cuando el modelo proporciona argumentos no válidos para una función.
- Sobrecargar el modelo con demasiadas definiciones de funciones, lo que puede degradar el rendimiento y aumentar la latencia.
Preguntas frecuentes
¿En qué se diferencia la llamada a funciones de RAG (Generación Aumentada por Recuperación)?
RAG se utiliza principalmente para recuperar información estática de una base de conocimientos para informar la respuesta del modelo. La llamada a funciones se utiliza para realizar acciones o recuperar datos dinámicos en tiempo real a través de código ejecutable o API.
¿Es segura la llamada a funciones?
Puede serlo, pero requiere prácticas de seguridad estrictas. Siempre debes validar los argumentos generados por el modelo antes de la ejecución y asegurarte de que las funciones tengan un acceso limitado y de mínimo privilegio a tus sistemas.
¿Puede un modelo de IA llamar a múltiples funciones en un solo turno?
Sí, muchos modelos modernos admiten la llamada a funciones en paralelo, donde pueden generar múltiples solicitudes de funciones en una sola respuesta para realizar varias tareas simultáneamente.