Tokenlabor

Tool-Call prüfen

Tool-Call prüfen: Vergleichen Sie den Tool-Aufruf eines Sprachmodells mit Ihrer Tool-Definition und finden Sie fehlende Pflichtfelder und falsche Typen.

–

 

Befunde
    Alles läuft in Ihrem Browser. Eingaben verlassen Ihr Gerät nicht.
    Tool-Argumente gegen das Schema prüfen
    Mit diesem Werkzeug können Sie einen Tool-Call prüfen: Es vergleicht den Aufruf, den ein Sprachmodell erzeugt hat, mit der Tool-Definition, die Sie dem Modell mitgegeben haben. Geprüft werden der Name des Werkzeugs, ob die Tool-Argumente gültiges JSON sind, ob alle Pflichtfelder vorhanden sind und ob Typen, Aufzählungen, Grenzen und Muster eingehalten werden. Jeder Befund nennt den Pfad im Argument-Objekt, etwa $.adresse.plz.
    Sie können die Definitionen im OpenAI-Format (function.parameters), im Anthropic-Format (input_schema) oder im MCP-Format (inputSchema) einfügen, einzeln oder als Liste. Als Aufruf akzeptiert das Werkzeug ein Element aus tool_calls, einen Block vom Typ tool_use, ein function_call-Item der Responses API oder eine ganze Assistent-Nachricht. Die JSON-Schema-Prüfung deckt die Schlüsselwörter ab, die in Tool-Definitionen üblich sind; für vollständige Schemas eignet sich der JSON-Schema-Validator, neue Definitionen baut der Function-Calling-Generator.
    Typische Fehler sind Zahlen als Zeichenkette ("5" statt 5), erfundene Enum-Werte, fehlende Pflichtfelder und abgeschnittenes JSON bei zu kleinem Ausgabelimit. Viele APIs bieten einen strikten Modus, der Schemaverstöße schon beim Erzeugen verhindert. Ihre Anwendung sollte Tool-Argumente trotzdem immer prüfen, bevor sie damit etwas ausführt, und dem Modell bei Fehlern eine verständliche Meldung zurückgeben, damit es den Function Call validieren und korrigieren kann.
    Anleitung: Tool-Call prüfen in 4 Schritten
    1. Die Tool-Definitionen in das Feld „Tool-Definitionen“ einfügen (OpenAI-, Anthropic- oder MCP-Format).
    2. Den Aufruf des Modells in das Feld „Tool-Aufruf“ einfügen, etwa ein Element aus tool_calls oder einen tool_use-Block.
    3. Optional „Strenger Modus“ einschalten, um zusätzliche Felder als Fehler zu werten.
    4. Die Liste der Befunde lesen: Jeder Eintrag nennt den Pfad im Argument-Objekt und das Problem.
    Typische Anwendungsfälle
    • Herausfinden, warum eine Anwendung einen Tool-Aufruf ablehnt, obwohl das Modell scheinbar alles richtig gemacht hat.
    • Tool-Definitionen vor dem Einsatz testen, indem man typische und fehlerhafte Aufrufe durchspielt.
    • Protokollierte Aufrufe aus der Produktion nachträglich auf Schemaverstöße untersuchen.
    • In Schulungen zeigen, wie JSON Schema die Argumente eines Werkzeugs einschränkt.
    Fragen
    Häufige Fragen
    Welche Formate für den Aufruf werden erkannt?
    Elemente aus tool_calls (OpenAI Chat Completions), function_call-Items (Responses API), tool_use-Blöcke (Anthropic) und einfache Objekte mit name und arguments oder input.
    Was macht der strenge Modus?
    Er behandelt Felder, die nicht im Schema stehen, als Fehler, auch wenn additionalProperties nicht ausdrücklich auf false steht. So verhalten sich die strikten Modi vieler APIs.
    Prüft das Werkzeug auch die Bedeutung der Werte?
    Nein, nur die Form. Ob eine Kundennummer existiert oder ein Datum sinnvoll ist, muss Ihre Anwendung selbst prüfen.
    Werden Formate wie email oder date-time geprüft?
    Für date, date-time, email und uri gibt es eine einfache Prüfung, die als Warnung erscheint. Viele APIs werten format nicht streng aus.
    Welche Schema-Schlüsselwörter werden geprüft?
    type, properties, required, additionalProperties, enum, const, items, minItems, maxItems, minimum, maximum, minLength, maxLength, pattern, anyOf, oneOf, allOf und lokale $ref auf $defs oder definitions.
    Was bedeutet der Befund „arguments ist kein gültiges JSON“?
    Bei OpenAI steht das Argument-Objekt als Zeichenkette im Feld arguments. Ist diese Zeichenkette abgeschnitten oder enthält sie Kommentare, kann die Anwendung sie nicht lesen. Häufige Ursache ist ein zu kleines Ausgabelimit.
    Ratgeber
    Zum Weiterlesen
    Alle Artikel 
    1. RAG einfach erklärt: KI mit eigenen Dokumenten nutzenRAG einfach erklärt: wie Retrieval-Augmented Generation funktioniert, wofür man Embeddings und Vektordatenbanken braucht und was ein RAG-System kostet.
    2. Structured Outputs: Zuverlässig JSON von KI-ModellenStructured Outputs erklärt: Wie Sie mit JSON-Schema garantiert gültiges JSON von OpenAI, Claude und Gemini bekommen, statt kaputte Antworten nachträglich zu reparieren.
    3. Prompt Injection: Wie Angriffe auf KI-Systeme funktionierenPrompt Injection erklärt: wie versteckte Anweisungen in E-Mails, Dokumenten und Websites KI-Assistenten und Agenten manipulieren und welche Schutzmaßnahmen wirken.
    Weitere Werkzeuge
    Das könnte auch helfen
    Alle 558 Werkzeuge 
    JSON formatierenneu
    JSON formatieren, prüfen und minifizieren, mit Fehlerstelle und Tokenzahl.
    Öffnen 
    JSON reparierenneu
    Kaputtes JSON aus KI-Antworten reparieren: Codeblöcke, Kommas, Anführungszeichen.
    Öffnen 
    Batch-Datei-Generatorneu
    Aus einer Vorlage und einer Liste viele Prompts erzeugen, als JSONL für die Batch-APIs.
    Öffnen 
    API-Anfrage-Generatorneu
    Fertige cURL-Anfragen für die APIs von OpenAI, Anthropic und Google erzeugen.
    Öffnen 
    Prompt-Injection-Prüferneu
    Fremde Texte vor der KI-Verarbeitung auf versteckte Anweisungen und Tricks prüfen.
    Öffnen 
    JSON-Schema-Generator
    Aus einem JSON-Beispiel ein JSON Schema für strukturierte Ausgaben von KI-Modellen erzeugen.
    Öffnen