エージェントツール呼び出し実践：AIに外部APIとサービスを呼び出させる
こんな経験ありませんか？AIに天気を調べてもらったり、ファイルを読み込んだり、APIを呼び出したりしたいのに、「外部データにアクセスできません」と返ってくるだけ。
かなりイライラしますよね。
実は、AIが賢くないからではなく、ツール呼び出しという核となる機能が欠けているのです。今日は、AIを「ただおしゃべりするだけ」から「実際に仕事をする」に変える技術についてお話ししましょう。
AIツール呼び出しとは？
一言で言えば、ツール呼び出しはAIに手を与えることです。
従来の大規模言語モデルは、学習データに基づいてしか質問に答えられません。「北京の今日の天気は？」と聞いても、「リアルタイムデータにアクセスできません」と言うだけ。しかしツール呼び出しがあれば、AIは積極的に関数の実行をリクエストできます。天気APIを呼び出して、結果を返してくれるのです。
この能力はどれほど重要か？「理論だけの軍師」から「実際に軍を率いて戦う将軍」への転換と同じくらいです。
3つの主要なアプローチ
現在、市場には3つの主要なツール呼び出しソリューションがあります：
| アプローチ | 代表製品 | 適用シナリオ |
|---|---|---|
| Function Calling | OpenAI GPT | 構造化出力、単純なAPI呼び出し |
| Tool Use | Claude | 複雑なツールチェーン、マルチステップタスク |
| MCP | Claude Code | 標準化されたツールエコシステム |
どれを選ぶ？ニーズ次第です。単純なシナリオならOpenAI Function Callingで十分；複雑なエージェントシステムならClaude Tool Useが適しています；ツールエコシステムを構築したいならMCPがトレンドです。
OpenAI Function Calling：基礎から実践まで
まずOpenAIのアプローチを見てみましょう。Function Callingはシンプルに設計されており、3つのコアステップがあります：
- ツールを定義する（AIにどのツールが利用可能か伝える）
- AIがどのツールを呼び出すか決める（関数名とパラメータを返す）
- ツールを実行して結果をフィードバックする
完全な例
天気照会ツールを作ってみましょう。まずツールSchemaを定義します：
tools = [{
"type": "function",
"function": {
"name": "get_weather",
"description": "指定された都市の現在の天気情報を取得",
"parameters": {
"type": "object",
"properties": {
"city": {
"type": "string",
"description": "都市名、例えば'北京'、'上海'"
},
"unit": {
"type": "string",
"enum": ["celsius", "fahrenheit"],
"description": "温度単位、デフォルトは摂氏"
}
},
"required": ["city"]
}
}
}]descriptionフィールドに注意—適当に書いてはいけません。AIはこれを使っていつこのツールを使うべきか判断します。「天気を取得」と書いている人を見たことがありますが、AIはいつ使うべきか全くわかっていませんでした。「指定された都市の現在の天気情報を取得」に変更したら、呼び出し精度は60%から95%に跳ね上がりました。
次にリクエストを送ります：
response = client.chat.completions.create(
model="gpt-4o",
messages=[
{"role": "user", "content": "北京は今日暑いですか？"}
],
tools=tools
)AIはツール呼び出しリクエストを返します：
tool_call = response.choices[0].message.tool_calls[0]
# tool_call.function.name = "get_weather"
# tool_call.function.arguments = '{"city": "北京"}'実際の関数呼び出しを実行して結果を返します：
# 天気API呼び出しを実行
weather_result = get_weather_from_api("北京")
# 結果をフィードバック
final_response = client.chat.completions.create(
model="gpt-4o",
messages=[
{"role": "user", "content": "北京は今日暑いですか？"},
response.choices[0].message, # AIのツール呼び出しリクエスト
{
"role": "tool",
"tool_call_id": tool_call.id,
"content": json.dumps(weather_result)
}
]
)AIは天気データに基づいて自然な回答を返します：「北京は今日28度、かなり暑いです。外出する際は日焼け止めをお忘れなく。」
Strict Mode：出力の安定性を保証
2024年、OpenAIはStrict Modeを導入しました。JSON Schemaマッチングの不安定性問題を解決します。有効にするのは簡単です：
tools = [{
"type": "function",
"function": {
"name": "get_weather",
"strict": True, # この行を追加
# ... 他のフィールド
}
}]有効にすると、AIが返すパラメータは定義したSchemaに100%一致することが保証されます。本番環境では強く推奨します—そうしないと、奇妙な解析エラーに遭遇する可能性があります。
Claude Tool Use：より強力なツールチェーン
ClaudeのTool Useは、OpenAIといくつかの重要な設計上の違いがあります。
並列呼び出し
Claudeは一度に複数のツール呼び出しを返すことをサポートしています。例えば、ユーザーが「北京と上海の天気を比較して」と聞くと、Claudeは2つのget_weather呼び出しを一度にリクエストします：
response = client.messages.create(
model="claude-sonnet-4-20250514",
messages=[{"role": "user", "content": "北京と上海の天気を比較して"}],
tools=tools
)
# response.contentには2つのtool_useブロックが含まれる可能性
for block in response.content:
if block.type == "tool_use":
print(f"{block.name}を呼び出し、パラメータ：{block.input}")これは複雑なタスクを処理する際に特に便利です。OpenAIも並列呼び出しをサポートしていますが、Claudeの実装はよりエレガント—どの呼び出しが並列化でき、どれが順次実行が必要かをインテリジェントに判断します。
Tool Choice戦略
Claudeはより詳細なツール選択制御を提供します：
# 自動選択（デフォルト）
tool_choice = {"type": "auto"}
# ツール使用を強制（ツールなしでは回答しない）
tool_choice = {"type": "any"}
# 特定のツールを指定
tool_choice = {"type": "tool", "name": "get_weather"}いつanyを使う？ユーザーの質問がツールを通じてしか答えられないと確信できる場合。例えば注文状況の確認—データベースにクエリしないと答えようがないので、AIに必ずツールを使わせます。
エラー処理
ツール呼び出しの失敗は日常茶飯事です。APIタイムアウト、ネットワーク問題、パラメータエラー…Claudeはエレガントなエラー処理メカニズムを提供します：
tool_result = {
"type": "tool_result",
"tool_use_id": tool_use.id,
"content": "API呼び出し失敗：接続タイムアウト", # AIに失敗理由を伝える
"is_error": True # エラーとしてマーク
}AIはエラーを見ると、他のアプローチを試したり、ユーザーにフレンドリーなメッセージを返したりします。これは例外を直接スローするよりはるかに良い—ユーザーは技術的なエラーの羅列を見るのではなく、「申し訳ありません、天気サービスは一時的に利用できません。後でもう一度お試しください」というメッセージを受け取ります。
MCP：ツール標準化の未来
ツール呼び出しと言えば、MCP（Model Context Protocol）は外せません。
なぜMCPが必要か？
現在のツールエコシステムは断片化しすぎています。ClaudeにGitHubツールを接続し、ChatGPTにSlackツールを接続したい？それぞれ別々に開発が必要です。MCPの目標は統一標準を確立すること—一度ツールを書けば、どこでも使えるように。
アーキテクチャはシンプルです：
MCPクライアント（Claude Code/Claude Desktop）
↕
MCPサーバー（ツールプロバイダー）
↕
外部ツール/APIClaude CodeのMCP実践
Claude Codeは現在、MCPサポートが最も良い製品です。/mcpコマンドでツールを設定できます：
# リモートMCPサーバーを追加
claude mcp add my-server --transport sse --url https://api.example.com/mcp
# ローカルツールを追加
claude mcp add local-tool --command node ./my-tool.js設定が完了すると、Claude Codeはサーバーが提供するツールを自動的に発見します。会話で関連する内容に言及すると、自動的にツールを呼び出します。
例えば、get-github-issuesツールを設定してから、Claude Codeに「このプロジェクトのオープンなissueは何ですか？」と聞くと、ツールを直接呼び出して結果を整理してくれました。
プロセス全体で、ツールの存在を全く感じさせません—これこそツール呼び出しの理想的な状態です。
本番環境の落とし穴
ツール呼び出しはシンプルに聞こえますが、本番環境に入ると、かなり落とし穴があります。
セキュリティ：AIを野放しにしない
AIがあなたが呼び出してほしくないAPIを呼び出す可能性があります。解決策：
- ツール権限レベル：AIには必要なツールのみを与える；機密操作には人間の確認が必要
- 入力検証：AIが生成したパラメータは必ずAPIに渡す前に検証する
- 呼び出し監査：各ツール呼び出しのパラメータと結果をログに記録し、トレース可能に
ある失敗例を見ました：AIがユーザーの適当な入力をデータベースクエリインターフェースに直接渡し、結果として…SQLインジェクションが発生しました。AIが直接インジェクションしたわけではありませんが、悪意のある入力を渡してしまったのです。だから、AIが生成したパラメータは絶対に信用してはいけません。
タイムアウトとリトライ
ツール呼び出しは失敗する可能性があります。合理的なタイムアウト期間とリトライメカニズムを設定します：
async def call_tool_with_retry(tool_func, args, max_retries=3):
for attempt in range(max_retries):
try:
return await asyncio.wait_for(
tool_func(**args),
timeout=10.0 # 10秒タイムアウト
)
except asyncio.TimeoutError:
if attempt == max_retries - 1:
return {"error": "ツール呼び出しタイムアウト"}
await asyncio.sleep(1) # 1秒待ってリトライトークンコスト
ツール定義と返された結果は両方ともトークンを消費します。特に大量のデータを返す場合、コストが高くなる可能性があります。いくつかの提案：
- ツール説明を簡潔に：descriptionは短く、でも明確に
- 返却データを制限：APIの返却データをフィルタリングし、必要なフィールドのみ保持
- キャッシュを使用：同じクエリの結果を数分間キャッシュ
まとめ
ツール呼び出しはAIエージェントの核となる能力です。これがなければ、AIは机上の空論しかできません；これがあれば、AIは実際に仕事を手伝ってくれます。
OpenAIのFunction Callingはシンプルで使いやすく、初心者や単純なシナリオに適しています；ClaudeのTool Useはより強力で、複雑なエージェントシステムに適しています；MCPはツール標準化のトレンドで、長期的に注目する価値があります。
どれを選ぶ？ニーズ次第です。でもどれを選んでも、この3つの落とし穴は事前に考えておく必要があります：セキュリティ、エラー処理、パフォーマンスチューニング。
参考資料
- Claude Tool Use 公式ドキュメント
- OpenAI Function Calling ガイド
- Model Context Protocol 仕様
- Claude Code MCP ツール設定
- Anthropic 高度なツール使用ブログ
FAQ
OpenAI Function CallingとClaude Tool Useの違いは？
MCPを直接のFunction Callingの代わりに使うべきタイミングは？
ツール呼び出しの失敗はどう処理すべき？
AIが機密APIを呼び出すのをどう防ぐ？
Strict Modeとは？有効にすべき？
5 min read · 公開日: 2026年3月21日 · 更新日: 2026年3月22日
関連記事
Computer-Use Agent：AIにあなたのPCを操作させる
Computer-Use Agent：AIにあなたのPCを操作させる
RAG + Agent：次世代 AI アプリケーションアーキテクチャ
RAG + Agent：次世代 AI アプリケーションアーキテクチャ
AI エージェント開発実践：アーキテクチャ設計と実装ガイド
コメント
GitHubアカウントでログインしてコメントできます