Bonjour ! Dans notre leçon précédente, nous avons découvert que la véritable puissance d'un agent IA réside dans sa capacité à utiliser des "outils" pour agir de manière autonome. Nous avons établi que cette capacité à interagir avec son environnement est ce qui le distingue fondamentalement d'un simple appel à un LLM.
Aujourd'hui, nous allons soulever le capot pour examiner le mécanisme technique qui rend cette interaction possible. Nous allons nous concentrer sur le concept de "function calling" ou "tool use". L'objectif est de comprendre précisément comment un modèle de langage, qui ne fait fondamentalement que prédire le prochain mot, peut communiquer son intention d'exécuter une fonction externe et d'utiliser le résultat. Pour vous, en tant que développeur, cette idée d'une fonction qui en appelle une autre est familière ; nous allons voir comment ce paradigme est adapté au monde des LLMs.
1. Qu'est-ce que le "Function Calling" ?
Le "function calling" (ou "tool use") est une fonctionnalité des LLMs modernes qui leur permet de demander l'exécution de code externe. Au lieu de répondre directement à une question, le LLM peut reconnaître qu'il a besoin d'informations supplémentaires ou qu'il doit effectuer une action. Il "appelle" alors un "outil" (une fonction, une API, un workflow n8n) pour obtenir ces informations ou réaliser cette action.
Imaginez que le LLM est un chef de projet. Il ne peut pas coder lui-même une nouvelle fonctionnalité, mais face à une demande, il sait exactement quel développeur (l'outil) solliciter, avec quel cahier des charges (les paramètres de la fonction), et comment intégrer le travail fini (le résultat de la fonction) dans le projet global.
Pour formaliser cette idée, l'article de blog suivant offre une excellente introduction.
Du Concept à l'Action : Le Function Calling des LLM et son ...
Cet article du blog Sciam.fr pose les bases conceptuelles du function calling et son importance.
Je vous invite à lire les sections suivantes : La définition pour une explication claire et concise. L'importance, qui souligne le passage de la simple réponse à l'action. La connexion avec les agents IA, qui relie directement le concept de function calling à notre sujet d'étude, les agents.
2. Le Cycle : Requête, Décision, Exécution, Réponse
Le point le plus crucial à comprendre est que le LLM n'exécute jamais de code lui-même. Son rôle est celui d'un routeur intelligent. Le processus se déroule en plusieurs étapes, formant une conversation entre votre application (par exemple, un workflow n8n) et le LLM.
Voici le déroulement typique :
- Requête de l'application au LLM : Votre application envoie le prompt de l'utilisateur au LLM. Mais ce n'est pas tout : elle envoie aussi une description de tous les outils que le LLM a le droit d'utiliser.
- Décision du LLM : Le LLM analyse la requête. S'il estime pouvoir répondre directement, il le fait. Mais s'il détermine qu'un outil est nécessaire (par exemple, pour obtenir la météo actuelle), il ne génère pas une réponse textuelle. À la place, il produit un objet structuré (généralement du JSON) indiquant : "Je veux appeler la fonction
get_weatheravec l'argumentcity: 'Paris'". - Exécution par l'application : Votre application reçoit cet objet JSON. Elle l'analyse, reconnaît la fonction demandée (
get_weather), et l'exécute dans son propre environnement avec les arguments fournis. C'est votre code, et non le LLM, qui appelle l'API météo. - Retour du résultat au LLM : Une fois la fonction exécutée, l'application récupère le résultat (par exemple,
{ "temperature": "15°C", "conditions": "nuageux" }) et l'envoie au LLM dans un nouvel appel, en précisant : "Voici le résultat de l'appel à l'outil que tu as demandé". - Réponse finale du LLM : Le LLM reçoit ce résultat, l'intègre dans son contexte de raisonnement et génère enfin une réponse finale en langage naturel pour l'utilisateur, comme : "Il fait actuellement 15°C à Paris et le temps est nuageux."
La ressource suivante détaille parfaitement ce cycle.
Tool Calling des LLM : tout savoir
Cet article du blog Blent.ai offre une perspective très orientée développeur sur le fonctionnement du tool calling.
Concentrez-vous sur la section Le cycle requête-décision-exécution-réponse. Le schéma et l'exemple de la météo à Paris illustrent de manière très concrète les cinq étapes que nous venons de décrire. Notez bien la phrase clé : "Le modèle ne peut pas lui-même exécuter du code ou appeler des APIs — il se contente de produire une sortie structurée".
Pour voir ce mécanisme en action dans un contexte de programmation, la vidéo suivante montre une démonstration en Java. Même si le langage est différent, les principes sont universels.
Construire une IA agentique avec les Structured Outputs, Function Calling et MCP
Cette présentation de Devoxx France, "Construire une IA agentique", inclut une démonstration de code pratique.
Regardez le segment sur l'appel de fonction, de la théorie à la démo. L'orateur explique comment il expose une fonction Java (stocker dans un gist GitHub) comme un "outil" pour le LLM. Il souligne bien que c'est le LLM qui décide d'appeler la fonction, mais que c'est le framework (LangChain4j dans son cas) qui exécute réellement le code Java.
3. Comment Définir un Outil pour un LLM ?
Pour que le LLM puisse décider quel outil utiliser, il faut lui fournir une "documentation" claire et structurée. Cette définition d'outil, généralement au format JSON Schema, contient trois informations essentielles :
name: Le nom de la fonction à appeler (ex:create_github_issue).description: C'est l'élément le plus important. C'est une description en langage naturel qui explique ce que fait la fonction et dans quel cas l'utiliser. Le LLM se base principalement sur cette description pour faire son choix. Une description bien rédigée est la clé d'un agent efficace.parameters: Un objet décrivant les arguments que la fonction attend, leur type (string, number, boolean...), leur propre description, et s'ils sont obligatoires.
Dans le contexte de n8n, lorsque vous connectez un nœud (comme "Google Calendar: Create Event") au port "Tool" d'un nœud AI Agent, n8n se charge de générer automatiquement cette définition structurée en arrière-plan.

L'article de Blent.ai que nous avons consulté précédemment fournit un exemple de code Python qui montre comment définir un outil et implémenter le cycle complet avec l'API OpenAI.
Tool Calling des LLM : tout savoir
Retournons sur l'article de Blent.ai pour voir l'implémentation pratique.
Veuillez lire les deux sections suivantes : La définition des outils, qui explique le rôle de chaque élément dans la description d'un outil. Le code d'implémentation. En tant que développeur, vous reconnaîtrez immédiatement la structure : la définition de la fonction Python get_weather, la description de l'outil au format JSON, le premier appel pour la décision, l'exécution de la fonction, puis le second appel avec le résultat pour obtenir la réponse finale.
Enfin, pour voir comment la gestion de ces outils est intégrée dans une plateforme comme n8n, la vidéo ci-dessous est très instructive.
Créer un agent IA avec n8n — Formation complète
Cette formation sur les agents n8n par Shubham SHARMA, intitulée "Créer un agent IA avec n8n", détaille la configuration d'un agent.
Regardez la section qui détaille les cinq ingrédients d'un agent n8n, de l'explication des composants. L'auteur liste clairement le LLM (le cerveau), la mémoire, le prompt, le moyen de communication, et surtout, les outils. Il montre comment, via l'interface de n8n, on peut ajouter des capacités à l'agent (comme "créer un contact Google"), ce qui revient à lui fournir des définitions d'outils.
Conclusion
Aujourd'hui, nous avons exploré le moteur qui fait tourner les agents IA : le mécanisme de function calling ou tool use. Vous avez maintenant une compréhension technique solide de ce processus.
Les points clés à retenir sont :
- Le "function calling" permet à un LLM de dépasser la simple génération de texte pour interagir avec des systèmes externes.
- Le LLM ne fait que suggérer l'appel d'une fonction en générant un objet JSON structuré. C'est l'application hôte (votre code, ou n8n) qui exécute réellement la fonction.
- Ce processus est un dialogue en plusieurs étapes entre l'application et le LLM.
- La capacité d'un agent à utiliser ses outils de manière pertinente dépend directement de la qualité des descriptions que nous lui fournissons pour chaque outil.
Maintenant que la théorie est bien en place, nous sommes prêts à passer à la pratique. Dans la prochaine leçon, nous allons configurer notre premier agent IA dans n8n et lui donner un workflow personnalisé comme premier outil.