|

Gemini, Claude, GPT mulai memuat alat sesuai kebutuhan: 6 perbedaan kunci dalam mekanisme Tool Search ketiganya

Gemini, Claude, GPT mulai memuat alat sesuai kebutuhan: 6 perbedaan kunci dalam mekanisme Tool Search ketiganya

Tool Search dari ketiga penyedia memecahkan masalah yang sama, tetapi jalur implementasinya sangat berbeda. Ketiganya membuat model pada awalnya hanya melihat petunjuk singkat tentang tool, lalu memuat Skema parameter lengkap saat tool perlu dipanggil. Perbedaannya terutama ada di tiga hal: Gemini memiliki dua mode pencarian, yaitu sisi server dan sisi klien, dan pencarian sisi klien dapat memasukkan tool baru; Claude memublikasikan dua cara pencarian sisi server, Regex dan BM25, serta melakukan penemuan di dalam kumpulan tool yang telah dideklarasikan melalui tool_reference; GPT mengelompokkan tool menggunakan namespace, dan mode klien dapat menyuntikkan tool baru secara dinamis melalui tool_search_output. Saat memilih, pertimbangkan apakah pustaka tool tetap atau sering berubah, serta arsitektur API tim yang sudah ada.

Apa yang dapat Anda pelajari setelah membaca artikel ini?

  • Tool Search dari ketiga penyedia ini berada di API mana dan diaktifkan dengan field apa.
  • Apa perbedaan konten yang dipertahankan dalam konteks awal model, serta peran short_description, tool_reference, dan namespace.
  • Bagaimana rantai peristiwa pencarian tool dan pemanggilan fungsi aktual terbentuk, dan di titik mana adaptasi paling mudah salah.
  • Penyedia mana yang mendukung penambahan tool baru yang tidak ada dalam permintaan awal ke dalam percakapan.
  • Untuk Agen perusahaan seperti pesanan dan inventaris, bagaimana memilih berdasarkan struktur pustaka tool.

Indeks: Bagian utama mula-mula menjelaskan waktu rilis dan gagasan bersama ketiga penyedia, lalu mengurai mekanisme pencarian dan field bawaan Gemini, Claude, dan GPT satu per satu. Setelah itu, satu tabel ringkasan membandingkan delapan dimensi, dan Agen pesanan serta inventaris yang sama mendemonstrasikan tiga jalur teknis. Bagian analisis di akhir memberikan prinsip pemilihan dan membahas hal yang perlu diperhatikan dalam adaptasi protokol di gateway lintas model.

gemini-claude-gpt-tool-search-comparison-id-image-0


Konsep Terkait Tool Search yang Perlu Diketahui

Konsep Penjelasan singkat
Direktori alat Kumpulan alat bisnis yang dapat diambil, mencakup nama, deskripsi, definisi parameter, dan informasi izin
Tool Search Kemampuan untuk mengambil alat yang dibutuhkan sesuai tugas saat ini, lalu mengimpor definisi lengkapnya sesuai kebutuhan
defer_loading Bidang yang dipakai ketiga penyedia untuk menandai bahwa definisi lengkap alat dimuat secara tertunda
Regex Mencocokkan nama alat, deskripsi, atau petunjuk parameter menggunakan ekspresi reguler
BM25 Algoritma klasik yang mengurutkan hasil pencarian berdasarkan relevansi kata kueri dengan teks
tool_reference Blok konten yang dipakai Claude untuk merujuk alat yang telah dideklarasikan, lalu dijabarkan oleh API menjadi definisi lengkap
namespace Deklarasi dalam OpenAI Responses API yang mengelompokkan fungsi-fungsi terkait menurut kemampuan bisnis
Injeksi alat dinamis Aplikasi menyerahkan definisi alat yang tidak dideklarasikan dalam permintaan awal kepada model agar tetap bisa digunakan
tool_search_output Item respons yang dikembalikan klien OpenAI saat pencarian, berisi deklarasi alat yang cocok
MCP jarak jauh Layanan jarak jauh yang menyediakan alat yang dapat ditemukan dan dieksekusi melalui Model Context Protocol
Prefiks cache Bagian awal input yang tetap konsisten antar pemanggilan model dan dapat digunakan ulang dari cache

Ringkasan Dampak Tool Search

  • Pengembang agen: Saat jumlah alat bertambah, tidak perlu lagi memasukkan semua skema ke dalam konteks sekaligus. Namun body permintaan dan event respons dari ketiga penyedia berbeda-beda, sehingga agen lintas model perlu mengimplementasikan logika parsing masing-masing.
  • Pengelola platform perusahaan dan direktori alat: Penamaan alat, deskripsi singkat, dan cara pengelompokan mulai berpengaruh langsung pada hasil pencarian; direktori alat sendiri kini menjadi aset yang perlu dirancang.
  • Penanggung jawab biaya dan operasional: Tool Search belum tentu menghemat biaya. Contoh perhitungan resmi Google menunjukkan dua skenario sekaligus — menghemat dan menambah token — jadi keputusan untuk mengaktifkannya sebaiknya didasarkan pada tagihan hasil pengukuran nyata.

Fakta Objektif: Kronologi dan Mekanisme Peluncuran Tool Search dari Tiga Penyedia

Mengapa Gemini, Claude, dan GPT Semuanya Menyediakan Tool Search

Ketika sebuah agen terhubung ke CRM, pesanan, inventaris, logistik, tiket, dan beberapa server MCP secara bersamaan, deklarasi alat itu sendiri sudah akan memakan banyak konteks. Dokumentasi Google menyebutkan bahwa puluhan deklarasi fungsi dapat memakan puluhan ribu Token. Anthropic memberikan contoh: lima server MCP, yaitu GitHub, Slack, Sentry, Grafana, dan Splunk, memiliki total 58 alat, dan definisi alatnya saja sekitar 55.000 Token.

Garis waktu peluncuran ketiganya adalah sebagai berikut: Anthropic meluncurkan Tool Search Tool pada 24 November 2025; OpenAI meluncurkan API Tool Search bersama GPT-5.4 pada 5 Maret 2026; Google meluncurkan Tool Retrieval untuk Gemini API dalam bentuk pratinjau pada 19 November 2026. Gagasan dasar ketiganya sama: model terlebih dahulu mengetahui kemampuan apa saja yang tersedia, lalu membaca definisi parameter lengkap saat benar-benar akan digunakan.

Masing-masing dari ketiganya pernah mempublikasikan data performa, tetapi kondisi pengujiannya sangat berbeda sehingga tidak dapat digunakan untuk membuat peringkat. Dalam contoh Anthropic, konteks awal turun dari sekitar 77.000 Token menjadi sekitar 8.700 Token, dan dalam evaluasi MCP internal, akurasi pemilihan alat Claude Opus 4 meningkat dari 49% menjadi 74%. OpenAI mengukur penurunan total Token sebesar 47% pada 250 tugas di MCP Atlas dengan 36 server MCP, sementara akurasinya tetap sama. Google saat ini hanya memberikan contoh perhitungan hipotetis: dengan 200 alat, pengurangannya sekitar 85,6%; dengan 10 alat yang dipadukan dengan konteks panjang, justru bertambah sekitar 36,5%.

Gemini Tool Search: dua mode pencarian di sisi server dan klien

Tool Retrieval Gemini bergantung pada Interactions API dan mewajibkan penggunaan v1beta; generateContent versi lama tidak mendukungnya. Untuk mengaktifkan mode sisi server, tambahkan {"type": "tool_search"} ke tools, lalu set defer_loading: true pada function atau mcp_server yang jarang dipakai. Awalnya, model hanya melihat nama dan short_description dari tool yang pemuatannya ditunda. Pengujian awal Google menunjukkan bahwa setiap entri alat rata-rata memakan sekitar 26 token. Jika tidak ada deskripsi singkat yang dikonfigurasi, kalimat pertama dari description lengkap akan digunakan sebagai gantinya.

Ada satu hal yang mudah disalahpahami: dalam mode sisi server, pengembang tetap harus mengirimkan definisi alat secara lengkap. Bahkan saat menggunakan previous_interaction_id, setiap permintaan tetap harus mengirim ulang array tools secara penuh. Pemuatan tertunda hanya mencegah skema lengkap masuk ke konteks model lebih awal. Selain itu, skema yang sudah dimuat tidak dapat dilepas dalam sesi saat ini; satu permintaan paling banyak mendeklarasikan satu tool_search; pencarian sisi server dan sisi klien tidak dapat dicampur dalam permintaan yang sama.

Dimensi Pencarian sisi server Pencarian sisi klien
execution server (default) client
Retriever Ditangani oleh Gemini API Dibangun sendiri oleh pengembang
Harus mendeklarasikan library alat terlebih dahulu Ya Tidak
defer_loading Berlaku Tidak berlaku
Round-trip tambahan Tidak ada round-trip tambahan dari klien Satu round-trip ekstra per pencarian
Skenario umum Kumpulan alat yang besar dan relatif tetap Tool Registry privat, multi-tenant, alat dinamis

Dalam mode sisi klien, model memanggil fungsi pencarian yang didefinisikan pengembang (misalnya search_tool_registry), dan aplikasi mengembalikan objek deklarasi alat lengkap yang cocok di function_result.result. Pendekatan ini memungkinkan diperkenalkannya alat yang tidak dideklarasikan dalam permintaan awal selama percakapan, misalnya ketika pengguna untuk sementara menghubungkan layanan SaaS baru dalam sesi.

Claude Tool Search: Regex, BM25, dan tool_reference

Tool Search Tool milik Claude merupakan bagian dari Messages API. Di sisi server, tersedia dua jenis alat pencarian: tool_search_tool_regex_20251119, yang membuat model menghasilkan ekspresi reguler dan cocok untuk pustaka alat dengan pola penamaan yang kuat; serta tool_search_tool_bm25_20251119, yang membuat model menghasilkan kueri bahasa alami dan cocok untuk menemukan alat berdasarkan deskripsi kemampuannya. Kedua metode tersebut mencari nama alat, deskripsi, nama parameter, dan deskripsi parameter. Bidang parameter Claude adalah input_schema, yang berbeda dari parameters milik dua penyedia lainnya.

Rantai peristiwa pada satu pencarian tipikal adalah sebagai berikut: Claude terlebih dahulu memulai server_tool_use untuk memanggil alat pencarian bawaan, API mengembalikan tool_search_tool_result, hasilnya berisi tool_reference, lalu API mengembangkannya menjadi definisi lengkap, dan akhirnya model menghasilkan tool_use pada tingkat bisnis. Anthropic secara khusus menjelaskan bahwa penanda srvtoolu_... milik alat pencarian bawaan tidak perlu dikirim balik oleh pengembang sebagai tool_result; aplikasi hanya perlu menjalankan tool_use bisnis yang sebenarnya.

Aturan Claude Tool Search Ketentuan resmi
Batas atas alat yang ditunda per permintaan 10.000
Hasil default per pencarian Maksimal 5, dapat disesuaikan melalui limit
Panjang kueri Regex Maksimal 200 karakter
Panjang kueri BM25 Maksimal 500 karakter
Model yang tidak didukung Claude Opus 4.1 dan model yang lebih lama
Batasan cache Alat dengan defer_loading: true tidak dapat menyetel cache_control

Pengembang juga dapat menerapkan algoritme pencarian sendiri, seperti embedding, tetapi hasil yang dikembalikan tetap berupa tool_reference, dan alat yang dirujuk harus sudah dideklarasikan di tools tingkat atas. Dengan demikian, desain Claude lebih menyerupai “menemukan alat yang dibutuhkan dari pustaka alat yang telah dideklarasikan sebelumnya”. Terkait MCP, Claude mengatur strategi penundaan melalui konfigurasi mcp_toolset di MCP Connector. Pengaturan dapat dilakukan secara seragam di default_config, atau per alat di configs.

GPT Tool Search: Namespace dan Injeksi Alat Dinamis

Tool Search dari OpenAI berada di Responses API dan didukung oleh GPT-5.4 serta model kompatibel yang lebih baru. Fitur ini juga diaktifkan melalui tool_search dan defer_loading. Keunikannya adalah namespace: pengembang dapat mengelompokkan fungsi-fungsi terkait berdasarkan domain bisnis seperti crm dan billing. Model terlebih dahulu menilai jenis kemampuan mana yang relevan berdasarkan nama dan deskripsi namespace, lalu membuka fungsi-fungsi yang dimuat tertunda di dalam grup tersebut saat diperlukan. Dengan begitu, pengelompokan alat menjadi struktur di tingkat API, bukan sekadar konvensi penamaan.

Rantai peristiwa dalam mode server adalah tool_search_call → tool_search_output → function_call → aplikasi mengembalikan function_call_output. Dalam mode klien, setelah menerima tool_search_call, aplikasi mencari sendiri di katalog alat, lalu mengembalikan tool_search_output dengan call_id yang sama. Field tools-nya berisi deklarasi alat lengkap yang cocok, dan model baru memanggil fungsi-fungsi tersebut pada putaran berikutnya. Dokumentasi resmi mendukung pengembalian alat yang tidak dideklarasikan dalam permintaan awal di sini, sekaligus mewajibkan pengembang memvalidasi Schema dinamis secara ketat dan hanya mengekspos definisi alat yang tepercaya.

Dalam hal cache, OpenAI menambahkan definisi alat yang baru ditemukan ke bagian belakang konteks untuk mengurangi dampak terhadap prefiks cache yang sudah ada. Untuk MCP, ada hal yang perlu diperhatikan: Tool Search di Responses API mendukung penemuan alat MCP sesuai kebutuhan, sedangkan Agents API secara otomatis menyambungkan penemuan alat oleh runtime ketika model dan penyedia mendukungnya. Dokumentasi resmi dengan jelas mengingatkan bahwa kedua set konfigurasi ini tidak dapat langsung saling diterapkan.

Berikut adalah contoh permintaan Responses API yang menggambarkan struktur dasar pemuatan tertunda. Nama field mengikuti dokumentasi resmi OpenAI:

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # Endpoint kompatibel OpenAI APIYI
)

tools = [
    {"type": "tool_search"},
    {
        "type": "function",
        "name": "inventory_get_stock",
        "description": "Inventory: check stock level by SKU.",
        "defer_loading": True,
        "parameters": {
            "type": "object",
            "properties": {"sku": {"type": "string"}},
            "required": ["sku"]
        }
    }
]

resp = client.responses.create(
    model="gpt-5.4",
    input="订单 A-1042 还没发货,帮我查一下 SKU-88 的库存。",
    tools=tools
)
for item in resp.output:
    print(item.type)  # Peristiwa seperti tool_search_call / function_call diharapkan terlihat
Lihat kode ilustrasi pencarian sisi klien dan injeksi dinamis
import requests

BASE_URL = "https://api.apiyi.com/v1"  # Meneruskan permintaan Responses API melalui APIYI
HEADERS = {"Authorization": "Bearer YOUR_API_KEY"}

def search_registry(query: str) -> list:
    """Mencari di katalog alat privat perusahaan dan memfilter berdasarkan izin pengguna (ilustrasi)"""
    return [{
        "type": "function",
        "name": "warehouse_schedule_shipment",
        "description": "Warehouse: schedule a new shipment date.",
        "parameters": {
            "type": "object",
            "properties": {
                "order_id": {"type": "string"},
                "date": {"type": "string"}
            },
            "required": ["order_id", "date"]
        }
    }]

def handle(output_items: list) -> list:
    follow_ups = []
    for item in output_items:
        if item["type"] == "tool_search_call":
            query = item.get("arguments", {}).get("query", "")
            follow_ups.append({
                "type": "tool_search_output",
                "call_id": item["call_id"],      # Gunakan call_id yang sama dengan panggilan pencarian
                "tools": search_registry(query)  # Dapat menyertakan alat yang tidak dideklarasikan dalam permintaan awal
            })
    return follow_ups
# Catatan: Schema yang dikembalikan secara dinamis harus divalidasi terlebih dahulu, hanya ekspos alat yang tepercaya

🚀 Saran verifikasi cepat: Sebelum terhubung ke bisnis nyata, Anda bisa menggunakan kunci API terpadu dari APIYI apiyi.com untuk memanggil GPT, Claude, dan Gemini secara terpisah. Jalankan katalog alat yang sama pada ketiganya, pastikan struktur peristiwa dapat dikenali dengan benar oleh lapisan parser Anda, lalu tentukan solusi utama.

gemini-claude-gpt-tool-search-comparison-id-image-1

Nama event pada gambar di atas semuanya merupakan field native masing-masing penyedia. Pembaca yang ingin menguji alur event secara langsung di tiap penyedia bisa beralih model dengan skrip pengujian yang sama lewat APIYI apiyi.com untuk membandingkannya.

Perbandingan Terpusat Mekanisme Tool Search Ketiga Penyedia

gemini-claude-gpt-tool-search-comparison-id-image-2

Dimensi Gemini Claude GPT
API terkait Interactions API (v1beta) Messages API Responses API
Cara pencarian Sisi server (algoritme tidak diungkap) / sisi klien Regex / BM25 / pencarian kustom Sisi server / sisi klien
Retensi konteks awal Nama + short_description Tool pencarian + tool non-tertunda Tool tertunda atau ringkasan namespace
Organisasi tool Konvensi penamaan + deskripsi singkat Nama, deskripsi, dan parameter semuanya dapat dicari Pengelompokan namespace
Field parameter parameters input_schema parameters
Pencarian sisi klien Didukung Pencarian kustom mengembalikan tool_reference Didukung (tool_search_output)
Penambahan tool baru secara dinamis Didukung dalam mode klien Tool yang dirujuk harus sudah dideklarasikan di tingkat atas Didukung dalam mode klien, perlu validasi Schema
Integrasi MCP mcp_server + defer_loading default_config / configs pada mcp_toolset Aturan Responses dan Agents berbeda
Cache dan penagihan Tidak ada biaya fitur terpisah; perhatikan total_tool_use_tokens Tidak ditagih terpisah; tool tertunda tidak bisa diset cache_control Tool baru ditambahkan ke bagian belakang untuk melindungi prefiks cache

💡 Saran pemilihan: Tabel di atas hanya membandingkan aturan antarmuka yang bisa diverifikasi. Hasil aktual bergantung pada pustaka tool dan panjang percakapan Anda, jadi sebaiknya lakukan uji A/B dengan sampel kecil lewat pintu masuk terpadu multi-model APIYI apiyi.com, lalu hitung biaya berdasarkan field penagihan masing-masing penyedia.


Analisis: Kondisi Kesesuaian dalam Memilih Tool Search

Melihat Tiga Jalur Teknis melalui Agen Pesanan dan Inventaris

Bayangkan sebuah kebutuhan bisnis seperti ini: pengguna menanyakan status pesanan, menemukan barang belum dikirim, lalu memeriksa inventaris, kemudian menilai apakah bisa menjadwalkan tanggal pengiriman baru. Di dalam sistem terdapat sembilan kategori alat—CRM, pesanan, inventaris, penjadwalan gudang, logistik, pengembalian dana, tagihan, notifikasi, dan persetujuan—masing-masing dengan beberapa fungsi.

  • Jalur Gemini: Memuat langsung kueri pesanan yang sering dipakai; alat ekor panjang seperti inventaris dan penjadwalan gudang diatur sebagai pemuatan tertunda (lazy load), lalu short_description ditulis dengan baik, dan sisi server melakukan pencarian untuk memilih Schema get_inventory. Jika alat penjadwalan gudang diaktifkan secara dinamis per tenant, maka beralih ke pencarian sisi klien yang mengembalikan hasil dari Registry privat.
  • Jalur Claude: Jika penamaan alat rapi (seperti inventory_*, warehouse_*), Regex dapat mencocokkan dengan tepat; jika pengguna memakai bahasa sehari-hari seperti “lihat apakah masih bisa restock”, BM25 lebih cocok. Pada akhirnya tool_reference dijabarkan menjadi tool_use yang dapat dipanggil.
  • Jalur GPT: Membuat namespace berdasarkan crm, inventory, dan logistics; model terlebih dahulu menentukan bahwa ini melibatkan dua domain—inventaris dan logistik—lalu menjabarkan fungsi di dalam grup. Vendor logistik baru yang terhubung sementara dapat diinjeksi melalui tool_search_output di sisi klien.

Skenario ini hanya digunakan untuk menjelaskan perbedaan mekanisme, bukan mewakili tingkat keberhasilan atau latensi terukur dari ketiga penyedia.

Empat prinsip pilihan untuk pengembang

  1. Pustaka alat besar dan tetap: utamakan kemampuan pencarian di sisi server. Ketiga penyedia bisa mencakupnya, tetapi perhatikan bahwa Gemini harus mengirim ulang seluruh array alat pada setiap permintaan, sedangkan Claude memiliki batas atas 10.000 alat yang dapat ditunda per permintaan.
  2. Butuh kendali eksplisit atas strategi pencarian: Regex dan BM25 yang dipublikasikan Claude adalah satu-satunya solusi yang mengungkap algoritmanya secara jelas, cocok untuk tim yang ingin mencocokkan secara presisi berdasarkan aturan penamaan. Algoritma sisi server Gemini dan GPT tidak diungkapkan, jadi jangan berasumsi keduanya sama dengan Claude.
  3. Pustaka alat sering berubah atau perlu difilter berdasarkan izin pengguna: fokus pada injeksi dinamis di sisi klien. Mode klien Gemini dan GPT sama-sama bisa memasukkan alat baru; pencarian kustom Claude hanya dapat merujuk alat yang sudah dideklarasikan, sehingga kumpulan kandidat harus dirakit sebelum permintaan dikirim.
  4. Skala alat kecil: contoh perhitungan Google menunjukkan bahwa dengan 10 alat dan konteks panjang 30.000 Token, penggunaan Token justru meningkat sekitar 36,5%. Google menyarankan tetap memuat secara statis bila jumlah alat stabil kurang dari sekitar 20; hal ini juga relevan bagi dua penyedia lainnya, tetapi masing-masing tetap perlu menguji sendiri.

Masalah adaptasi protokol pada gateway lintas model

Jebakan yang paling sering dialami tim yang membangun Agent lintas model adalah menyamakan “bisa memanggil model ini” dengan “Tool Search model ini bisa dipakai”. Kemampuan tersebut bisa diurai menjadi empat lapisan: akses model, endpoint protokol (Interactions / Messages / Responses), field deklarasi alat (tool_search, defer_loading, namespace, konfigurasi MCP), serta eksekusi dan manajemen status (event pencarian, hasil fungsi, signature, riwayat sesi). Integrasi model yang berhasil hanya berarti lapisan pertama tidak bermasalah.

Secara khusus, perhatikan satu aturan Gemini: dalam sesi tanpa status dengan store=false, tool_search_call, tool_search_result, dan signature-nya tidak boleh diubah atau dihapus, jika tidak akan mengembalikan HTTP 400. Artinya gateway tidak boleh sembarangan memadatkan atau menulis ulang pesan riwayat. Untuk mengabstraksi ketiga penyedia menjadi antarmuka Tool Search yang seragam, perlu ada tabel pemetaan event yang dipelihara di lapisan framework Agent; jangan berharap satu body permintaan yang sama bisa universal hanya dengan mengganti Base URL.

🎯 Saran teknis: saat mengakses beberapa model melalui platform agregasi seperti APIYI apiyi.com, sebaiknya lakukan uji dengan trafik kecil terlebih dahulu untuk memastikan endpoint tujuan serta field seperti tool_search, defer_loading, dan namespace diteruskan secara utuh, baru kemudian memasukkan Tool Search ke jalur produksi.

Variabel yang perlu terus dipantau

Gemini Tool Retrieval masih berstatus pratinjau, dan antarmukanya dapat berubah sebelum rilis resmi. Hingga 20 November 2026, belum ada pengujian independen yang dapat diverifikasi mengenai proporsi penghematan rata-rata, latensi, dan akurasi di lingkungan produksi nyata. Salah satu arah yang dapat diperkirakan adalah ketiga penyedia menyerahkan “tata kelola katalog alat” kepada pengembang; penamaan, deskripsi singkat, pengelompokan, dan izin akses akan semakin menyerupai rekayasa indeks pada sistem pencarian. Sebelum diluncurkan, sebaiknya buat eksperimen pembanding berdasarkan Token input awal, Token penggunaan alat, tingkat pemilihan alat yang benar, tingkat pencarian tanpa kecocokan, dan rata-rata jumlah pencarian. Lakukan validasi silang pada kumpulan tugas yang sama menggunakan lingkungan multi-model seperti APIYI apiyi.com, agar tidak terbawa oleh angka promosi dari satu vendor saja.

Jumlah alat yang banyak tidak otomatis membuat Agent lebih cerdas; kemampuan menemukan alat yang tepat saat dibutuhkanlah yang menentukan batas atas kemampuan Agent. Seperti yang tertulis dalam Lunyu (Analek Konfusius), bab Wei Ling Gong: “Jika ingin menyelesaikan pekerjaan dengan baik, seseorang harus lebih dulu mempertajam alatnya.”


Referensi

  1. Dokumentasi teknis Google Tool Retrieval: pencarian sisi server dan klien, batasan, penagihan, serta contoh perhitungan
    • Tautan: aistudio.google.com/docs/tool-retrieval
  2. Pengumuman resmi Google: Introducing Tool Retrieval in the Gemini API
    • Tautan: blog.google/innovation-and-ai/technology/developers-tools/gemini-api-tool-retrieval
  3. Dokumentasi Anthropic Tool Search Tool: Regex, BM25, tool_reference, dan batasan
    • Tautan: platform.claude.com/docs/en/agents-and-tools/tool-use/tool-search-tool
  4. Pengumuman Anthropic Advanced Tool Use: rilis Tool Search dan evaluasi internal
    • Tautan: anthropic.com/research/advanced-tool-use
  5. Dokumentasi OpenAI Tool Search: namespace, pencarian sisi klien, dan injeksi dinamis
    • Tautan: developers.openai.com/api/docs/guides/tools-tool-search
  6. Pengumuman OpenAI GPT-5.4: rilis Tool Search dan pengujian MCP Atlas
    • Tautan: openai.com/index/introducing-gpt-5-4

Penulis: Tim Teknis APIYI
Diskusi teknis: Untuk mendiskusikan lebih lanjut adaptasi pemanggilan alat pada Agent multi-model, silakan hubungi kami melalui APIYI apiyi.com. Materi integrasi lainnya dapat dilihat di pusat dokumentasi docs.apiyi.com.

Artikel terkait

Similar Posts