--- title: "Function calling (LLM) (HU)" source: "https://systems-analysis.info/int/Function_calling_(LLM)_(HU)" wiki: "systems-analysis.info/int" article: "Function_calling_(LLM)_(HU)" language: "hu" categories: - "Category:Hungarian" - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" revision_id: 2331 wiki_created_at: 2026-09-06T23:02:16Z wiki_modified_at: 2026-09-06T23:02:16Z downloaded_at: 2026-09-07T22:50:32Z --- # Function calling (LLM) (HU) **Function Calling** (**Függvényhívás**) — ez egy mechanizmus a nagy nyelvi modellekben (LLM), amely lehetővé teszi a modell számára, hogy külső eszközökkel és API-kkal kommunikáljon, strukturált adatokat (jellemzően JSON formátumban) generálva a függvények meghívásához, közvetlen szöveges válasz helyett[\[1\]](https://systems-analysis.info/int/Function_calling_(LLM)_(HU)#cite_note-hopsworks_whatis-1). Más szóval, a modell a felhasználói kérés alapján meghatározza, hogy a felkínált készletből melyik függvényt kell meghívni és milyen paraméterekkel. Ez a mechanizmus bővíti az LLM-ek alkalmazási körét, lehetővé téve számukra, hogy interfészként szolgáljanak a természetes nyelv és a gyakorlati műveletek között. Ez lehetőséget nyit a mesterséges intelligencia külső rendszerekkel való integrációjára: a modell aktuális adatokat kérhet le, műveleteket hajthat végre, vagy szolgáltatásokat vehet igénybe, ami különösen értékes intelligens asszisztensek és autonóm ágensek létrehozásakor. A külső eszközök használata csökkenti a hallucinációk (kitalált tények) kockázatát is, mivel megbízható forrásokhoz fordul[\[2\]](https://systems-analysis.info/int/Function_calling_(LLM)_(HU)#cite_note-dark_side_paper-2). ## Történet és megvalósítási megközelítések ### Korai megközelítések (prompting és Toolformer) Az az elképzelés, hogy a nyelvi modelleket megtanítsák eszközök meghívására, 2022–2023-ban alakult ki. A korai megközelítések összetett prompting technológiákra támaszkodtak. Így 2022-ben vezették be a **ReAct** sémát, ahol a modell a párbeszéd során felváltva végzett következtetéseket és műveleteket (eszközhívásokat), amelyek egyetlen szövegbe voltak kódolva. Meredek lépést jelentett a **Toolformer** modell megjelenése, amelyet a Meta kutatói 2023 elején mutattak be. A Toolformer megmutatta, hogy az LLM-ek speciálisan továbbtaníthatók arra, hogy önállóan hívjanak meg külső eszközöket (számológép, keresőmotor, naptár) szöveges utasítások alapján, speciális API-hívási tokeneket illesztve a generált szövegbe[\[3\]](https://systems-analysis.info/int/Function_calling_(LLM)_(HU)#cite_note-toolformer_paper-3). ### Hivatalos támogatás és fejlesztés Mérföldkövet jelentett az OpenAI, amely 2023 júniusában hivatalosan bevezette a Function Calling támogatást a GPT-3.5 és GPT-4 modellekhez tartozó API-jaiba[\[4\]](https://systems-analysis.info/int/Function_calling_(LLM)_(HU)#cite_note-openai_fc_announcement-4). A modellek új verzióit arra tanították tovább, hogy felismerjék azokat a helyzeteket, amikor a felhasználói kérés külső függvény meghívását feltételezi, és pontosan strukturált JSON-objektumot generáljanak az argumentumokkal. Az OpenAI ezt a lehetőséget „új módszernek nevezte a GPT és a külső eszközök, illetve API-k megbízható összekapcsolására". ### Nyílt kezdeményezések A kereskedelmi megvalósításokat követően megjelentek a nyílt modellek, amelyeket helyes függvényhívások generálására tanítottak tovább. - **Gorilla**: A UC Berkeley projektje, a LLaMA továbbtanított változata, amely több ezer különböző API-hoz képes hívásokat generálni. Az ilyen modellek értékelésére létrehozták a Berkeley Function-Calling Leaderboard benchmarkot[\[5\]](https://systems-analysis.info/int/Function_calling_(LLM)_(HU)#cite_note-gorilla_site-5). - **ToolAlpaca**, **ToolLLaMA**, **Hermes**: Nyílt modellek sorozatai, amelyeket szintetikus függvényhívás-példákon tanítottak tovább, ezeket gyakran erősebb modellek generálták. ## A működési mechanizmus A Function Calling használatának folyamata általában több lépésből áll: 1. **Függvények meghatározása**. A fejlesztő előre meghatározza a modell számára elérhető függvények készletét (például külső API-kat), és leírja azok szignatúráját és rendeltetését, általában JSON Schema formátumban. 2. **Kérés elemzése**. A párbeszéd során a modell elemzi a felhasználó szándékát, és önállóan dönt arról, hogy a válaszhoz szükséges-e valamelyik meghatározott függvény meghívása. 3. **Hívás generálása**. Ha műveletre van szükség, az LLM a szokásos szöveg helyett speciális strukturált kimenetet generál (például JSON-t a függvény nevével és argumentumaival). Ha nincs szükség hívásra, a modell normál szöveges választ ad vissza. 4. **Függvény végrehajtása**. A külső program (a chatbot kerete vagy az ágens) megkapja a JSON-t, végrehajtja a megadott függvény tényleges hívását a javasolt paraméterekkel, és az eredményt visszaküldi a modellnek. 5. **Végső válasz kialakítása**. A modell a kapott adatokat felhasználva generálja a felhasználónak szóló végleges választ[\[4\]](https://systems-analysis.info/int/Function_calling_(LLM)_(HU)#cite_note-openai_fc_announcement-4). Ennek a többlépéses folyamatnak a kezelésére a modellek tanítása során speciális párbeszédformátumokat alkalmaznak, például az OpenAI ChatML jelölését, ahol a „felhasználó" és az „asszisztens" szerepeken kívül bevezetik a „függvény" szerepet a hívási eredmények átadásához. ## Alkalmazás és előnyök A függvények meghívásának lehetősége jelentősen bővíti az LLM-ekkel megoldható feladatok körét. - **Integráció külső API-kkal**. A modell válaszolhat olyan kérésekre, amelyek aktuális információt igényelnek, külső szolgáltatásokat hívva meg (például az időjárás, a devizaárfolyamok vagy a hírek lekéréséhez). - **Felhasználói műveletek automatizálása**. Az LLM képes elvégezni rutinfeladatokat: e-maileket küldeni, naptáreseményeket létrehozni, rendeléseket leadni webáruházakban. - **Adatbázisokhoz és elemzésekhez való hozzáférés**. A természetes nyelvű kérések belső API-hívásokká vagy SQL-lekérdezésekké alakíthatók az adatok kinyeréséhez és elemzéséhez. - **Strukturált információ kinyerése**. Az LLM maga is képes tényeket kiemelni hosszú szövegekből (például neveket, dátumokat, címeket), és azokat strukturált JSON-tömb formájában visszaadni, amely kényelmesen feldolgozható programozottan. ## Biztonsági problémák A Function Calling a modellek lehetőségeit bővítve egyúttal új kockázatokat is hordoz. - **Ellenőrizetlen kimenetek**. A modell és a külső eszközök közötti interakciót gondosan védeni kell. Ha a modell az API-tól rosszindulatú vagy hibás értéket kap, azt beépítheti a válaszba, vagy egy másik függvényt hívhat meg annak alapján, ami kiszámíthatatlan következményekhez vezethet. - **Támadások a függvényargumentumokon keresztül**. A kutatók a Function Calling módhoz specifikus sebezhetőségeket fedeztek fel. 2025-ben bemutattak egy támadást, amelyet „A Function Calling sötét oldala" névvel illettek. Lényege abban áll, hogy a modellnek egy speciális „függvényt" ajánlanak fel, amelynek argumentumaiban tiltott utasítás (*jailbreak-payload*) rejtőzik. A modell, a függvényhívás elvét követve, szabályszegő tartalmat hordozó argumentumokat generál, és ezzel megkerüli a moderációs szűrőket. A tesztelés során a támadás több mint **90%**-os sikerességet mutatott hat modern modellen, köztük a GPT-4-en és a Claude-on[\[2\]](https://systems-analysis.info/int/Function_calling_(LLM)_(HU)#cite_note-dark_side_paper-2). Az ilyen incidensek megelőzése érdekében javasolt, hogy a modell csak megbízható eszközökhöz férhessen hozzá, kritikus fontosságú műveletek végrehajtása előtt vezessenek be felhasználói megerősítést, valamint alkalmazzanak speciális „védelmi" promptokat és az argumentumok szigorú ellenőrzését veszélyes tartalom szempontjából. ## Hivatkozások - Az OpenAI hivatalos Function Calling bejelentése - A Gorilla LLM projekt oldala - Apideck (2024). *An Introduction to Function Calling and Tool Use*. Apideck Blog. - LangChain (2025). *Tool Calling (Documentation)*. LangChain Docs. - Mistral AI (2025). *Function Calling – Documentation*. Mistral Docs. - Hopsworks (2024). *What is Function Calling with LLMs?*. Hopsworks Dictionary. - Hopsworks (2024). *Unlocking the Power of Function Calling with LLMs*. Hopsworks Blog. - University of California, Berkeley (2025). *Berkeley Function Calling Leaderboard V3*. Online Resource. ## Irodalom - Wu, Z. et al. (2025). *The Dark Side of Function Calling: Pathways to Jailbreaking Large Language Models*. ACL 2025. - OpenAI (2023). *Function Calling and Other API Updates*. OpenAI Blog. - Schick, T. et al. (2023). *Toolformer: Language Models Can Teach Themselves to Use Tools*. arXiv:2302.04761. - Patil, S. G. et al. (2023). *Gorilla: Large Language Model Connected with Massive APIs*. arXiv:2305.15334. - Liu, W. et al. (2024). *ToolACE: Winning the Points of LLM Function Calling*. arXiv:2409.00920. - Yao, S. et al. (2022). *ReAct: Synergizing Reasoning and Acting in Language Models*. arXiv:2210.03629. ## Jegyzetek 1. [↑](https://systems-analysis.info/int/Function_calling_(LLM)_(HU)#cite_ref-hopsworks_whatis_1-0) «What is Function Calling with LLMs?». *Hopsworks*. [1] 2. ↑ [2.0](https://systems-analysis.info/int/Function_calling_(LLM)_(HU)#cite_ref-dark_side_paper_2-0) [2.1](https://systems-analysis.info/int/Function_calling_(LLM)_(HU)#cite_ref-dark_side_paper_2-1) Wu, Z. et al. «The Dark Side of Function Calling: Pathways to Jailbreaking Large Language Models». *Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing*, 2025. [2] 3. [↑](https://systems-analysis.info/int/Function_calling_(LLM)_(HU)#cite_ref-toolformer_paper_3-0) Schick, T. et al. «Toolformer: Language Models Can Teach Themselves to Use Tools». *arXiv:2302.04761*, 2023. [3] 4. ↑ [4.0](https://systems-analysis.info/int/Function_calling_(LLM)_(HU)#cite_ref-openai_fc_announcement_4-0) [4.1](https://systems-analysis.info/int/Function_calling_(LLM)_(HU)#cite_ref-openai_fc_announcement_4-1) «Function calling and other API updates». *OpenAI*, 2023. [4] 5. [↑](https://systems-analysis.info/int/Function_calling_(LLM)_(HU)#cite_ref-gorilla_site_5-0) «Gorilla: Large Language Model Connected to Massive APIs». *University of California, Berkeley*. [5]