เครื่องมือสำหรับ Agent: การเรียกใช้งาน, การค้นหา และการเขียนโค้ด

ด้วย GPT-5.6 เราได้เปิดตัว Programmatic Tool Calling ทำให้ถึงเวลาที่ดีที่จะสรุปเครื่องมือสำหรับเอเจนต์และวิธีการทำให้โมเดลมีสมาธิเมื่อมีการใช้เครื่องมือมากขึ้น

ถามเจ้าหน้าที่สนับสนุนว่าทำไมคำสั่งซื้อ A-104 ถึงล่าช้า มันอาจอ่านคำสั่งซื้อ โทรหาผู้ให้บริการขนส่ง และอธิบายความล่าช้า การแลกเปลี่ยนนั้นซ่อนลูปไว้: โมเดลขอการดำเนินการ รันไทม์ดำเนินการ และผลลัพธ์จะถูกส่งกลับ เครื่องมือในตัว, MCP, ทักษะ, Tool Search และ Programmatic Tool Calling เปลี่ยนสิ่งที่โมเดลเห็นและสิ่งที่ส่งกลับมา

1. Tool Calling 101: โมเดลเป็นผู้ขอ; แอปพลิเคชันเป็นผู้ดำเนินการ

ด้วย ฟังก์ชันที่ไคลเอนต์เป็นเจ้าของ โมเดลจะไม่รันโค้ดของคุณ มันจะคืนชื่อเครื่องมือ, อาร์กิวเมนต์ JSON และ ID การเรียก แอปพลิเคชันของคุณตรวจสอบคำขอ รันฟังก์ชัน และส่งคืน function_call_output พร้อม ID เดียวกัน

ลูปเครื่องมือที่ไคลเอนต์เป็นเจ้าของ: ไม่มีการดำเนินการภายนอกใดๆ เกิดขึ้นจนกว่าแอปพลิเคชันของคุณจะดำเนินการขั้นตอนที่ 3 สร้างด้วย GPT-Image-2 ใน Codex

ใน Python การส่งคืน function_call_output จะส่งมอบการควบคุมกลับไปยังโมเดล:

1import json
2from openai import OpenAI
3
4client = OpenAI()
5
6def get_order(order_id): return {"order_id": order_id, "promised_date": "2026-07-13"}
7
8order_tool = {
9    "type": "function", "name": "get_order", "strict": True,
10    "description": "Return the promised delivery date for an order.",
11    "parameters": {
12        "type": "object",
13        "properties": {"order_id": {"type": "string"}},
14        "required": ["order_id"], "additionalProperties": False,
15    },
16    "output_schema": {
17        "type": "object",
18        "properties": {
19            "order_id": {"type": "string"}, "promised_date": {"type": "string"},
20        },
21        "required": ["order_id", "promised_date"], "additionalProperties": False,
22    },
23}
24
25first = client.responses.create(
26    model="gpt-5.6", tools=[order_tool], input="Why is order A-104 late?",
27    tool_choice={"type": "function", "name": "get_order"},
28)
29call = next(item for item in first.output if item.type == "function_call")
30result = get_order(**json.loads(call.arguments))
31
32final = client.responses.create(
33    model="gpt-5.6",
34    tools=[order_tool],
35    input=[*first.output, {
36        "type": "function_call_output",
37        "call_id": call.call_id,
38        "output": json.dumps(result),
39    }],
40)
41print(final.output_text)

โครงสร้างรัด (harness) จะวนลูปนี้ซ้ำจนกว่าโมเดลจะส่งคืนข้อความสุดท้าย สคีมาที่เข้มงวดช่วยให้อาร์กิวเมนต์มีรูปแบบที่ดี; ตัวดำเนินการยังคงตรวจสอบสิทธิ์

2. การดำเนินการเครื่องมือสามารถทำงานในสถานที่ต่างๆ ได้

เครื่องมือในตัว รวมถึงการค้นหาเว็บ, การค้นหาไฟล์ และ hosted shell สามารถทำงานในโครงสร้างพื้นฐานของ OpenAI ได้ เซิร์ฟเวอร์ MCP ระยะไกล จะเปิดเผยและรันเครื่องมือจากระยะไกล; Responses รองรับเซิร์ฟเวอร์เหล่านี้และตัวเชื่อมต่อที่ OpenAI ดูแล โดยจะขออนุมัติตามค่าเริ่มต้นก่อนแชร์ข้อมูล

ทักษะ จะรวมคำแนะนำและไฟล์เข้าด้วยกัน แนบไปกับ hosted shell แล้วโมเดลจะสามารถทำตามขั้นตอนหรือรันสคริปต์ของมันได้ โดยจะเห็นชื่อ, คำอธิบาย และพาธของทักษะก่อน จากนั้นจะอ่าน SKILL.md เมื่อถูกเลือก

1carrier_mcp = {
2    "type": "mcp",
3    "server_label": "carrier",
4    "server_url": "https://example.com/mcp",
5    "allowed_tools": ["track_package"],
6    "require_approval": "always",
7}
8incident_shell = {
9    "type": "shell",
10    "environment": {
11        "type": "container_auto",
12        "skills": [{"type": "skill_reference", "skill_id": "skill_..."}],
13    },
14}
15
16response = client.responses.create(
17    model="gpt-5.6",
18    tools=[carrier_mcp, incident_shell],
19    input="Investigate why order A-104 is late using the incident skill.",
20)

โครงสร้างรัดจะรวมพื้นผิวเหล่านี้เข้าด้วยกัน: MCP เปิดเผยเครื่องมือระยะไกล, ทักษะให้ขั้นตอนและไฟล์ และโครงสร้างรัดควบคุมว่าการเรียกจะทำงานที่ไหน

3. Tool Search: เมื่อบริบทกลายเป็นข้อจำกัด

ทุกคำจำกัดความของเครื่องมือที่มองเห็นได้ใช้บริบท ชื่อ, คำอธิบาย และสคีมาใช้โทเค็นอินพุต เครื่องมือที่คล้ายกันจะแยกแยะได้ยากขึ้น และแค็ตตาล็อก MCP ขนาดใหญ่ก็กลายเป็นพรอมต์ขนาดใหญ่

Tool Search ช่วยให้โมเดลที่รองรับ GPT-5.4 ขึ้นไปโหลดคำจำกัดความที่เลื่อนออกไปเมื่อจำเป็นเท่านั้น:

1shipping = {
2    "type": "namespace", "name": "shipping",
3    "description": "Order tracking and delivery tools.",
4    "tools": [{
5        "type": "function", "name": "get_delivery_eta",
6        "description": "Return the ETA for an order.",
7        "defer_loading": True,
8        "parameters": {
9            "type": "object", "required": ["order_id"],
10            "properties": {"order_id": {"type": "string"}},
11            "additionalProperties": False,
12        },
13    }],
14}
15
16response = client.responses.create(
17    model="gpt-5.6",
18    input="When will order A-104 arrive?",
19    tools=[shipping, {"type": "tool_search"}],
20)

Hosted Tool Search เลือกจากเครื่องมือที่ประกาศในคำขอ; การค้นหาที่ดำเนินการโดยไคลเอนต์สามารถส่งคืนเครื่องมือสำหรับผู้เช่าหรือโปรเจกต์ปัจจุบัน การค้นหาเพิ่มขั้นตอน ดังนั้นแค็ตตาล็อกขนาดเล็กอาจได้ประโยชน์น้อย ฟังก์ชันที่เลื่อนออกไปยังคงเปิดเผยชื่อและคำอธิบาย ในขณะที่ namespace หรือเซิร์ฟเวอร์ MCP สามารถเริ่มต้นด้วยคำอธิบายสั้นๆ หนึ่งคำ เครื่องมือที่โหลดแล้วจะถูกต่อท้ายเพื่อรักษา cache prefix ทักษะเลื่อนคำแนะนำและไฟล์; Tool Search เลื่อนสคีมาที่เรียกได้

4. Programmatic Tool Calling สำหรับการทำงานหลายเครื่องมือที่คาดเดาได้

การเรียกโดยตรงจะส่งคืนแต่ละผลลัพธ์ให้กับโมเดล ซึ่งมีประโยชน์เมื่อผลลัพธ์เปลี่ยนการตัดสินใจครั้งต่อไป แต่การ join, filter และการค้นหาแบบขนานอย่างง่ายสามารถเติมบริบทด้วยข้อมูลที่โค้ดสามารถลดทอนได้

Programmatic Tool Calling ช่วยให้ GPT-5.6 เขียน JavaScript ที่ทำงานในรันไทม์ V8 ที่แยกออกมาใหม่ V8 รัน JavaScript ภายใน Chrome แต่นี่ไม่ใช่เบราว์เซอร์หรือ Node.js มันรองรับ top-level await, ลูป, เงื่อนไข และการเรียกแบบขนาน โดยไม่มีการติดตั้งแพ็คเกจ, การเข้าถึงเครือข่ายโดยตรง, ระบบไฟล์ทั่วไป, โปรเซสย่อย, คอนโซล หรือสถานะถาวร

การเรียกโดยตรงสามครั้งเปรียบเทียบกับการเรียกแบบขนานสามครั้งในรันไทม์ V8 ที่แยกออกมา สร้างด้วย GPT-Image-2 ใน Codex

เมื่อโปรแกรมเข้าถึงฟังก์ชันที่ไคลเอนต์เป็นเจ้าของ มันจะหยุดชั่วคราวในขณะที่แอปพลิเคชันของคุณรันการเรียก; การส่งคืน call_id และ caller ของมันจะดำเนินการต่อ carrier_mcp สามารถหยุดเพื่อขออนุมัติได้เช่นกัน และ output_schema จะบอก JavaScript ว่าสามารถตรวจสอบฟิลด์ใดได้บ้าง

1for tool in (order_tool, carrier_mcp):
2    tool["allowed_callers"] = ["programmatic"]
3
4response = client.responses.create(
5    model="gpt-5.6",
6    tools=[
7        order_tool,
8        carrier_mcp,
9        {"type": "programmatic_tool_calling"},
10    ],
11    input="Compare order A-104 with carrier status and return delay evidence.",
12)

โปรแกรมสามารถเรียกฟังก์ชันและเครื่องมือที่กำหนดเอง, MCP, apply_patch, shell และ code interpreter แต่ไม่สามารถเรียกการค้นหาเว็บหรือการค้นหาไฟล์ได้ Tool Search ระดับบนสุดต้องโหลดเครื่องมือที่เลื่อนออกไปก่อนที่โปรแกรมจะเริ่ม; โปรแกรมที่กำลังทำงานอยู่ไม่สามารถค้นหาเครื่องมือได้

ให้ใช้การเรียกโดยตรงเมื่อขั้นตอนถัดไปต้องการการตัดสินใจของโมเดล, การอนุมัติ, การอ้างอิง หรือผลข้างเคียง ใช้โปรแกรมเมื่อกฎที่ชัดเจนช่วยให้โค้ดส่งคืนผลลัพธ์ที่เล็กลงโดยไม่สูญเสียหลักฐาน การดำเนินการที่โฮสต์จะเปลี่ยนตำแหน่งที่ทำงาน, Tool Search เปลี่ยนคำจำกัดความที่เข้าสู่บริบท และการเรียกแบบโปรแกรมเปลี่ยนผลลัพธ์ที่ส่งคืน รวมเข้าด้วยกันเมื่อการประเมินแสดงให้เห็นว่าความถูกต้องยังคงอยู่ ในขณะที่โทเค็น, เวลาแฝง หรือต้นทุนดีขึ้น

โบนัส: ทำให้ลูปเครื่องมือยาวๆ อยู่ในการเชื่อมต่อเดียว

หากเอเจนต์สลับไปมาระหว่างโมเดลและเครื่องมือที่ไคลเอนต์เป็นเจ้าของซ้ำๆ โหมด WebSocket ของ Responses สามารถลดค่าใช้จ่ายในการดำเนินการต่อได้ ซ็อกเก็ตเชื่อมต่อโครงสร้างรัดของคุณกับ Responses; มันไม่ได้ทำให้เครื่องมือทำงานเร็วขึ้น มันยอมรับฟิลด์ response.create เดียวกันสำหรับฟังก์ชัน, MCP, Tool Search และ Programmatic Tool Calling แม้ว่าเอกสารจะไม่ได้วัดประสิทธิภาพทุกชุดค่าผสมก็ตาม OpenAI สังเกตเห็นการดำเนินการที่เร็วขึ้นถึง 40% ในการเปิดตัวที่มีการเรียก 20 ครั้งขึ้นไป ดังนั้นให้วัดปริมาณงานของคุณ

ลองใช้กับเอเจนต์ของคุณ

นำ Appshot ของบทความนี้ เปิดโปรเจกต์เอเจนต์ของคุณใน Codex แล้ววาง:

ใช้บทความนี้และโค้ดเบสปัจจุบันเพื่ออัปเกรดเส้นทางเครื่องมือของเอเจนต์นี้ จัดกลุ่มเครื่องมือขนาดใหญ่หรือที่ใช้งานไม่บ่อย และเปิดใช้งาน Tool Search เพื่อเลื่อนการโหลด ค้นหาขั้นตอนที่มีขอบเขตจำกัดซึ่ง Programmatic Tool Calling สามารถรันการเรียกแบบขนานและส่งคืนผลลัพธ์ที่กระชับ ให้คงการตัดสินใจเชิงความหมาย การอนุมัติ การอ้างอิง และผลข้างเคียงไว้เป็นการเรียกโดยตรง เปรียบเทียบทั้งสองเส้นทางในแง่ของความถูกต้อง ความครอบคลุมของหลักฐาน ความสำเร็จของเครื่องมือ โทเค็น เวลาแฝง การลองใหม่ และต้นทุน ก่อนที่จะเปลี่ยนเส้นทางการผลิต