Tool Use와 함수 호출 — AI가 외부 세계와 연결되는 방법
…
한줄 요약
Function Calling은 LLM이 “이 함수를 호출해야겠다”고 스스로 판단하고 JSON 형식의 호출 신호를 출력하는 기술로, 에이전트가 실제 세계와 상호작용하는 핵심 메커니즘이다.
Function Calling이란
2023년 6월 OpenAI가 GPT-4에 도입하면서 널리 알려진 개념이다. LLM은 텍스트를 생성하는 대신, 미리 정의된 함수 목록 중 어떤 것을 호출할지를 JSON으로 출력한다.
기존 LLM 출력:
"메트포르민과 와파린의 상호작용은 혈당 저하 효과 증가입니다."Function Calling 출력:
{
"name": "check_drug_interaction",
"arguments": {
"drug_a": "metformin",
"drug_b": "warfarin"
}
}LLM이 직접 답하지 않고, 답을 얻기 위한 함수 호출을 지시한다.
JSON Schema로 Tool 정의하기
Claude Tool Use API에서 도구는 JSON Schema로 정의한다.
import anthropic
client = anthropic.Anthropic()
tools = [
{
"name": "search_drug_interaction",
"description": "두 약물 간의 임상적 상호작용을 확인한다. "
"결과는 상호작용 심각도(major/moderate/minor)와 "
"권장 조치를 포함한다.",
"input_schema": {
"type": "object",
"properties": {
"drug_a": {
"type": "string",
"description": "첫 번째 약물명 (성분명 또는 상품명)"
},
"drug_b": {
"type": "string",
"description": "두 번째 약물명 (성분명 또는 상품명)"
}
},
"required": ["drug_a", "drug_b"]
}
},
{
"name": "lookup_guideline",
"description": "ADA, ACC/AHA, KDA 등의 최신 의료 가이드라인을 검색한다.",
"input_schema": {
"type": "object",
"properties": {
"query": {"type": "string"},
"society": {
"type": "string",
"enum": ["ADA", "ACC", "KDA", "KDIGO"],
"description": "검색할 학회 가이드라인"
}
},
"required": ["query"]
}
},
{
"name": "calculate_dose",
"description": "환자 체중, 신기능, 연령을 고려한 적정 약물 용량을 계산한다.",
"input_schema": {
"type": "object",
"properties": {
"drug": {"type": "string"},
"weight_kg": {"type": "number"},
"egfr": {"type": "number", "description": "eGFR (mL/min/1.73m²)"},
"age": {"type": "integer"}
},
"required": ["drug", "weight_kg", "egfr"]
}
}
]Claude Tool Use API 실전 예시
def run_medical_agent(patient_query: str):
messages = [{"role": "user", "content": patient_query}]
while True:
response = client.messages.create(
model="claude-opus-4-5",
max_tokens=4096,
tools=tools,
messages=messages
)
# 도구 호출이 없으면 최종 답변
if response.stop_reason == "end_turn":
return response.content[0].text
# 도구 호출 처리
tool_results = []
for block in response.content:
if block.type == "tool_use":
result = execute_tool(block.name, block.input)
tool_results.append({
"type": "tool_result",
"tool_use_id": block.id,
"content": str(result)
})
# 결과를 메시지에 추가하고 루프 계속
messages.append({"role": "assistant", "content": response.content})
messages.append({"role": "user", "content": tool_results})
def execute_tool(name: str, inputs: dict) -> dict:
"""실제 도구 실행 함수 — 각 도구를 라우팅한다."""
if name == "search_drug_interaction":
return db.query_interaction(inputs["drug_a"], inputs["drug_b"])
elif name == "lookup_guideline":
return guideline_search(inputs["query"], inputs.get("society"))
elif name == "calculate_dose":
return dose_calculator(**inputs)
else:
return {"error": f"Unknown tool: {name}"}안전한 Tool 설계 원칙
의료 환경에서 도구를 설계할 때 반드시 지켜야 할 원칙이 있다.
Read-only vs Write 구분:
# 안전 (읽기 전용)
"lookup_guideline" # DB 조회만
"search_drug_interaction" # 조회만
"calculate_dose" # 계산만
# 주의 필요 (쓰기)
"create_prescription" # EMR에 처방 기록
"send_order" # 원무팀에 지시 전송
"update_patient_record" # 환자 기록 수정쓰기 도구에는 반드시 human-in-the-loop 승인 단계를 추가해야 한다.
def create_prescription(drug: str, dose: str, patient_id: str) -> dict:
# 직접 실행 금지 — 항상 초안으로 반환
draft = {
"status": "draft",
"requires_physician_approval": True,
"drug": drug,
"dose": dose,
"patient_id": patient_id
}
return draft # 의사가 검토 후 별도 확정 버튼으로 실행핵심 정리
- Function Calling은 LLM이 텍스트 대신 구조화된 함수 호출 신호를 출력하는 기법이다
- JSON Schema로 도구를 정의하면 LLM이 파라미터를 정확하게 채워 호출한다
- Claude Tool Use API는
stop_reason: "tool_use"신호로 도구 호출 요청을 전달한다 - 의료 도구는 read-only를 기본으로 하고, 쓰기 작업에는 의사 승인 단계가 필수다
- 도구 설명(description)의 품질이 LLM의 올바른 도구 선택을 결정한다