함수 호출과 도구 사용이 어떻게 AI가 API 및 데이터베이스와 상호작용할 수 있게 하는지 알아보세요. 지금 바로 Ultralytics 에이전트 기반 워크플로에 통합하는 방법을 배우세요.
함수 호출은 흔히 도구 사용이라고 불리며, 현대 인공지능(AI) 에서 모델이 정적 텍스트나 이미지 생성 이상의 능력을 확장할 수 있게 하는 강력한 패러다임이다. 내부 훈련 데이터에 기반해 프롬프트에 단순히 응답하는 대신, 모델은 외부 프로그래밍 함수를 실행하거나 데이터베이스를 쿼리하거나 REST API와 상호작용하는 구조화된 명령을 출력할 수 있다. 이 접근법은 효과적으로 AI가 디지털 환경에서 실질적인 행동을 취할 수 있는 능력을 부여한다.
AI 시스템이 함수 호출을 활용할 때 개발자는 JSON 스키마를 사용하여 설명된 사용 가능한 도구 목록을 모델에 제공합니다. 사용자의 프롬프트가 실시간 데이터나 특정 작업을 요구하는 경우, 모델은 표준 생성 프로세스를 일시 중지하고 선택된 도구의 필수 매개변수와 일치하는 고도로 구조화된 JSON 형식 페이로드를 출력합니다. OpenAI의 함수 호출 API나 Anthropic 도구 사용 프레임워크같은 기술이 이 기법을 대중화하여 대화형 에이전트를 유능한 문제 해결사로 변모시켰습니다.
도구 사용을 워크플로에 통합하면 소프트웨어 운영 방식이 변모합니다. 버클리 함수 호출 리더보드( Berkeley Function Calling Leaderboard)와 같은 벤치마크로 평가되는 이러한 기능들은 고도로 자율적인 시스템으로의 전환을 주도하고 있습니다.
컴퓨터 비전 모델을 포괄적인 AI 에이전트를 위한 기능적 도구로 노출할 수 있습니다. 이 아키텍처에서는 추론을 수행하는 Python 정의하며, 이 메서드는 시각적 데이터가 필요할 때 추론 모델이 트리거할 수 있습니다.
from ultralytics import YOLO
# Define a specific tool function for an AI agent to call
def count_objects_in_scene(image_url: str) -> str:
# Load the highly efficient YOLO26 model
model = YOLO("yolo26n.pt")
# Perform inference to analyze the visual data
results = model(image_url)
object_count = len(results[0].boxes)
# Return structured context back to the calling AI system
return f"Vision Analysis: Detected {object_count} objects in the scene."
# Simulated function call executed by an AI system
print(count_objects_in_scene("https://ultralytics.com/images/bus.jpg"))
현대 AI 아키텍처를 완전히 이해하려면 함수 호출이 유사한 개념들과 어떻게 관련되고 어떻게 다른지 이해하는 것이 도움이 됩니다:
