1. Tool Useの概要

1.1 なぜツール利用が必要か

LLMの限界を補完：

• 計算：大きな数の計算が苦手
• 最新情報：訓練データ以降の情報を持たない
• 外部システム：データベース、API等との連携
• アクション：実世界への働きかけ

1.2 Tool Useの発展

1.3 基本的な流れ

1. ユーザー: 「東京の天気を教えて」
2. LLM: ツール呼び出しを決定
   → get_weather(location="東京")
3. システム: ツールを実行、結果を取得
   → {"temp": 15, "condition": "晴れ"}
4. LLM: 結果を自然言語で回答
   → 「東京は現在15℃で晴れています」

2. Function Calling

2.1 概要

LLMが構造化されたJSON形式でツール呼び出しを出力。

• OpenAI（2023年6月）で導入
• 関数の定義をプロンプトに含める
• モデルが適切な関数と引数を選択

2.2 関数定義の例

{
  "name": "get_weather",
  "description": "指定した場所の現在の天気を取得",
  "parameters": {
    "type": "object",
    "properties": {
      "location": {
        "type": "string",
        "description": "都市名（例：東京、大阪）"
      },
      "unit": {
        "type": "string",
        "enum": ["celsius", "fahrenheit"],
        "description": "温度の単位"
      }
    },
    "required": ["location"]
  }
}

2.3 モデルの出力

{
  "function_call": {
    "name": "get_weather",
    "arguments": "{\"location\": \"東京\", \"unit\": \"celsius\"}"
  }
}

2.4 並列ツール呼び出し

複数のツールを同時に呼び出し：

ユーザー: 「東京と大阪の天気を比較して」

モデル出力:
[
  {"name": "get_weather", "arguments": {"location": "東京"}},
  {"name": "get_weather", "arguments": {"location": "大阪"}}
]

2.5 ツール選択の制御

• auto：モデルが自動判断
• none：ツール使用禁止
• required：必ずツールを使用
• 特定の関数：指定した関数のみ

3. Toolformer

3.1 概要

Toolformer（Schick et al. 2023）：自己教師ありでツール使用を学習。

3.2 学習方法

1. テキスト中のツールが有効な位置を特定
2. ツール呼び出しを挿入したデータを生成
3. ツールの結果が予測に役立つ場合のみ保持
4. このデータでファインチューニング

3.3 対応ツール

• 電卓（Calculator）
• Wikipedia検索
• 機械翻訳
• カレンダー（日付計算）
• Q&Aシステム

3.4 意義

• 人間のアノテーションなしでツール使用を学習
• いつ・どのツールを使うべきかを自動判断

4. ReAct

4.1 概要

ReAct（Reasoning + Acting）（Yao et al. 2023）：

推論と行動を交互に行うフレームワーク。

4.2 フォーマット

Thought: [現在の状況の分析・次に何をすべきか]
Action: [実行するツール/アクション]
Observation: [アクションの結果]
... (繰り返し)
Thought: [最終的な結論]
Answer: [回答]

4.3 例

Question: アルバート・アインシュタインの妻の出身国は？

Thought: アインシュタインの妻を調べる必要がある
Action: Search[アルバート・アインシュタイン 妻]
Observation: ミレヴァ・マリッチ（最初の妻）...

Thought: ミレヴァ・マリッチの出身を調べる
Action: Search[ミレヴァ・マリッチ]
Observation: セルビア出身の数学者・物理学者...

Thought: 答えが分かった
Answer: セルビア

4.4 利点

• 解釈可能性：思考過程が可視化
• エラー回復：中間結果を見て修正可能
• 複雑なタスク：多段階推論に対応

5. ツールの種類

5.1 情報取得ツール

5.2 計算・処理ツール

5.3 アクションツール

5.4 Computer Use

Anthropic（2024）：LLMがコンピュータを直接操作。

• 画面のスクリーンショットを「見る」
• マウス・キーボード操作を出力
• 任意のGUIアプリケーションを操作可能

6. 実装パターン

6.1 シンプルなループ

while not done:
    response = llm.generate(messages, tools)
    
    if response.has_tool_call:
        result = execute_tool(response.tool_call)
        messages.append(tool_result(result))
    else:
        done = True
        return response.text

6.2 ツール定義のベストプラクティス

• 明確な説明：いつ使うべきかを明記
• 型の指定：パラメータの型を厳密に
• 例の提供：使用例を説明に含める
• エラーハンドリング：失敗時の対応を定義

6.3 MCP（Model Context Protocol）

Anthropic（2024）：ツール連携の標準プロトコル。

• ツールの発見・利用を標準化
• 異なるLLMで共通のインターフェース
• サーバー・クライアントアーキテクチャ

6.4 LangChain / LlamaIndex

ツール統合フレームワーク：

• 多数の事前定義ツール
• カスタムツールの簡単な追加
• エージェントの構築支援

7. 課題と展望

7.1 現在の課題

• ツール選択の誤り：不適切なツールを選ぶ
• パラメータのミス：引数の形式エラー
• 過剰なツール使用：不要な呼び出し
• ループ：同じツールを繰り返し呼ぶ

7.2 セキュリティ

• 権限管理：ツールの実行権限
• インジェクション：悪意ある入力
• 情報漏洩：意図しないデータアクセス
• 確認ステップ：重要なアクションの承認

7.3 今後の展望

• より自然なツール選択
• ツールの自動発見・学習
• マルチモーダルツール（画像・音声）
• 協調的なマルチエージェント

8. 参考文献

• Schick et al. (2023). "Toolformer: Language Models Can Teach Themselves to Use Tools" NeurIPS
• Yao et al. (2023). "ReAct: Synergizing Reasoning and Acting in Language Models" ICLR
• Patil et al. (2023). "Gorilla: Large Language Model Connected with Massive APIs" arXiv
• Qin et al. (2023). "Tool Learning with Foundation Models" arXiv