도구 사용

Tool Use는 LLM이 자신의 학습 데이터에만 의존하지 않고, 외부 도구의 결과를 받아 답을 만드는 동작을 가리킵니다. 등장 배경은 분명합니다. LLM은 학습 시점 이후의 정보를 모르고, 실시간 가격·재고 같은 정확한 수치는 더더욱 모르며, 결제·예약 같은 부수효과는 절대 일으키지 못합니다. 도구를 붙여야 비로소 '답변하는 챗봇'이 '일을 끝내는 에이전트'로 바뀝니다. OpenAI·Anthropic·Google이 모두 Tool Use 또는 Function Calling이라는 이름으로 표준화된 인터페이스를 제공하고 있습니다.

작동 방식은 의외로 단순합니다. 모델에 '이런 이름·인자·설명을 가진 도구가 있다'고 알려주면, 모델이 답하는 도중에 'JSON 형식의 도구 호출'을 출력합니다. 클라이언트가 그 호출을 가로채 실제 함수를 실행하고, 결과를 다시 모델에 넣어주면 모델이 그 결과를 반영해 최종 답을 만듭니다. ReAct 루프(Thought → Action → Observation)의 'Action'에 해당하는 부분이며, 거의 모든 에이전트가 이 패턴을 변형해 쓰고 있습니다.

Villion·마케팅 관점에서 Tool Use는 'AI가 우리 사이트 API를 직접 호출해 주문까지 처리하는 시대'의 토대입니다. 카탈로그 조회, 재고 확인, 결제 요청, 배송 조회 같은 동작이 에이전트의 도구 호출 한 번으로 이뤄집니다. 즉 우리 API 스펙·인증 모델·에러 응답이 새로운 마케팅 채널의 일부가 됩니다. 도구 설명문이 모호하면 에이전트가 우리 도구를 부르지 않고, 응답 형식이 일관되지 않으면 거래가 중간에 끊깁니다. API 문서가 사실상 광고 카피만큼 중요해진다는 의미입니다.

다른 도구와의 관계도 같이 봐야 합니다. Tool Use는 '낮은 레벨 인터페이스'에 가깝고, 그 위에 MCP 같은 표준화 계층, LangChain·OpenAI Assistants 같은 프레임워크 계층이 얹힙니다. MCP는 도구를 '표준 형식으로 노출'하고, Tool Use는 '모델이 호출하는 행동' 자체를 가리킵니다. 즉 MCP가 항만이라면 Tool Use는 항만에 정박해 짐을 내리는 행위라고 보면 직관적입니다.

현장에서 가장 흔한 실수는 '도구를 많이 붙일수록 좋다'는 가정입니다. 실제로는 도구가 10개를 넘기 시작하면 모델이 헷갈려 잘못된 호출을 하기 시작합니다. 도구 수를 줄이고, 각 도구의 이름·설명문·인자 스키마를 짧고 분명하게 쓰는 것이 정확도에 가장 큰 영향을 줍니다. 한국어 환경에서는 도구 설명을 영어와 한국어 중 어느 쪽으로 쓸지도 변수입니다. 모델별로 영어 설명에 더 잘 반응하는 경향이 있어, 글로벌·국내 에이전트 양쪽을 노린다면 영문 설명 + 한국어 보조 설명 조합이 안전한 출발점입니다.