Hacker News · 10.08.2026 ·Инфраструктура для агентов

Mistral получила патент на механизм вызова внешних инструментов в LLM

Компания Mistral AI закрепила за собой права на метод программной реализации вызова инструментов (tool calls) в больших языковых моделях. Патент описывает архитектурный подход, при котором модель генерирует структурированные запросы для взаимодействия с внешними API и сервисами, что является фундаментальным компонентом для создания автономных ИИ-агентов, способных выполнять действия в реальных системах.

Технология описывает процесс, в котором модель не просто генерирует текст, а формирует специфические команды, интерпретируемые средой исполнения. Это позволяет агентам динамически выбирать подходящие функции из доступного набора, передавать им аргументы и обрабатывать полученные ответы для формирования итогового результата. Подобный паттерн стал стандартом для современных агентных систем, обеспечивая связность между логическим выводом модели и прикладной логикой.

Получение патента на столь базовый механизм может повлиять на ландшафт разработки агентных фреймворков. В то время как многие компании используют схожие подходы для интеграции моделей с внешними данными и инструментами, юридическое закрепление конкретной реализации вызова функций подчеркивает стремление разработчиков моделей контролировать ключевые элементы агентной инфраструктуры.

Ключевые факты

Патент US12670045 описывает метод «Code implemented tool calls» для взаимодействия LLM с внешними инструментами.
Технология позволяет моделям автоматически выбирать и вызывать функции на основе контекста задачи.
Механизм включает парсинг вывода модели для корректной передачи аргументов в API-вызовы.
Патентная заявка была опубликована в рамках официального бюллетеня ведомства по патентам и товарным знакам США (USPTO).

Источник: Hacker News

Обсудить с ИИ

Похожие материалы

Hacker News · Безопасность и алайнмент Инструмент для контроля вызовов функций в LLM-агентах Разработчики представили решение для предотвращения несанкционированных действий ИИ-агентов, использующих вызовы функций (tool calls). Система позволяет перехватывать и валидировать запросы моделей в реальном времени, блокируя потенциально опасные команды до их исполнения. Это критически важный уровень защиты для инфраструктуры, где агенты имеют доступ к внешним API, базам данных или корпоративным системам управления. arXiv · Инфраструктура для агентов Исследование эффективности программного вызова инструментов в LLM Исследователи проанализировали переход от жестких JSON-схем к программному вызову инструментов (tool calling) в LLM. Использование кода позволяет моделям естественным образом цепочками связывать и параллельно выполнять задачи, выходя за рамки обучающих данных. Авторы провели систематическую оценку производительности различных поколений моделей в реальных условиях, выявив ключевые преимущества и ограничения такого подхода для построения автономных агентов. Hacker News · Оркестрация агентов Проблема надежности вызова инструментов в агентных системах Современные агентные фреймворки часто полагаются на способность LLM корректно вызывать внешние инструменты, однако этот процесс не обладает гарантированной надежностью. Разработчики систем автоматизации склонны переоценивать точность моделей при выборе и параметризации функций, что приводит к критическим сбоям в цепочках рассуждений. Для создания стабильных агентов требуется переход от слепого доверия к модели к внедрению строгих механизмов валидации и обработки ошибок. Hacker News · Инфраструктура для агентов Probelock: управление схемами вызова инструментов для LLM Probelock — это инструмент для фиксации и валидации схем вызова функций (tool calling) в LLM-агентах. Решение позволяет разработчикам создавать «lockfile» для описания доступных инструментов, предотвращая непредсказуемое поведение моделей при изменении определений функций. Это обеспечивает стабильность агентных систем, гарантируя, что модель всегда работает с актуальными и корректными спецификациями API в процессе выполнения задач. Hacker News · Оценка и бенчмарки Инструменты для верификации действий ИИ-агентов Разработчики представили подход к верификации действий ИИ-агентов, основанный на исполняемых блокнотах. Решение позволяет автоматически проверять, действительно ли модель выполнила поставленную задачу, запуская код в изолированной среде. Это критически важный шаг для перехода от простого чат-интерфейса к надежным агентным системам, где результат работы ИИ требует программного подтверждения и воспроизводимости в реальных условиях. Hacker News · Инфраструктура для агентов LLM-Tools: стандартизация инструментов для ИИ-агентов Проект LLM-Tools предлагает унифицированный подход к управлению наборами инструментов для ИИ-агентов, работая по аналогии с файлом requirements.txt в Python. Библиотека позволяет разработчикам декларативно описывать доступные функции и их зависимости, упрощая процесс интеграции внешних API и локальных скриптов в агентные системы, обеспечивая предсказуемость их поведения и упрощая управление средой выполнения. Hacker News · Исследования и наука Исследование скрытых горизонтов программирования в ИИ-агентах Новое исследование анализирует способность ИИ-агентов к «скрытому программированию» — процессу, при котором модель формирует внутренние алгоритмические структуры для решения сложных задач до написания финального кода. Авторы работы доказывают, что современные LLM способны выстраивать логические цепочки, которые значительно повышают качество генерации программного обеспечения, выходя за рамки простого предсказания следующего токена в коде. Hacker News · Машинное обучение Компиляция агентных рабочих процессов в веса LLM Исследователи представили метод компиляции сложных агентных рабочих процессов непосредственно в веса больших языковых моделей. Вместо использования внешних оркестраторов или многошаговых промптов, логика выполнения задач «запекается» в архитектуру модели. Это позволяет значительно сократить задержки при инференсе и снизить потребность в дополнительных вычислительных ресурсах для управления цепочками рассуждений агента. Hacker News · Инфраструктура для агентов Практический подход к проектированию систем на базе LLM-агентов Автор анализирует архитектурные паттерны при создании агентных систем, подчеркивая важность детерминизма и контроля над потоками управления. Вместо полагания на автономность моделей, предлагается использовать жесткие программные структуры для оркестрации задач, что позволяет минимизировать ошибки и повысить предсказуемость поведения агентов в сложных производственных сценариях. Hacker News · Инфраструктура для агентов Принцип детерминизма в архитектуре ИИ-агентов Разработчики систем на базе LLM сталкиваются с рисками при делегировании критических задач вероятностным моделям. Автор статьи, опираясь на опыт в платформенной безопасности, доказывает, что сложные агентные системы должны опираться на детерминированные механизмы для выполнения ключевых операций. Использование ИИ для управления логикой, которую можно описать жесткими правилами, ведет к непредсказуемым сбоям и уязвимостям.

← Все материалы