stratoai.pro // glosario // tool-use
◆ Agentes y protocolos

Tool use

También conocido como: Function calling · Tool calling · Uso de herramientas
Tool use (o function calling) es la capacidad del LLM de decidir, durante una conversación, llamar a funciones externas — APIs, bases de datos, scripts — y usar el resultado para construir su respuesta. Es el puente entre "lenguaje" y "acción".
// Definición extendida
El proveedor del modelo (Anthropic, OpenAI, Google) define un protocolo: tú declaras qué herramientas existen (nombre, descripción, parámetros JSON schema) y el modelo, en lugar de responder texto, devuelve una intención de llamada — "ejecuta search_database con query=…". Tu código ejecuta la función, devuelve el resultado al modelo, y este produce la respuesta final integrando ese dato. Tool use convierte al LLM en algo mucho más potente que un generador de texto: ahora puede consultar precios reales, mandar emails, crear tickets, leer archivos, hacer cálculos exactos. Es la base sobre la que se construyen los agentes — un agente es básicamente un loop de tool use con memoria. La calidad de tool use varía mucho entre modelos: Claude (Anthropic) y GPT (OpenAI) llevan ventaja clara en 2026; los modelos baratos suelen fallar en tool calling complejo. El error típico al implementar tool use es declarar 30 tools y esperar que el modelo elija bien. La regla operativa: 3-7 tools máximo por agente, nombres claros, descripciones cortas pero específicas, parámetros con tipos estrictos y ejemplos. Si el modelo elige mal o alucina parámetros, casi siempre es problema de descripciones, no del modelo.
// Ejemplo en StratoAI

Cómo lo usamos en producción

Claude Code es tool use en estado puro: el modelo tiene tools de filesystem (Read, Edit, Write), shell (Bash), búsqueda (Grep, Glob), web (WebFetch, WebSearch) y orquestación (Agent, Task). Sesiones de horas funcionan porque la disciplina de tools es seria — cada herramienta tiene contrato claro, los outputs vuelven al modelo en formato consistente, y los errores se manejan con reintentos. Esa misma arquitectura es la que se replica en agentes custom para clientes.
// Cuándo importa

Para qué te importa esto

  • Cuando necesitas que un LLM consulte datos en tiempo real (precios, stock, agenda)
  • Cuando la respuesta debe ejecutar una acción (mandar email, crear factura, mover ficha CRM)
  • Cuando comparas modelos para un agente — la calidad de tool use suele ser el factor decisivo, no el ranking de benchmarks
  • Cuando un agente alucina nombres de funciones — toca revisar descripciones y schema, no escalar el modelo

¿Cómo aplica
esto a tu negocio?

Las definiciones son el primer paso. Convertir el concepto en operación 24/7 dentro de tu empresa es el siguiente. Hablemos en una Contact Call de 30 minutos sin compromiso.

// Stack frontera

Modelos que evaluamos · proveedores que operamos

Stack frontera + open-weight · benchmark continuo · sin sesgo de vendor

¿Hablamos? Respondo personalmente John Guerrero · fundador StratoAI