Нейросеть может объяснить, как рассчитать стоимость заявки, но не узнает расходы вашей рекламной кампании, пока не получит эти данные. А что, если нужно проверить статус лида в партнёрке или получить информацию из CRM? Для таких задач разработчики используют Tool Calling — механизм, который позволяет ИИ обращаться к подключённым инструментам. Разберём, как он работает и как настроить вызов функции через OpenAI API.
Что такое Tool Calling простыми словами
Tool Calling — это механизм, с помощью которого языковая модель запрашивает выполнение доступного ей инструмента. Например, она может попросить программу получить данные из CRM, проверить статус заказа или рассчитать рекламный показатель.
Предположим, вебмастер спрашивает ИИ-помощника партнёрской сети: «Какой статус у моей заявки?». Обычная нейросеть не знает, что происходит с конкретной заявкой. У неё нет доступа к личному кабинету партнёрки.
Но разработчик может подключить функцию для проверки статусов. Тогда модель поймёт вопрос, передаст функции номер заявки и получит ответ от системы партнёрской сети.
Пользователь увидит обычное сообщение: например, что заявка ожидает проверки или уже одобрена.
При этом нейросеть не получает неограниченный доступ к данным. Разработчик определяет, какие инструменты доступны модели, а приложение проверяет права пользователя и выполняет запрошенные действия.
Tool Calling и Function Calling — одно и то же?
Эти названия часто используют как синонимы, особенно когда говорят о вызове функций языковой моделью (LLM).
Технически Function Calling — один из способов Tool Calling. Разработчик описывает программную функцию, а модель возвращает её название и параметры вызова.
Tool Calling — более широкое понятие. Кроме пользовательских функций, ИИ-платформы могут предоставлять встроенные инструменты, например поиск в интернете, поиск по файлам или выполнение кода.
Способ выполнения зависит от инструмента. Обычную функцию разработчика запускает его приложение, а встроенные инструменты могут выполняться непосредственно на платформе ИИ.
Как работает вызов инструментов в ИИ
Посмотрим на простую задачу из рекламной аналитики. Маркетолог спрашивает:
Посчитай стоимость заявки, если на рекламу потратили 36 000 рублей и получили 48 заявок.
Стоимость заявки, или CPL, рассчитывается по формуле:
[CPL = \frac{\text{Расходы}}{\text{Количество заявок}}]Получается 750 рублей.
Сам расчёт можно выполнить и без нейросети. Но на этом примере удобно разобраться в Tool Calling, прежде чем подключать реальные рекламные кабинеты.
В приложении есть функция calculate_cpl, которая принимает расходы и количество заявок. Разработчик сообщает модели, что эта функция доступна для использования.
Дальше происходит несколько действий:
- Пользователь отправляет вопрос о стоимости заявки.
- Модель возвращает запрос на вызов calculate_cpl с параметрами 36000 и 48.
- Приложение проверяет параметры и выполняет расчёт.
- Результат — 750 рублей — передаётся модели.
- Модель формулирует ответ пользователю.
Если модель запросила неправильный инструмент или передала некорректные значения, приложение должно обработать ошибку. Выполнение функции не следует автоматически доверять языковой модели.
В OpenAI API один ответ может содержать несколько вызовов инструментов. Например, агенту нужно получить расходы из одной системы, а количество заявок — из другой. Приложение должно обработать соответствующие запросы и вернуть результаты.

Что нейросеть передаёт при Function Calling
В обычном чате модель возвращает текст. При вызове функции она формирует специальный ответ, который программа может обработать.
Для нашего примера содержимое вызова в упрощённом виде выглядит так:
{
"name": "calculate_cpl",
"arguments": {
"spend": 36000,
"leads": 48
}
}name — название функции, которую нужно вызвать. В arguments находятся значения для расчёта.
После выполнения функция возвращает результат:
{
"cpl_rub": 750
}Это упрощённое представление данных. В настоящем ответе OpenAI Responses API есть дополнительные поля, в том числе call_id — идентификатор, который связывает запрос инструмента с его результатом.
Удобство такого механизма в том, что человеку необязательно знать название функции и её параметры. Он может задать вопрос обычным языком, а модель подготовит подходящий вызов.

Где Tool Calling используют в маркетинге и партнёрках
Tool Calling особенно полезен там, где ИИ-помощник должен работать с актуальными данными компании, а не только отвечать на вопросы по собственным знаниям.
Анализ рекламной статистики
Маркетолог хочет узнать, в какой кампании выросла стоимость заявки за последнюю неделю.
Если приложение подключено к рекламной системе, модель может запросить расходы и количество заявок за нужный период. Полученные значения программа использует для расчёта, а ИИ формулирует ответ.
Такому помощнику можно поручить сравнение нескольких кампаний или поиск показателей, которые заметно изменились. Но он не определит прибыльность рекламы без данных о продажах и выручке.
Проверка заявок в CPA-сети
Вебмастер спрашивает, почему конкретная заявка ещё не получила статус Approved.
При наличии подходящего API помощник может запросить текущий статус, дату изменения и другую информацию, которую партнёрская сеть разрешает показывать пользователю.
Если заявка всё ещё на проверке, модель сообщит об этом. А вот объяснять причину задержки она сможет только в том случае, если эта причина есть в полученных данных.
Мониторинг лендингов
ИИ-помощнику можно подключить функцию, которая проверяет доступность сайта.
Например, пользователь спрашивает: «Работает ли лендинг?». Программа отправляет запрос к сайту, получает HTTP-статус и сообщает модели результат проверки.
Если сервер ответил кодом 500, помощник сможет сообщить об ошибке. Но успешный HTTP-ответ ещё не гарантирует, что работают кнопки, формы заявок и переходы на оффер. Для этого нужны дополнительные проверки.
Поддержка клиентов
Другой распространённый сценарий — работа с заказами и обращениями.
Покупатель задаёт вопрос о доставке. Модель запрашивает статус заказа через разрешённую функцию и готовит ответ на основе полученных сведений.
Для таких приложений особенно важна проверка доступа. Пользователь не должен получать чужие заказы или персональные данные только потому, что попросил об этом чат-бота.
Чем Tool Calling отличается от RAG и обычного промпта
Эти технологии могут использоваться в одном ИИ-приложении, но выполняют разные задачи.
Промпт сообщает нейросети, что нужно сделать. Например, можно попросить проверить рекламное объявление на ошибки или переписать заголовок.
RAG помогает найти сведения во внешних материалах и передать их модели. Например, бот может искать условия возврата в базе знаний магазина.
Tool Calling позволяет запрашивать выполнение инструментов. Одним инструментом может быть поиск по базе документов, другим — проверка статуса заказа, третьим — расчёт стоимости заявки.
| Подход | Для чего используют |
| Промпт | Задать задачу и требования к ответу |
| RAG | Найти информацию в подключённых материалах |
| Tool Calling | Вызвать функцию или другой доступный инструмент |
Например, помощник магазина может получить правила поведения через системный промпт, найти условия доставки с помощью RAG и запросить статус заказа через Tool Calling.
Как закреплять правила работы нейросети, мы разбирали в статье «Системный промпт: что это и как написать для ИИ».
Как настроить Tool Calling через OpenAI API
Теперь разберём, как выглядит вызов функции в коде. Мы создадим небольшую программу, которая получает вопрос о CPL, выполняет расчёт и передаёт результат обратно модели.
Это пример для знакомства с механизмом. Здесь нет подключения к рекламному кабинету: расходы и количество заявок пользователь указывает в своём сообщении.
Подготовьте Python и API-ключ
Для работы понадобится Python, библиотека OpenAI и действующий API-ключ.
Установите библиотеку через терминал:
python -m pip install -U openaiЗатем сохраните ключ в переменной окружения OPENAI_API_KEY. Как получить ключ и проверить настройки оплаты, мы объясняли в статье «Где найти API-ключ ChatGPT».
Для запуска примера потребуется доступ к OpenAI API. Он оплачивается отдельно от подписки ChatGPT.
Создайте файл с функцией
Создайте файл tool_calling.py. В нём будет функция calculate_cpl, которую мы разрешим вызывать модели.
Она принимает расходы и количество заявок, проверяет значения и возвращает стоимость одной заявки.
Добавьте код вызова инструмента
Вставьте в файл следующий код:
import json
from openai import OpenAI
client = OpenAI()
def calculate_cpl(spend, leads):
if spend < 0 or leads <= 0:
return {"error": "Некорректные расходы или заявки"}
return {"cpl_rub": round(spend / leads, 2)}
tools = [{
"type": "function",
"name": "calculate_cpl",
"description": "Рассчитать стоимость заявки (CPL) в рублях",
"parameters": {
"type": "object",
"properties": {
"spend": {
"type": "number",
"description": "Расходы в рублях"
},
"leads": {
"type": "integer",
"description": "Количество заявок"
}
},
"required": ["spend", "leads"],
"additionalProperties": False
},
"strict": True
}]
response = client.responses.create(
model="gpt-6-luna",
input="Посчитай CPL: расходы 36 000 рублей, заявок 48.",
tools=tools,
tool_choice={
"type": "function",
"name": "calculate_cpl"
},
parallel_tool_calls=False
)
outputs = []
for item in response.output:
if item.type != "function_call":
continue
if item.name != "calculate_cpl":
raise ValueError("Неизвестная функция")
args = json.loads(item.arguments)
result = calculate_cpl(args["spend"], args["leads"])
outputs.append({
"type": "function_call_output",
"call_id": item.call_id,
"output": json.dumps(result, ensure_ascii=False)
})
if not outputs:
raise RuntimeError("Модель не запросила инструмент")
answer = client.responses.create(
model="gpt-6-luna",
previous_response_id=response.id,
input=outputs,
tools=tools,
tool_choice="none"
)
print(answer.output_text)Код получился длиннее обычного обращения к нейросети, потому что здесь показаны обе стороны Tool Calling: запрос модели и выполнение функции в приложении.
Разберём основные части.
calculate_cpl() — обычная функция Python. Она выполняет расчёт и не зависит от языковой модели.
tools — описание инструмента для OpenAI. Здесь указано, как называется функция и какие данные она принимает.
strict=True помогает контролировать структуру аргументов. Например, модель должна передать число расходов и целое число заявок. Но даже при правильной структуре данные нужно проверять: расходы не должны быть отрицательными, а количество заявок — нулевым.
В первом запросе мы явно указываем calculate_cpl через tool_choice. Для знакомства с механизмом это удобно: модель должна запросить именно эту функцию. В обычном приложении можно использовать автоматический выбор инструмента.
После получения вызова Python выполняет расчёт. Затем результат передаётся обратно модели через function_call_output, а previous_response_id связывает второй запрос с первым.
Во втором запросе установлен tool_choice=»none», чтобы модель завершила ответ без нового вызова функции.
Запустите программу
Сохраните файл и выполните:
python tool_calling.pyДля расходов 36 000 рублей и 48 заявок функция возвращает CPL 750 рублей. Модель использует это значение при подготовке сообщения.
Для проверки можно изменить числа в первом запросе. Например, указать расходы 24 000 рублей и 30 заявок. Тогда правильный результат расчёта составит 800 рублей.
Если ввести ноль заявок, функция вернёт сообщение об ошибке вместо деления на ноль.
Это пока расчёт по значениям из сообщения. Чтобы помощник работал с настоящими рекламными данными, нужно подключить отдельную функцию для обращения к API рекламной системы или аналитики.
Курс «Инженер генеративного ИИ» в Академии IT DMS
Сертификат, диплом о переподготовке или удостоверение о повышении квалификации.
AFFTIMES−5 % на первую покупку. Скидка суммируется с любыми акциями школы. Если оплачиваете через менеджера в чате, назовите ему промокод.
Какие ошибки возникают при Tool Calling
Часть ошибок связана с моделью: она может выбрать неподходящий инструмент или неверно определить параметры. Другие возникают при выполнении кода, например когда CRM не отвечает или пользователь запрашивает недоступные ему данные.
Поэтому разработчику важно проверять вызов до выполнения функции.
Например, если помощник получает запрос «Покажи статус заявки», ему может понадобиться номер заявки. Но даже с правильным номером приложение должно удостовериться, что пользователь имеет право видеть её данные.
Для функций, которые что-то изменяют, требования строже. Создание платежа, удаление записи или изменение рекламного бюджета не стоит выполнять без отдельной проверки полномочий и, где необходимо, подтверждения человека.
Ещё одна проблема — незаметные ошибки в результатах. Допустим, помощник получил статистику за прошлую неделю, хотя пользователь спрашивал о вчерашнем дне. Сам расчёт CPL может быть правильным, но ответ окажется бесполезным.
Поэтому в рабочих приложениях проверяют не только значения, но и период, источник данных и успешность выполнения функции.
Как узнать, какие инструменты вызвала нейросеть
При разработке полезно сохранять сведения о выполнении каждого запроса: какую функцию выбрала модель, какие параметры передала и что вернуло приложение.
Для простого проекта можно начать с обычных журналов программы. Если инструментов много, удобнее использовать специальные средства наблюдения за ИИ-агентами.
Например, LangSmith показывает последовательность вызовов языковой модели и подключённых функций. Разработчик может увидеть, на каком этапе возникла ошибка и сколько времени заняла обработка запроса.

Это пригодится, когда помощник получает данные из нескольких источников, выполняет расчёты и готовит общий отчёт. По одному финальному ответу трудно определить, где именно появилась неправильная цифра.
Для создания таких приложений можно использовать LangChain. Он помогает подключать языковые модели к инструментам и управлять работой ИИ-агентов.
Когда Tool Calling действительно нужен
Если нейросеть помогает переписать рекламный текст, перевести сообщение или придумать несколько заголовков, обычного запроса к модели часто достаточно.
Tool Calling пригодится, когда ответ зависит от актуальных данных или требует действия в другом сервисе. Например, проверить статус заявки, получить показатели кампании, рассчитать CPL или создать обращение в поддержку.
Для первого проекта лучше начать с одной функции. Когда она правильно принимает параметры, обрабатывает ошибки и возвращает результат, можно подключать реальные источники данных и добавлять другие инструменты.
При этом сложность ИИ-приложения растёт не столько из-за количества функций, сколько из-за требований к их безопасности, правильности данных и обработке ошибок.
FAQ
Tool Calling — механизм, с помощью которого языковая модель запрашивает использование доступных инструментов. Например, она может попросить программу получить данные из CRM или выполнить расчёт.
Function Calling — один из видов Tool Calling, при котором модель запрашивает вызов программной функции с определёнными аргументами. Tool Calling также охватывает встроенные и другие подключённые инструменты.
Модель возвращает название функции и параметры. Приложение проверяет запрос, выполняет функцию и передаёт результат обратно модели, после чего она может подготовить ответ.
Только если разработчик подключил соответствующий инструмент. Модель не получает автоматический доступ к CRM, рекламному кабинету или другим системам.
RAG помогает искать сведения во внешних материалах, а Tool Calling позволяет запрашивать выполнение инструментов. Оба механизма могут использоваться вместе.
В ИИ-агентах для работы с CRM, рекламной аналитикой, заказами, заявками, документами и другими системами, которые предоставляют данные или выполняют действия через API.
Да. Механизм доступен через разные языки программирования и инструменты разработки. Пользователю готового ИИ-помощника программировать обычно не требуется.





