🤖 Tool Use, Function Calling & Agentic Patterns (ReAct, Plan-and-Execute, Reflection) — the layer that transforms LLMs from intelligent chatbots into reliable, real-world actors. Just read this excellent technical white paper from @aasaitech on bridging models to enterprise systems, IoT, MES, ERP, and industrial workflows. Key highlights: • 5-step tool loop with reflection: Reason → Call Tool → Observe → Act/Reflect → Iterate • Core patterns: ReAct (dynamic reasoning acting), Plan-and-Execute (structured multi-step), Self-Reflection for robustness • Industrial applications: Maintenance scheduling, anomaly investigation, spare parts ordering, compliance workflows, safety checks • Reference architecture frameworks (LangGraph, AutoGen, LlamaIndex, OpenAI function calling) This completes the shift to production-grade agentic AI for edge orchestration and manufacturing — combining perfectly with prior topics like RAG, CoT, quantization, and alignment. Full white paper infographic: x.com/aasaitech/status/20656… How are you building agentic workflows in your systems — simple ReAct, full Plan-and-Execute with human-in-the-loop, or custom LangGraph setups? #AgenticAI #ToolUse #ReAct #FunctionCalling #IndustrialAI #LangGraph #EdgeAI

Writing better prompts isn't enough anymore. The biggest AI breakthroughs now come from giving models access to tools, APIs, and real actions through function calling. That's what powers many of today's AI agents. 🔗 sitepoint.com/why-function-c… #AI #LLM #FunctionCalling #WebDev

お勉強ここまで。 ・RAGはLLMを外部接続させるアプリ ・FunctionCallingはLLMの外部接続を許可する機能 ・MCPはFunctionCallingの拡張・標準化プロトコル MCPに関しては学ぶなら別途で書籍もしくはドキュメントを読む必要あり。

💡 AI가 스스로 API를 호출하고 DB까지 조회한다면? Function Calling, LLM이 단순 대화를 넘어 실제 도구를 쓰는 방법을 파헤쳤습니다. #비젠소프트 #FunctionCalling #AI자동화 #LLMAPI #ToolUse #AI개발

AIキャラ、バックグランドエージェント部分の実装が今日からテスト。そのご、自律化。LLMを同時に何度も呼び出すし、FunctionCallingも使うので、RaspiのようなローエンドCPUだけで動かすのは難しいかもなあ。せめてgemma4-E4Bが動けばいいんだけど。E2Bだと心もとない。

エージェント開発を学ぶ中で気になったので、 functionCalling, MCP, A2Aの違いをまとめてみました zenn.dev/seachickenkatsu/art… #zenn

Function Callingの正体は「APIを2回叩く」だけだった🤗1回目でLLMに関数を選ばせて、実行して、2回目で結果をまとめてもらう。 この分業がわかると、LLMを組み込んだアプリの設計がイメージしやすくなります🙆‍♂️ uepon.hatenadiary.com/entry/… #Ollama #FunctionCalling #ローカルLLM #AI #Python

記事を投稿しました！ OpenAI の FunctionCallingを利用してツールを使わせてみる [やってみた] on #Qiita qiita.com/yakumo_09/items/56…

サーボと連動するfunctionCalling実装されてるんだ。

イメージ的には、 モーター制御プログラムを用意し、 カメラからのリアルタイム動画を前処理してローカルLLMに投入。 ローカルLLMは、その状況を認識し、 どんな種類のモーター制御を選択&実行させるか判断する(LangChainの文脈に於けるFunctionCallingみたいな) そして、エッジのLLMには、自然言語で、「ペンを、ペン立ての中に入れて」と、指示するだけ。 エッジAIの性能が上がれば、複雑な作業も認識・判断できるようになり… 高精度センサーと高精度モーターの価格が下がれば、経済合理性も成立するので、複雑な作業も実行できるように…。 学習データ不用だから、汎用性も高いし。 期待大だなぁ🤔

Sneak peek @ DCACLab: LLM function calling → circuit on the board. Using Google OR-TOOLS force positioning to map chat prompts to real layouts. Early prototype, but the agentic workflow is taking shape! #LLM #FunctionCalling #Electronics #AI #AgenticAI #agentic

Your function-calling agent passes the benchmark. But does it actually work? We audited the Berkeley Function-Calling Leaderboard (BFCL) using EigenData — and found that >70% of samples contain critical issues under outcome-based evaluation. What’s going wrong: - Benchmarks have systematic issues (schemas, implementations, trajectories) - Evaluation relies on surface-level matching - Data pipelines are static, but real-world agents are not The real shift: Data shouldn’t be static. It should be executable, verifiable, and self-evolving. 👉 The bottleneck is often not the model — but the data infrastructure. Full breakdown ↓ #FunctionCalling #DataQuality #MachineLearning #DataInfrastructure #BFCL

FunctionCallingで読み込んだデータはAquesTalkで喋ってくれるけど、一般質問の返答は調べて表示してくれるけど、喋ってはくれないな(^^;)　スケッチ、妙な書き方してるのかな？ #M5Core2 #ｽﾀｯｸﾁｬﾝ #aquestalk

AquesTalkのライセンスキー到着。早速書き込む。新PCにPlatformIOをインストールしたけど表示情報多くて理解し難く、結局ArduinoIDEでコンパイル(^^;)　FunctionCallingを育ててきたのでこれを継承し、BTN-Cで集めた言葉をランダムトークするようにしてみた(^^)/ #M5Core2 #ｽﾀｯｸﾁｬﾝ #aquestalk

【Function Calling】天気画像解析スクリプトを作成しました。 GeminiのFunction Callingの学習のため、現在の天気ページの画像をキャプチャし、そのPNGデータをGeminiに渡して解析させるスクリプトを作成しました。 # 本スクリプトの大まかな処理 1. 「指定URL（Yahoo!天気の渋谷のページ）の現在の天気の解説依頼」のプロンプトをGeminiに送信します。 2. 画像キャプチャツール（スクリプト内に定義済み）を呼び出すよう、Geminiがスクリプトに送信します。 3. 撮影したキャプチャ画像（PNG形式）を、Multimodal Function Responsesを使用してGeminiに送信します。 4. Geminiは受け取った画像データを解析し、現在の天気情報をスクリプトに送信します。 5. その天気情報を標準出力します。 # 実行結果 正確な現在の渋谷の天気情報が出力されました。 # 所感 LLMを利用して、現実の現在の天気情報を取得し、ゲーム内に反映させる場合などに本スクリプトが活用できるかもしれません。 実行させる関数をGeminiに判断させたい場合に非常に便利な機能だと思います。 # 動画タイムライン 0:00 スクリプトの実行画面 0:32 スクリプトの中身 # 関連URL ・Gemini API を使用した関数呼び出し | Google AI for Developers ai.google.dev/gemini-api/doc… ・Gemini API - Multimodal Function Calling ｜ npaka note.com/npaka/n/n4ac7107c6b… # タグ #FunctionCalling #Gemini #GetWeather #GameDev

私の用途では2種類のLLMがあればベター １）gemma3のような画像、動画に強くプロンプト追随性が極めて高いモデル ２）難しい推論性能が極めて高いモデル←急ぎではない gemma3のFunctionCallingはfunction分離と変数の拾い上げ性能が高く、最適テンプレートを使う事で最大の性能が得られるらしい

1年前、ChatGPTのGPTsのAction機能でサーバーにファイルを置こうとして悩んだのを思い出した。 チャッピーから「コード書かずに仕様書で詰める変態」って褒められた。 尚、チャッピーは自分用FunctionCallingを書けず、Claudeに書いてもらった。 （適材適所？）

質問分類器はDifyが一番Difyらしいノード これはFunctionCallingでありSkillsのようなこともでき、AIエージェントにもできる LLMが柔軟に後処理を選択するというエージェンティックな処理がかなり早い段階から実装されていた