영상 핵심 정리 — Function Calling으로 Agent에 손발 달기

Function Calling은 LLM이 '이 함수를 호출해 달라'는 요청을 JSON으로 출력하고, 개발자가 실제 실행 후 결과를 돌려주는 프로토콜이다.

---

1. Function 스키마 정의

tools = [{
    'type': 'function',
    'function': {
        'name': 'get_equipment_status',
        'description': '특정 설비 ID의 현재 상태·온도·진동 데이터를 조회한다',
        'parameters': {
            'type': 'object',
            'properties': {
                'equipment_id': {
                    'type': 'string',
                    'description': '설비 고유 ID (예: CNC-042, ROBOT-07)'
                },
                'metrics': {
                    'type': 'array',
                    'items': {'type': 'string',
                             'enum': ['temperature', 'vibration', 'rpm']}
                }
            },
            'required': ['equipment_id']
        }
    }
}]

2. 멀티턴 Function Calling 흐름

1. user 메시지 → LLM 호출
2. LLM → tool_calls JSON 반환
3. 개발자 코드 → 실제 함수 실행
4. 결과를 role='tool'로 messages 추가
5. LLM 재호출 → 최종 자연어 답변

3. description 작성 품질의 중요성

나쁜 description	좋은 description
'설비 조회'	'설비 ID로 실시간 센서 데이터를 조회. 온도·진동·RPM 선택 가능. 데이터 없으면 null 반환'

description이 모호하면 LLM이 잘못된 함수를 선택하거나 필요한 함수를 호출하지 않는 오류가 발생한다.

함정 주의: required 배열에 없는 파라미터는 LLM이 생략할 수 있다. 항상 필요한 파라미터는 반드시 required에 명시해야 하며, 선택 파라미터에는 default 값 설명을 description에 추가한다.

---

다음 task와의 연결

'Function Calling 스키마 설계 원칙' 읽기 자료에서 스키마 설계의 안티패턴과 프로덕션 수준의 검증 전략을 학습한다.

제조 현장 설비 상태 조회를 위한 OpenAI Function Calling 스키마를 두 버전으로 설계해줘. 첫 번째는 description이 모호한 나쁜 예시, 두 번째는 구체적이고 명확한 좋은 예시로. 각 버전에서 LLM이 tool_choice='auto' 조건에서 어떤 상황에 함수를 선택하고 하지 않을지 예측해줘.