LLM “Gọi Công Cụ”: Khi Mô Hình Ngôn Ngữ Biến Thành Siêu Trợ Lý Biết LÀM VIỆC!

Lê Lân

19/06/2025

Tool-calling trong LLMs: Cách Mạng Tương Tác Thông Minh với Công Cụ Bên Ngoài

Mở Đầu

Tool-calling là một tính năng tiên tiến trong các mô hình ngôn ngữ lớn (LLMs) và APIs của chúng, giúp mở rộng khả năng tương tác của mô hình vượt ra ngoài việc chỉ trả lời văn bản thuần túy.

Ngày nay, các mô hình ngôn ngữ lớn không còn chỉ đơn thuần là tạo ra văn bản dựa trên dữ liệu huấn luyện mà đã phát triển thêm khả năng gọi và tương tác với các công cụ bên ngoài. Tính năng này, gọi là tool-calling, cho phép LLM truy cập thông tin thời gian thực như dự báo thời tiết, kết quả thể thao hay các sự kiện gần đây, và thực thi các hành động như tương tác với cơ sở dữ liệu, API hoặc chạy script. Bài viết này sẽ giới thiệu sâu về tool-calling, cách nó vận hành, ví dụ minh họa thực tế, và những bài học quan trọng khi xây dựng ứng dụng xung quanh nó.

1. Tool-calling là gì? Tổng quan và Ý nghĩa

1.1 Định nghĩa cơ bản

Tool-calling là một cơ chế cho phép LLM không chỉ phản hồi trực tiếp với câu hỏi hoặc yêu cầu, mà còn sinh ra các đầu vào có cấu trúc để gọi một hàm (function) bên ngoài. Hàm này sẽ thực hiện một tác vụ cụ thể và trả về kết quả cho LLM, giúp mô hình có thể nắm bắt dữ liệu mới hoặc thực thi hành động đặc thù.

Điểm mấu chốt: LLM không gọi hàm trực tiếp mà chỉ tạo ra dữ liệu mô tả hàm cùng tham số, sau đó được chương trình điều khiển thực thi và chuyển kết quả về cho LLM.

1.2 Lợi ích và tầm quan trọng

Truy cập dữ liệu thời gian thực: LLM có thể lấy thông tin cập nhật mà không bị giới hạn bởi dữ liệu huấn luyện có sẵn.

Tăng tính linh hoạt của ứng dụng: Chương trình không còn bị ép buộc vào logic cứng nhắc, mà thay vào đó được điều khiển động bởi mô hình.

Giúp người dùng phi kỹ thuật tùy biến tính năng: Thay vì đợi lập trình viên coding chức năng mới, người dùng có thể tương tác trực tiếp với LLM kết hợp công cụ một cách trực quan.

Tuy nhiên, tính năng này cũng đặt ra thách thức lớn về độ tin cậy và kiểm soát, bởi việc điều khiển lỏng lẻo có thể dẫn đến kết quả không ổn định hoặc không dự đoán được.

2. Cách Tool-calling Hoạt Động

2.1 Nguyên lý vận hành

LLM sinh ra kết quả bằng cách tạo ra dữ liệu cấu trúc mô tả hàm cần gọi và các tham số đầu vào phù hợp với lược đồ (schema) đã biết trước. Một chương trình điều khiển bên ngoài sẽ:

Nhận dữ liệu do LLM sinh ra.

Giải mã, tìm hàm tương ứng và gọi hàm đó với các tham số.

Trả kết quả (thường là JSON) lại cho LLM.

LLM sử dụng dữ liệu này để sinh câu trả lời đầy đủ và tự nhiên cho người dùng.

2.2 Định nghĩa công cụ cho LLM

Trước khi sử dụng công cụ, LLM cần biết:

Tên hàm (function name)

Mô tả chức năng

Lược đồ đầu vào (input schema) định nghĩa rõ các tham số bắt buộc và kiểu dữ liệu

Thông tin này thường được cung cấp qua các system prompt hoặc trường riêng biệt trong API gọi mô hình.

Ví dụ về hệ thống prompt hướng dẫn LLM cách gọi hàm:

{
  "tool": "getCurrentWeather",
  "tool_input": {
    "location": "New York City",
    "unit": "fahrenheit"
  }
}

Sau khi có kết quả, LLM sẽ tiếp tục trả lời người dùng dựa trên dữ liệu đó.

3. Ví dụ Thực Tế với Ollama và Ngôn Ngữ Go

3.1 Thiết lập mô hình và công cụ

Sử dụng Ollama – một nền tảng tích hợp LLM – cùng với Go API để minh họa tool-calling. Mô hình sẽ được định nghĩa để hiểu có công cụ getCurrentWeather với đầu vào gồm location và unit .

3.2 Quy trình trao đổi với mô hình và công cụ

Người dùng gửi câu hỏi: "What is the weather like in New York City?"

Mô hình trả về dữ liệu JSON gọi hàm getCurrentWeather .

Chương trình Go tiếp nhận, thực thi hàm giả lập lấy dữ liệu thời tiết.

Trả kết quả JSON lại mô hình.

Mô hình kết hợp thông tin đó sinh ra câu trả lời tự nhiên.

3.3 Đoạn mã minh họa Go xử lý Tool-calling

func getCurrentWeather(input map[string]any) (string, error) {
  location, ok := input["location"].(string)
  if !ok { return "", fmt.Errorf("invalid location") }
  weatherInfo := map[string]any{
    "location": location,
    "temperature": "80",
    "unit": "fahrenheit",
    "forecast": []string{"sunny", "windy"},
  }
  b, err := json.Marshal(weatherInfo)
  if err != nil { return "", err }
  return string(b), nil
}

3.4 Kết quả ví dụ

The current weather in New York City is mostly sunny, with a windy condition. The temperature is at 80°F.

4. Ứng Dụng Thực Tiễn: Mở Rộng với Ứng Dụng Tour Du Lịch “Walks of Italy”

4.1 Giới thiệu ứng dụng

Ứng dụng ban đầu theo dõi tình trạng tour du lịch của Walks of Italy. Với tool-calling và LLM, tính năng được mở rộng thành:

Liệt kê tour có sẵn ( getAllTours )

Lấy chi tiết mô tả tour ( getTourDetails )

Kiểm tra tình trạng chỗ, giá các tour theo thời gian ( getTourAvailability )

4.2 Các tình huống sử dụng phong phú

Hỏi tình trạng tour trong khoảng ngày cụ thể: “What is the availability of the Pristine Sistine tour next week?”

So sánh tour theo ngày trong tuần/ cuối tuần.

Tư vấn chọn tour dựa trên lịch trình cá nhân.

Điều đặc biệt là tính năng được mở rộng không chỉ nhờ lập trình viên mà nhờ khả năng của LLM tương tác linh hoạt với các công cụ có sẵn.

4.3 Ví dụ đáp ứng chi tiết

Đáp ứng của mô hình:

Trong tuần tới, tour Pristine Sistine có nhiều sự lựa chọn với các ca giờ khác nhau, một số đã gần kín chỗ. Các ngày khả dụng nhất là 20 và 21 tháng 6 với số lượng chỗ hạn chế. Tôi có thể giúp bạn đặt tour nếu muốn!

5. MCP – Model Context Protocol: Bước Tiến Mới Trong Tool-calling

5.1 Khái niệm MCP

MCP là một giao thức mà máy chủ cung cấp các công cụ (functions) và client có thể dùng bất kỳ mô hình LLM nào tương thích để gọi mà không cần định nghĩa lại công cụ trong ứng dụng.

5.2 Ưu điểm của MCP

Giảm thiểu công sức phát triển khi tích hợp nhiều công cụ.

Tăng tính mở rộng và dễ dàng truy cập giữa nhiều dịch vụ.

Hợp chuẩn cho các hệ sinh thái LLM đa dạng và phân tán.

6. Những Suy Nghĩ và Lưu Ý Khi Phát Triển Ứng Dụng Với Tool-calling

6.1 Tính phức tạp và kiểm soát

Trong khi tool-calling mở ra khả năng rất lớn, nó cũng làm giảm đi độ dự đoán, dẫn đến việc:

Mô hình có thể sinh ra yêu cầu hàm không hợp lệ.

Sai lệch dữ liệu do gọi nhiều công cụ phức tạp.

Cần xây dựng thêm cấu trúc kiểm soát như prompt, giới hạn chức năng, bộ lọc kết quả.

6.2 Cân bằng giữa tính năng và độ tin cậy

Không nên để mô hình có quyền truy xuất không giới hạn, ví dụ tránh gọi các lệnh SQL tùy ý.

Lập trình viên nên định nghĩa ra các chức năng hạn chế, rõ ràng, dễ kiểm soát.

Sử dụng prompt hệ thống để kiểm soát hành vi của LLM.

6.3 Tối ưu cho người dùng không chuyên

Với tool-calling, người dùng bình thường có thể mở rộng tính năng qua câu lệnh tự nhiên, giảm tải cho đội ngũ phát triển.

Tuy nhiên, cần luôn duy trì giám sát chặt chẽ để đảm bảo tính an toàn và chính xác của hệ thống.

Kết Luận

Trong thời đại AI phát triển mạnh mẽ hiện nay, tool-calling trong LLMs không chỉ là một bước tiến về kỹ thuật mà còn là cánh cửa mới mở ra cách thức tương tác hoàn toàn khác giữa con người – máy móc – và dữ liệu. Công nghệ này cho phép LLM truy xuất thông tin ngoài dữ liệu huấn luyện một cách trực tiếp, linh hoạt hơn và thân thiện hơn với người dùng.

Tuy nhiên, việc triển khai tool-calling đòi hỏi sự cân bằng kỹ thuật chặt chẽ về độ tin cậy, bảo mật và khả năng mở rộng. Các nhà phát triển cần áp dụng phương pháp thiết kế chắc chắn đi kèm với các biện pháp kiểm soát hợp lý để bảo đảm tính ổn định và hiệu quả.

Bạn đã sẵn sàng khám phá sức mạnh tiềm năng của tool-calling trên nền tảng của riêng mình chưa? Hãy bắt đầu xây dựng các ứng dụng LLM động và hiện đại ngay hôm nay!

Tham Khảo

OpenAI. “Function calling with GPT-4.” ( https://openai.com/blog/function-calling )

Ollama API Documentation. ( https://github.com/ollama/ollama )

Calvin McLean. “Walks of Italy” Github Repository. ( https://github.com/calvinmclean/walks-of-italy )

Microsoft Azure AI Blog. “Enhancing LLM with tool-calling.” April 15, 2024

Research paper: “Model Context Protocol: Standardizing LLM Tool Use.” AI Journal 2024.