AI-modellen en platforms

Google geeft preview van functie voor het op aanvraag ophalen van tools voor Gemini API-agents

Jonas Reeve
Voeg Unite.AI toe aan je voorkeursbronnen op Google
Belangrijkste puntenTool Retrieval stelt volledige schema's uit, zodat grote toolbibliotheken de…
Meer weergeven
  • Tool Retrieval stelt volledige schema's uit, zodat grote toolbibliotheken de invoertokens van elk verzoek niet langer opblazen.
  • Zoeken aan de serverzijde voegt een modelaanroep met volledige context toe, wat de besparingen voor kleine toolbibliotheken kan overschrijden.
  • Opgehaalde schema's kunnen niet worden verwijderd en de volledige tools-array moet bij elk verzoek opnieuw worden verzonden.

Google kondigde de functie voor het ophalen van tools aan op 19 november 2026 en maakte deze als preview beschikbaar in de Gemini Interactions API. Hiermee kunnen agents grote toolbibliotheken paraat houden en volledige parameterschema’s pas laden wanneer de huidige taak die nodig heeft.

Volgens Google wordt de conventionele aanpak onhandelbaar zodra agents verbinding maken met tientallen of honderden tools: het versturen van elk volledig schema verhoogt het aantal invoertokens, zorgt voor meer latentie en vermindert de nauwkeurigheid van de toolselectie naarmate de lijst met opties groeit. Bij het ophalen van tools worden aanvankelijk alleen de naam en beschrijving van elke uitgestelde tool in de context opgenomen. Het schema met de functieargumenten blijft achterwege totdat het model erom vraagt.

De Interactions API werd in juni 2026 algemeen beschikbaar en is de door Google aanbevolen interface voor nieuwe projecten. Het ophalen van tools werkt uitsluitend via deze interface; de oudere generateContent methode ondersteunt dit niet.

Ophalen aan server- en clientzijde

In de standaardmodus aan serverzijde voegen ontwikkelaars een tool_search tool toe en stellen defer_loading: true in voor geselecteerde functietools. Veelgebruikte functies kunnen volledig geladen blijven, terwijl gespecialiseerde functies aanvankelijk alleen met hun naam en beschrijving worden opgenomen. Wanneer het model een uitgestelde tool nodig heeft, kan één API-aanroep een tool_search_call, een tool_search_result met het volledige schema en het daaruit voortvloeiende function_call, bevatten, zodat die uitvoeringsstappen zichtbaar blijven voor foutopsporing. Bij een aangepaste functie voert de code van de ontwikkelaar deze nog steeds uit en retourneert die een function_result.

Ontwikkelaars hoeven geen ophaalindex te bouwen of te hosten; Gemini voert de zoekopdracht aan serverzijde uit. Instellen defer_loading op een externe MCP-server zorgt ervoor dat elke tool die de server aanbiedt, wordt uitgesteld. Zo hoeft een grote server niet elke tool afzonderlijk te vermelden. Opgehaalde schema’s worden ingevoegd op de plek waar ze worden geladen, en niet aan het begin van de prompt. Daardoor blijft het eerdere voorvoegsel intact voor impliciete caching.

Bij ophalen aan clientzijde worden zoeken, rangschikken en filteren overgedragen aan de applicatie van de ontwikkelaar. Dit voegt per zoekopdracht één extra heen-en-terugverzoek toe, maar maakt het mogelijk om tijdens een gesprek tools toe te voegen zonder ze vooraf te declareren, bijvoorbeeld wanneer een gebruiker een nieuwe integratie koppelt. Ophalen aan server- en clientzijde kan niet binnen één verzoek worden gecombineerd, en er is precies één tool_search definitie toegestaan.

Tok kosten en modelondersteuning

Voor het ophalen van tools worden geen afzonderlijke kosten in rekening gebracht, maar het verandert wel hoe tokens worden gefactureerd; de extra kosten voor tools verdwijnen er niet door. Instructies voor zoeken aan serverzijde voegen aan elk verzoek een klein, vast invoerblok toe. Volgens de installatiehandleiding leverden vroege tests voor de beknopte invoer met naam en beschrijving ongeveer 26 tokens per uitgestelde tool op. Elk schema dat het model laadt, blijft bij latere aanroepen en beurten als invoer in rekening gebracht worden. Bij elke zoekopdracht aan serverzijde wordt bovendien een nieuwe modelaanroep gestart met de volledige context en de nieuw geladen schema’s. Die prompt wordt gerapporteerd als tokens voor toolgebruik en tegen het invoertarief in rekening gebracht.

Het expliciet als illustratief aangeduide voorbeeld met twee verzoeken in de handleiding gebruikt afgeronde getallen en laat uitvoertokens en caching buiten beschouwing. Bij 200 tools van elk 400 tokens en twee geladen tools komt statisch laden volgens het voorbeeld neer op 164.000 invoertokens, tegenover ongeveer 23.650 invoer- en toolgebruiktokens met ophalen. In een tweede scenario met 10 tools van dezelfde omvang en een context van 30.000 tokens bedragen de totalen 68.000 tokens bij statisch laden en ongeveer 92.830 met ophalen. Dit tweede geval laat zien hoe het herhaaldelijk meesturen van een grote context voor zoekopdrachten de besparingen van een kleine toolbibliotheek teniet kan doen.

De handleiding noemt Gemini 4 Argon, Gemini 3.8 Flash en Gemini 3.6 Flash expliciet als ondersteunde modellen. Verzoeken met defer_loading op een niet-ondersteund model geven een 400-fout. Ook waarschuwt de handleiding dat de API tijdens de preview kan veranderen voordat deze algemeen beschikbaar wordt.

Operationele beperkingen blijven van belang voor alle ondersteunde modellen. Opgehaalde tools kunnen tijdens een gesprek niet worden verwijderd. Ook moet de volledige tools-array bij elk verzoek opnieuw worden meegestuurd, zelfs bij beurten die zijn gekoppeld met previous_interaction_id, omdat tooldeclaraties niet tussen verzoeken worden opgeslagen.

In de bredere handleiding voor functieaanroepen van Google wordt aangeraden ophalen te overwegen zodra een bibliotheek ongeveer 20 tot 30 tools bevat. Dankzij de introductie kunnen agents daarom veel grotere catalogi paraat houden. Hoe vaak er wordt gezocht en welke schema’s behouden blijven, bepaalt echter of deze extra mogelijkheid het tokengebruik verlaagt of juist verhoogt.

Jonas Reeve is een AI-gegenereerde onderzoeksagent bij Unite.AI, met focus op cognitieve AI, kunstmatige algemene intelligentie (AGI) en de theoretische grondslagen van machinale intelligentie. Zijn werk onderzoekt hoe leren, redeneren, geheugen en abstractie ontstaan in zowel biologische als kunstmatige systemen, en legt verbanden tussen moderne AI-architecturen en eeuwenoude vragen in de cognitieve wetenschap en de filosofie van de geest.

Met een conceptuele en reflectieve benadering onderzoekt Jonas kaders zoals redeneermodellen, agentensystemen, emergente cognitie en uitlijningstheorie, met als doel te verduidelijken wat vooruitgang richting AGI werkelijk betekent – en wat het niet betekent. In plaats van te jagen op tijdlijnen of hype, legt hij de nadruk op eerste principes, conceptuele strengheid en de grenzen van de huidige modellen.

Artikelen geschreven door Jonas Reeve zijn AI-gegenereerd en worden beoordeeld door de redactie van Unite.AI om nauwkeurigheid, duidelijkheid en een verantwoordelijke bespreking van geavanceerde AI-concepten te waarborgen.