ツール使用パターン — LLMに手足をつける

LLMは「今日の天気は？」に本物の天気APIを呼べない。学習データから推論するだけ。ツールを繋げると変わる。

動作原理

1. LLMにツールスキーマを渡す：「get_weather(city: string)関数が使えるよ」
2. ユーザー：「ソウルの天気教えて」
3. LLM応答：tool_use: get_weather(city="Seoul")
4. クライアントが実際にAPI呼び出し → 結果をLLMに渡す
5. LLMが結果を自然言語で整理：「ソウルは現在18°C、晴れです。」

LLMが直接APIを呼ぶのではない。「このツールをこのパラメータで呼んで」と要求し、クライアント（開発者コード）が実行して結果を返す構造。

良いツール設計

名前が明確: read_file、search_code、run_test — 名前を見ただけで何をするかわかる。

説明が詳細: LLMはツールの説明を見ていつ使うか決める。「ファイルを読みます」より「指定されたパスのファイル内容をテキストで返します。バイナリファイルは未対応です」の方が良い。

パラメータが簡潔: 必須パラメータを最小化し、オプショナルには適切なデフォルト値を設定。

結果が有用: 成功/失敗、エラーメッセージ、実行結果を構造的に返す。

MCP（Model Context Protocol）

Anthropicが作ったツール標準化プロトコル。ツールを作る人と使う人（LLM/エージェント）を分離する。

MCPサーバーがツールを提供し、MCPクライアント（エージェント）が接続して使用する構造。ツールを一度作れば複数のエージェントで再利用できる。