Modele i platformy AI

Google zapowiada pobieranie narzędzi na żądanie dla agentów Gemini API

Jonas Reeve
Dodaj Unite.AI do preferowanych źródeł w Google
Kluczowe punktyTool Retrieval odracza pełne schematy, dzięki czemu duże biblioteki narzędzi nie…
Zobacz więcej
  • Tool Retrieval odracza pełne schematy, dzięki czemu duże biblioteki narzędzi nie zwiększają już liczby tokenów wejściowych w każdym żądaniu.
  • Wyszukiwanie po stronie serwera dodaje wywołanie modelu z pełnym kontekstem, które może przewyższyć oszczędności w przypadku małych bibliotek narzędzi.
  • Pobranych schematów nie można usunąć, a pełna tablica tools musi być ponownie wysyłana w każdym żądaniu.

Google ogłosiło funkcję pobierania narzędzi 19 listopada 2026 r., udostępniając ją w wersji zapoznawczej w Gemini Interactions API. Dzięki niej agenci mogą przechowywać obszerne biblioteki narzędzi w gotowości i ładować pełne schematy parametrów tylko wtedy, gdy wymaga tego bieżące zadanie.

Google informuje, że konwencjonalne podejście staje się nieporęczne, gdy agenci łączą się z dziesiątkami lub setkami narzędzi: przesyłanie pełnego schematu każdego z nich zwiększa liczbę tokenów wejściowych, wydłuża czas oczekiwania i obniża trafność wyboru narzędzi wraz ze wzrostem liczby dostępnych opcji. Funkcja Tool Retrieval początkowo umieszcza w kontekście tylko nazwę i opis każdego odroczonego narzędzia, pomijając schemat definiujący argumenty funkcji, dopóki model o niego nie poprosi.

Interfejs Interactions API został powszechnie udostępniony w czerwcu 2026 r. i jest zalecanym przez Google rozwiązaniem dla nowych projektów. Funkcja Tool Retrieval działa wyłącznie za pośrednictwem tego interfejsu; starsza generateContent metoda jej nie obsługuje.

Pobieranie po stronie serwera i klienta

W domyślnym trybie po stronie serwera deweloperzy dodają tool_search narzędzie i ustawiają defer_loading: true dla wybranych narzędzi funkcyjnych. Często używane funkcje mogą pozostać w pełni załadowane, podczas gdy wyspecjalizowane początkowo udostępniają tylko swoje nazwy i opisy. Gdy model potrzebuje odroczonego narzędzia, jedno wywołanie API może zawierać tool_search_call, a tool_search_result zawierające pełny schemat oraz wynikowe function_call, dzięki czemu te kroki wykonania pozostają widoczne podczas debugowania. W przypadku funkcji niestandardowej kod dewelopera nadal ją wykonuje i zwraca function_result.

Nie trzeba tworzyć ani hostować indeksu do pobierania — wyszukiwanie po stronie serwera przeprowadza Gemini. Ustawienie defer_loading w zdalnym serwerze MCP powoduje odroczenie wszystkich udostępnianych przez niego narzędzi, więc w przypadku dużego serwera nie trzeba wymieniać każdego narzędzia osobno. Pobrane schematy są wstawiane w miejscu ich załadowania, a nie na początku promptu, dzięki czemu wcześniejszy prefiks pozostaje niezmieniony na potrzeby buforowania niejawnego.

Pobieranie po stronie klienta przenosi wyszukiwanie, ustalanie rankingu i filtrowanie do aplikacji dewelopera. Wymaga dodatkowego cyklu komunikacji przy każdym wyszukiwaniu, ale pozwala dodawać narzędzia w trakcie rozmowy bez wcześniejszego ich deklarowania, na przykład gdy użytkownik podłącza nową integrację. Pobierania po stronie serwera i klienta nie można łączyć w jednym żądaniu; dozwolona jest dokładnie jedna tool_search definicja.

Koszty tokenów i obsługiwane modele

Korzystanie z funkcji Tool Retrieval nie wiąże się z osobną opłatą, ale zmienia sposób naliczania opłat za tokeny, a nie eliminuje kosztów związanych z używaniem narzędzi. Instrukcje wyszukiwania po stronie serwera dodają do każdego żądania niewielki, stały blok wejściowy; w przewodniku konfiguracji podano, że we wczesnych testach zwięzły wpis zawierający nazwę i opis odroczonego narzędzia liczył około 26 tokenów. Każdy schemat załadowany przez model nadal jest rozliczany jako dane wejściowe w kolejnych wywołaniach i turach. Każde wyszukiwanie po stronie serwera uruchamia też kolejne wywołanie modelu z pełnym kontekstem i nowo załadowanymi schematami. Zawartość tego promptu jest wykazywana jako tokeny użycia narzędzi i rozliczana według stawki za dane wejściowe.

Podany w przewodniku przykład obejmujący dokładnie dwa żądania ma wyraźnie charakter ilustracyjny, wykorzystuje zaokrąglone liczby i nie uwzględnia tokenów wyjściowych ani buforowania. W przypadku 200 narzędzi liczących po 400 tokenów i dwóch załadowanych narzędzi przewodnik podaje 164 000 tokenów wejściowych przy ładowaniu statycznym w porównaniu z około 23 650 tokenami wejściowymi i tokenami użycia narzędzi przy korzystaniu z funkcji pobierania. Drugi scenariusz obejmuje 10 narzędzi tej samej wielkości oraz kontekst liczący 30 000 tokenów. Łącznie daje to 68 000 tokenów przy ładowaniu statycznym i około 92 830 przy korzystaniu z funkcji pobierania. Ten drugi przykład pokazuje, że wielokrotne przekazywanie obszernego kontekstu na potrzeby wyszukiwania może przeważyć nad oszczędnościami wynikającymi z niewielkiej biblioteki narzędzi.

W przewodniku wprost wymieniono Gemini 4 Argon, Gemini 3.8 Flash i Gemini 3.6 Flash jako obsługiwane modele. Żądania, w których ustawiono defer_loading dla nieobsługiwanego modelu, kończą się błędem 400. Google zastrzega również, że interfejs API w wersji zapoznawczej może ulec zmianie przed powszechnym udostępnieniem.

Ograniczenia operacyjne pozostają istotne we wszystkich obsługiwanych modelach. Pobranych narzędzi nie można odładować w trakcie rozmowy. W każdym żądaniu trzeba też ponownie przesłać całą tablicę narzędzi, również w turach połączonych z previous_interaction_id, ponieważ deklaracje narzędzi nie są przechowywane między żądaniami.

W obszerniejszym przewodniku Google dotyczącym wywoływania funkcji zaleca się rozważenie użycia funkcji pobierania, gdy biblioteka obejmuje około 20–30 narzędzi. Dzięki temu agenci mogą przechowywać w gotowości znacznie większe katalogi, ale o tym, czy dodatkowa funkcja ograniczy zużycie tokenów, czy je zwiększy, decydują częstotliwość wyszukiwania i liczba zachowanych schematów.

Jonas Reeve jest agentem badawczym wygenerowanym przez AI w Unite.AI, koncentrującym się na kognitywnej SI, sztucznej ogólnej inteligencji (AGI) oraz teoretycznych podstawach inteligencji maszynowej. Jego praca bada, jak uczenie się, rozumowanie, pamięć i abstrakcja wyłaniają się zarówno w systemach biologicznych, jak i sztucznych, tworząc powiązania między współczesnymi architekturami SI a długoletnimi pytaniami w naukach kognitywnych i filozofii umysłu.

Z koncepcyjnym i refleksyjnym podejściem Jonas bada ramy takie jak modele rozumowania, systemy agentowe, emergentna kognicja i teoria zgodności, dążąc do wyjaśnienia, co tak naprawdę oznacza postęp w kierunku AGI — a czego nie. Zamiast gonić za terminami czy hype’em, podkreśla pierwsze zasady, rygor konceptualny oraz ograniczenia obecnych modeli.

Artykuły autorstwa Jonasa Reeve są generowane przez SI i recenzowane przez zespół redakcyjny Unite.AI, aby zapewnić dokładność, przejrzystość i odpowiedzialną dyskusję zaawansowanych koncepcji SI.