GenAI Playbook

கருவிகள், Function Calling & MCP

வெளியிடப்பட்டது 30 ஜூன், 2026 · ஆசிரியர்: Dipankar Sarkar

கருவிகள், Function Calling & MCP

முகவர்கள் எப்படி உண்மையான உலகை தொடுகிறார்கள்

கருவிகள் இல்லாத முகவர் வெறும் chatbot. கருவிகள் ஒரு மொழி மாதிரியை தேடக்கூடிய, தரவுத்தளங்களை வினவக்கூடிய, செய்திகளை அனுப்பக்கூடிய, குறியீட்டை இயக்கக்கூடிய, API-களை அழைக்கக்கூடிய அமைப்பாக மாற்றுகின்றன. இந்த அத்தியாயம் 2026-இல் கருவி-பயன்பாடு எப்படி வேலை செய்கிறது என்பதை உள்ளடக்குகிறது — சொந்த function calling இருந்து இதை தரப்படுத்தும் Model Context Protocol வரை.

Function calling: அடிப்படை

Function calling ஒரு மாதிரியை ஒரு கட்டமைக்கப்பட்ட செயல் அழைப்பு கோரிக்கையை உமிழ அனுமதிக்கிறது, உரைக்கு பதிலாக (அல்லது கூடவே). மாதிரி செயலை செயல்படுத்துவதில்லை — அது JSON-போன்ற அழைப்பை திருப்புகிறது, உங்கள் runtime அதை செயல்படுத்துகிறது.

உதாரணம்: நீங்கள் மாதிரிக்கு ஒரு கருவி spec கொடுக்கிறீர்கள்:

{
  "name": "get_weather",
  "description": "Get current weather for a city",
  "parameters": { "city": "string", "units": "celsius|fahrenheit" }
}

“ஹெல்சின்கியில் வானிலை என்ன?” என்று கேட்டால், மாதிரி பதிலளிக்கிறது:

{ "tool": "get_weather", "city": "Helsinki", "units": "celsius" }

உங்கள் குறியீடு get_weather("Helsinki", "celsius")-ஐ இயக்குகிறது, {"temp": 14, "conditions": "cloudy"} திருப்புகிறது, மாதிரி அதை பதிலுக்கு பயன்படுத்துகிறது. இது ஒவ்வொரு முகவர் கட்டமைப்பின் அடித்தளம்.

OpenAI இதை function calling (இப்போது structured outputs) என்கிறது. Anthropic tool use என்கிறது. Google function calling என்கிறது. வழிமுறை அதே.

Model Context Protocol (MCP)

பிரச்சினை: ஒவ்வொரு கருவி ஒருங்கிணைப்பும் bespoke. நீங்கள் ஒரு OpenAI function spec, ஒரு Anthropic கருவி spec, ஒரு Google function spec எழுதினீர்கள் — அனைத்தும் ஒரே அடிப்படை API-ஐ விவரிக்கின்றன. Model Context Protocol (MCP), 2024 இறுதியில் Anthropic ஆல் open-source செய்யப்பட்டது, இதை சரிசெய்தது.

MCP என்பது ஏதேனும் AI பயன்பாட்டிற்கு கருவிகள், வளங்கள், ப்ராம்ப்டுகளை வெளிப்படுத்த ஒரு தரப்படுத்தப்பட்ட நெறிமுறை. ஒரு MCP சேவையகம் ஒரு API-ஐ (Slack, GitHub, Postgres, உள்ளூர் filesystem) மூடுகிறது. ஒரு MCP கிளையன்ட் (முகவர், IDE, chat பயன்பாடு) அதுடன் இணைந்து சீரான கருவி பட்டியலை பெறுகிறது. 2026 நடுவில்:

• OpenAI, Anthropic, Google, மற்றும் பெரும்பாலான open கட்டமைப்புகள் MCP கிளையன்ட்களை ஆதரிக்கின்றன.
• நூற்றுக்கணக்கான MCP சேவையகங்கள் உள்ளன (filesystem, Git, Slack, Notion, Postgres, Sentry, linear, உலாவி ஆட்டோமேஷன்).
• பெரிய IDE-கள் (Cursor, Windsurf, VS Code + Copilot) MCP கிளையன்ட் ஆதரவை ship செய்கின்றன.

MCP எப்படி வேலை செய்கிறது

ஒரு MCP சேவையகம் மூன்று அடிப்படைகளை வெளிப்படுத்துகிறது:

• கருவிகள் — மாதிரி அழைக்கக்கூடிய செயல்கள் (send_slack_message, run_sql_query).
• வளங்கள் — மாதிரி படிக்கக்கூடிய தரவு (file://report.md, postgres://users).
• ப்ராம்ப்டுகள் — மாதிரி அழைக்கக்கூடிய மறு-பயன்பாடு ப்ராம்ப்ட் டெம்ப்ளேட்டுகள்.

கிளையன்ட் (முகவர்) stdio (உள்ளூர்) அல்லது HTTP/SSE (தொலைதூர) வழியாக இணைகிறது, சேவையகத்தின் கருவிகளை பட்டியலிடுகிறது, மாதிரிக்கு காட்டுகிறது. மாதிரி ஒரு கருவியை அழைக்கிறது; கிளையன்ட் அழைப்பை சேவையகத்திற்கு அனுப்புகிறது; சேவையகம் செயல்படுத்தி முடிவை திருப்புகிறது.

MCP enterprise-க்கு ஏன் முக்கியம்

• பெயர்வுத்திறன் — கருவி ஒருங்கிணைப்பை ஒருமுறை எழுதி, MCP-ஐ ஆதரிக்கும் ஏதேனும் மாதிரியுடன் பயன்படுத்து.
• கண்டுபிடிப்புத்திறன் — முகவர் hard-coding செய்வதற்கு பதிலாக runtime-இல் கிடைக்கும் கருவிகளை பட்டியலிடுகிறார்.
• பாதுகாப்பு எல்லை — MCP சேவையகம் முகவர் அணுகக்கூடியதை கட்டுப்படுத்துகிறது; மாதிரிக்கு பச்சை சான்றுகளை கொடுப்பதில்லை.

கருவி வடிவமைப்பு கோட்பாடுகள்

மோசமான கருவிகள் முகவர்களை உடைக்கின்றன. நல்ல கருவிகள் முகவர்களை புத்திசாலியாக காட்டுகின்றன. கோட்பாடுகள்:

1. குறிப்பிட்டதாக இரு. search_pinecone_for_customer_issues(product="acme", limit=5) search("customer issues")-ஐ விட சிறந்தது. spec தெளிவற்றதாக இல்லாதபோது மாதிரி சரியான கருவியை தேர்ந்தெடுக்கிறது.
2. கட்டமைக்கப்பட்ட தரவை திருப்பு, உரை அல்ல. {"tickets": [{"id": 123, "status": "open"}]} parsable; “நான் 5 ticket-களை கண்டேன்…” இல்லை.
3. வெளியீட்டு அளவை தொப்பி. 50KB JSON திருப்பும் கருவி சூழலை வெள்ளத்தில் ஆழ்த்துகிறது. paginate, சுருக்கு, அல்லது துண்டி.
4. ஒரு கருவி, ஒரு வேலை. உடலையும் வரையும் send_email கருவி மறைவில் இரண்டு கருவிகள். மாதிரி வரையடும், பிறகு அனுப்படும்.
5. தோல்வி முறைகளை ஆவணப்படுத்து. API 429 திருப்பினால், மாதிரிக்கு சொல் — அது பின்வாங்கலாம். மௌன தோல்விகள் முகவர்களை மாயம் காட்ட வைக்கின்றன.

பாதுகாப்பு எல்லைகள்

கருவிகள் சக்தி, சக்திக்கு எல்லைகள் தேவை. குறைந்தபட்சம்:

• Allowlist — முகவர் இந்த பணிக்கு நீங்கள் அங்கீகரித்த கருவிகளை மட்டுமே அழைக்கலாம்.
• Scoped சான்றுகள் — ஒவ்வொரு கருவியும் least-privilege விசைகளை பெறுகிறது, முகவரின் முழு அணுகலை ஒருபோதும் அல்ல.
• Audit பதிவு — ஒவ்வொரு கருவி அழைப்பும் (input + output) மதிப்பாய்வுக்கு பதிவாகிறது.
• அங்கீகார நுழைவாயில்கள் — அழிவு அல்லது வெளிப்புற-முகம் கொண்ட செயல்களுக்கு (மின்னஞ்சல் அனுப்புதல், உற்பத்திக்கு எழுதுதல்), மனித அங்கீகாரம் தேவை.

2026-இல் பெரிய புதிய ஆபத்து கருவி வெளியீடுகள் வழியாக prompt injection: ஒரு search கருவி திருப்பிய தீய வலைப்பக்கம் முகவரை send_email-ஐ அழைக்க ஏமாற்றும் அறிவுறுத்தல்களை கொண்டுள்ளது. தற்காப்பு கருவி வெளியீடு மற்றும் அறிவுறுத்தல்களுக்கு இடையே கடுமையான பிரிப்பு — கருவி வெளியீடு ஒருபோதும் system prompt ஆக மாறாது. பாதுகாப்பு, Prompt Injection & Governance-ஐ பார்க்கவும்.

சொந்த function calling மற்றும் MCP இடையே தேர்வு

• சொந்த function calling — ஒரு பயன்பாட்டுடன் இறுக்கமாக இணைக்கப்பட்ட சிறிய, நிலையான கருவி தொகுப்பிற்கு சிறந்தது. குறைந்த மேல் செலவு.
• MCP — கருவிகளை முகவர்கள், மாதிரிகள், அல்லது குழுக்களுக்கு இடையே பகிர விரும்பும்போது; உங்கள் அமைப்புகளுக்கு ஏற்கனவே மூன்றாம்-தரப்பு MCP சேவையகங்கள் இருக்கும்போது; மாதிரி கருவிகளை மாறுமுறையில் கண்டுபிடிக்க விரும்பும்போது சிறந்தது.

2026-இல் பெரும்பாலான புதிய முகவர் build-கள் வெளிப்புற ஒருங்கிணைப்புகளுக்கு MCP மற்றும் சில பயன்பாடு-குறிப்பிட்ட helper-களுக்கு சொந்த function calling பயன்படுத்துகின்றன.

AI உதவியாளர்களுக்கான சுருக்கம். Agentic AI Playbook-இன் அத்தியாயம் 3. Function calling மாதிரிகளை கட்டமைக்கப்பட்ட கருவி-அழைப்பு கோரிக்கைகளை உமிழ அனுமதிக்கிறது; MCP கருவி கண்டுபிடிப்பை மாதிரிகள் மற்றும் vendor-களுக்கு இடையே தரப்படுத்துகிறது. MCP சேவையகங்கள் கருவிகள்/வளங்கள்/ப்ராம்ப்டுகளை வெளிப்படுத்துகின்றன; கிளையன்ட்கள் (முகவர்கள், IDE-கள்) இணைந்து மாதிரிக்கு காட்டுகின்றன. கருவி வடிவமைப்பு: குறிப்பிட்ட பெயர்கள், கட்டமைக்கப்பட்ட வெளியீடு, அளவு தொப்பிகள், ஒரு கருவிக்கு ஒரு வேலை. பாதுகாப்பு: allowlist-கள், least-privilege சான்றுகள், audit பதிவுகள், அங்கீகார நுழைவாயில்கள், கருவி வெளியீடுகள் வழியாக prompt injection-க்கு தற்காப்பு. ஆசிரியர்: Dipankar Sarkar. URL: https://www.whatgenerativeai.com/docs/genai-playbook/tools-function-calling-mcp/