Mengintegrasikan Gemini Tool Retrieval memerlukan tiga langkah. Pertama, tambahkan {"type": "tool_search"} ke dalam array tools, dan setel defer_loading: True untuk fungsi bisnis yang jarang dipanggil. Kedua, kirim permintaan menggunakan Interactions API versi v1beta, lalu temukan function_call di dalam interaction.steps. Ketiga, jalankan fungsi secara lokal, susun function_result berdasarkan call_id, lalu kirimkan kembali dengan menyertakan array tools yang lengkap. Seluruh proses ini tidak memerlukan penulisan pencari tool sendiri; server akan menangani pencarian tool dan pemuatan Schema parameter.
Perlu dijelaskan sejak awal: Tool Retrieval hanya mengubah “kapan definisi parameter tool masuk ke konteks model”, sedangkan fungsinya tetap harus dijalankan oleh developer. Ini juga tidak menjamin penghematan biaya. Pada skenario dengan sedikit tool dan konteks panjang, konsumsi Token justru bisa meningkat.
Apa yang bisa Anda pahami setelah membaca artikel ini?
- Model apa saja yang didukung Gemini Tool Retrieval, versi SDK apa yang diperlukan, dan mengapa
v1betaharus ditentukan secara eksplisit - Satu contoh Python lengkap dengan nama variabel yang konsisten: dua tool yang dimuat tertunda untuk inventaris dan pesanan, dari pencarian hingga jawaban akhir
- Siapa yang menangani
tool_search_call,tool_search_result,function_call, danfunction_resultmasing-masing - Perbedaan antara tiga jalur ekstensi: pemuatan tertunda MCP jarak jauh, pencarian sisi klien, dan Tool Registry buatan sendiri
- Cara memeriksa kesalahan umum seperti HTTP 400 secara terpusat, serta cara menilai apakah fitur ini layak diaktifkan
Indeks: Pertama, tabel To Know menjelaskan field inti, lalu “Ringkasan Dampak” menjelaskan apa arti fitur pratinjau ini bagi berbagai peran. Bagian “Fakta Objektif” diuraikan sesuai urutan integrasi: menyiapkan lingkungan, mendefinisikan tool, mengamati langkah pencarian, mengirim kembali hasil fungsi, lalu diperluas ke MCP dan pencarian sisi klien; pemeriksaan kesalahan dikumpulkan di akhir bagian ini. Bagian “Analisis dan Penilaian” membahas skenario yang cocok dan tidak cocok untuk Tool Retrieval, dengan mengacu pada dua contoh perhitungan hipotetis yang diberikan Google.

Konsep Kunci Gemini Tool Retrieval (To Know)
| Konsep | Penjelasan Singkat |
|---|---|
| google-genai | Nama paket SDK Python resmi Google, cara impornya adalah from google import genai |
| v1beta | Versi API preview, wajib digunakan untuk Tool Retrieval, artikel ini menentukannya secara eksplisit saat inisialisasi klien |
| Interactions API | API Google untuk alur kerja Agent, mendukung percakapan stateful dan langkah eksekusi yang dapat diamati |
tool_search |
Jenis tool khusus yang menyatakan pengaktifan tool retrieval, maksimal satu per permintaan |
defer_loading |
Membuat definisi parameter lengkap dari fungsi atau server MCP tertentu ditunda masuk ke konteks model |
short_description |
Deskripsi singkat fungsi yang ditunda yang awalnya bisa dilihat model, hanya bisa digunakan untuk fungsi yang ditunda |
tool_search_call |
Langkah pencarian yang diprakarsai oleh model dalam proses retrieval di sisi server |
tool_search_result |
Langkah di mana server mengembalikan Schema lengkap tool yang cocok |
function_call |
Model meminta kode developer mengeksekusi suatu fungsi dan memberikan parameter |
function_result |
Jenis input yang digunakan aplikasi saat mengembalikan hasil eksekusi fungsi ke model |
call_id |
Identifier yang menghubungkan hasil eksekusi fungsi dengan function_call.id asli |
previous_interaction_id |
Identifier yang memungkinkan permintaan berikutnya melanjutkan catatan interaksi yang sudah disimpan di server |
signature |
Bidang tanda tangan yang perlu dikirim kembali apa adanya bersama langkah asli saat sesi stateless memutar ulang langkah historis |
Ringkasan Dampak Gemini Tool Retrieval
| Kalangan | Dampak Nyata |
|---|---|
| Pengembang Agent | Agent dengan banyak alat bisa memuat alat long-tail secara lazy, tak perlu membangun pencarian vektor sendiri, tetapi harus beralih ke Interactions API |
| Tim yang sudah memakai generateContent | Metode lama tidak mendukung Tool Retrieval, perlu migrasi antarmuka dan parsing struktur respons |
| Pihak integrasi MCP | Bisa mengatur defer_loading secara menyeluruh di lapisan mcp_server, tanpa mendeklarasikan tiap alat satu per satu |
| Penanggung jawab biaya | Tidak ada biaya fitur terpisah, tetapi setiap pencarian di sisi server memicu pemanggilan model berbayar tambahan, jadi perlu memantau total_tool_use_tokens |
| Proyek dengan pustaka alat kecil | Skenario belasan alat dan konteks panjang belum tentu hemat; pemuatan statis bisa lebih menghemat |
Fakta Objektif Gemini Tool Retrieval: Informasi Rilis dan Alur Integrasi
Status rilis Tool Retrieval Gemini dan model yang didukung
Pada 19 November 2026 (waktu Beijing dini hari 20 November), Google menerbitkan《Introducing Tool Retrieval in the Gemini API》di blog resminya, membuka preview Tool Retrieval di Interactions API. Penulisnya adalah Lucia Loher, product manager Gemini API, dan Nora Kassner, ilmuwan riset Google DeepMind. Saat ini fitur masih berstatus Preview, jadi antarmuka bisa saja berubah sebelum rilis resmi.
Pengumumannya cukup luas: “Gemini 3.6 dan model yang lebih baru, termasuk semua model Gemini 4”. Namun dokumentasi developer per 20 November 2026 baru mencantumkan 4 ID model secara eksplisit: gemini-4-hydrogen, gemini-4-argon, gemini-3.8-flash, gemini-3.6-flash. Saat melakukan integrasi, patokan sebaiknya adalah daftar di dokumentasi. Kalau defer_loading disetel pada model yang tidak didukung, responsnya langsung HTTP 400.
Persiapan sebelum mengakses Tool Retrieval Gemini: SDK dan v1beta
SDK Python resmi Google googleapis/python-genai merilis v3.6.0 pada 18 November 2026, menambahkan Schema publik terkait Tool Retrieval dan hasil fungsi. Perintah instalasinya sebagai berikut:
pip install -U "google-genai>=3.6.0"
export GEMINI_API_KEY="your-key" # jangan menulis kunci asli ke dalam kode
Ada satu jebakan soal nomor versi yang mudah terlewat. Sejak v3.0.0, klien Gemini Developer API di SDK secara default memakai v1, sedangkan Tool Retrieval mensyaratkan v1beta, jadi saat inisialisasi Anda harus menentukannya secara eksplisit:
from google import genai
client = genai.Client(
http_options={"api_version": "v1beta"}
)
SDK akan membaca kredensial dari variabel lingkungan GEMINI_API_KEY. Kalau memakai REST, endpoint yang sesuai adalah POST https://generativelanguage.googleapis.com/v1beta/interactions, dengan header autentikasi x-goog-api-key.
Langkah pertama: Mendefinisikan tool Gemini dengan tool_search dan defer_loading
Skenario demo hanya punya dua tool bisnis: get_inventory untuk mengecek stok produk, dan get_order_status untuk mengecek status pesanan. Keduanya diatur sebagai delayed loading. Pembagian tugas tiap field di dalam array tools adalah sebagai berikut:
{"type": "tool_search"}: mengaktifkan pencarian di sisi server, denganexecutiondefault bernilaiserver. Tanpa field ini lalu kita mengaturdefer_loading, akan muncul errordefer_loading requires tool_search.defer_loading: True:parameterslengkap tidak masuk ke konteks awal, model di awal hanya melihat nama dan deskripsi singkat.short_description: deskripsi singkat di daftar awal. Kalau tidak diisi, akan diambil kalimat pertama daridescription. Mengisinya pada fungsi yang tidak di-delay akan dianggap tidak valid.parameters: tetap wajib dikirim secara lengkap. Yang di-delay adalah waktu Schema masuk ke konteks model, sementara server tetap perlu menerima definisi lengkapnya.
Tool seperti apa yang cocok untuk di-delay? Saran Google adalah pakai campuran: tool yang sering dipakai tetap dimuat langsung, sedangkan tool langka dan spesifik (long tail) di-delay. Selain itu, tool yang disebut namanya secara langsung di instruksi sistem jangan diatur sebagai delayed. Kalau tidak, model bisa melewati pencarian dan memanggil langsung, sehingga konteks pemuatannya kurang dan terjadi error. Untuk tool dengan nama yang mirip, sebaiknya tambahkan namespace bisnis, misalnya billing_get_customer dan crm_get_customer untuk membedakannya, jangan keduanya dinamai get_customer.
Langkah Kedua: Mengirim Permintaan dan Mengamati Langkah Penelusuran Alat Gemini
Berikut adalah kode demo lengkap. Stok “12 unit” dan status pesanan demo_pending merupakan data simulasi lokal, bukan hasil kueri ke sistem nyata. Untuk menjalankan kode ini, Anda memerlukan Gemini API Key yang valid dan akses ke model.
import json
from google import genai
MODEL = "gemini-4-hydrogen"
client = genai.Client(
http_options={"api_version": "v1beta"}
)
tools = [
{"type": "tool_search"},
{
"type": "function",
"name": "get_inventory",
"description": "Retrieve the available inventory for a product SKU.",
"short_description": "Check product inventory by SKU.",
"defer_loading": True,
"parameters": {
"type": "object",
"properties": {"sku": {"type": "string"}},
"required": ["sku"]
}
},
{
"type": "function",
"name": "get_order_status",
"description": "Retrieve the status of a customer order.",
"short_description": "Check an order's current status.",
"defer_loading": True,
"parameters": {
"type": "object",
"properties": {"order_id": {"type": "string"}},
"required": ["order_id"]
}
}
]
def execute_demo_tool(name, arguments):
"""Fungsi bisnis simulasi lokal; tidak mengkueri inventaris atau pesanan sebenarnya."""
if name == "get_inventory":
return {"sku": arguments["sku"], "available": 12, "data_source": "local_demo"}
if name == "get_order_status":
return {"order_id": arguments["order_id"], "status": "demo_pending", "data_source": "local_demo"}
raise ValueError(f"Unknown tool: {name}")
# Permintaan pertama: model menemukan dan memilih alat yang dibutuhkan
interaction = client.interactions.create(
model=MODEL,
input="查询商品 SKU-42 的可用库存。",
tools=tools
)
print("执行步骤:")
for step in interaction.steps:
print(step.type, getattr(step, "name", ""))
interaction.steps yang dicetak biasanya muncul dalam urutan berikut. Urutan dan hasil penelusuran yang tepat ditentukan oleh model; dalam satu putaran pun bisa terjadi beberapa kali pencarian.
tool_search_call: model menemukan bahwa tidak ada alat yang sudah dimuat dan cocok, lalu memulai pencarian di sisi server.tool_search_result: API mengembalikan Skema parameter lengkapget_inventoryyang cocok.function_call: setelah membaca Skema, model menghasilkan pemanggilan sepertiget_inventory(sku="SKU-42").
Ketiga langkah ini terjadi dalam permintaan API eksternal yang sama, sehingga aplikasi tidak perlu menulis pencari terpisah atau mengirim permintaan penelusuran lagi. Dua langkah pertama hanya perlu diamati dan dicatat; jangan mengulangi pencarian secara lokal. Namun “permintaan yang sama” bukan berarti “hanya sekali inferensi”: setiap pencarian di sisi server akan memicu pemanggilan model tambahan, dan Token untuk bagian ini tetap dihitung seperti biasa. Ada satu hal lagi yang perlu diperhatikan saat melakukan debug: jangan hanya melihat interaction.status. Meskipun status bukan requires_action, steps bisa saja berisi function_call yang masih menunggu eksekusi.

Langkah Ketiga: Menjalankan fungsi dan mengembalikan function_result
Tool Retrieval hanya bertanggung jawab untuk menemukan alat dan memuat parameter. Fungsi bisnis yang sebenarnya tetap dijalankan oleh aplikasi, dan bagian ini mengikuti mekanisme Function Calling standar. Berikut lanjutan kode di atas:
# Hanya jalankan pemanggilan fungsi bisnis yang sebenarnya, jangan jalankan tool_search_call di sisi aplikasi
function_results = []
for step in interaction.steps:
if step.type != "function_call":
continue
result = execute_demo_tool(step.name, step.arguments)
function_results.append({
"type": "function_result",
"name": step.name,
"call_id": step.id,
"result": [{"type": "text", "text": json.dumps(result, ensure_ascii=False)}]
})
# Kirim hasil fungsi lokal kembali ke Gemini
if function_results:
followup = client.interactions.create(
model=MODEL,
previous_interaction_id=interaction.id,
tools=tools,
input=function_results
)
print("最终回答:", followup.output_text)
else:
print("当前回答:", interaction.output_text)
Ada tiga hal yang perlu diperhatikan dalam kode ini. Pertama, call_id harus diambil dari step.id milik function_call asli. Saat ada beberapa pemanggilan dalam satu putaran, model menggunakan ID ini untuk mencocokkan setiap hasil. Kedua, previous_interaction_id=interaction.id membuat server melanjutkan catatan interaksi yang telah disimpan, termasuk alat yang sudah diambil. Ketiga, putaran kedua tetap harus mengirimkan seluruh array tools. API akan menyimpan riwayat langkah, tetapi tidak menyimpan deklarasi alat; tool_search, semua alat yang ditunda dan tidak ditunda, serta konfigurasi MCP harus dikirim ulang setiap putaran.
Contoh ini hanya mendemonstrasikan satu siklus pemanggilan fungsi tertutup dan tidak mencakup scheduler Agent multi-putaran yang umum. Jika followup masih berisi function_call, lanjutkan pemrosesan dengan cara yang sama.
🎯 Saran teknis: Tool Retrieval sendiri bergantung pada API Interactions
v1betaresmi Google. Jika Anda ingin lebih dulu menjalankan fungsi bisnis dengan Function Calling standar dan membandingkan performa berbagai model dalam memilih alat serta mengisi parameter, Anda dapat menggunakan kunci API yang sama di APIYI apiyi.com untuk beralih antara model Gemini, Claude, GPT, dan lainnya sebagai pengujian baseline.
Ekstensi: MCP Jarak Jauh dan Pengambilan Sisi Klien Gemini
Server MCP jarak jauh dapat mengatur pemuatan tunda (lazy loading) di lapisan server, sehingga alat yang diekspos akan dimuat sesuai kebutuhan:
mcp_tools = [
{"type": "tool_search"},
{
"type": "mcp_server",
"name": "weather_service",
"url": "https://gemini-api-demos.uc.r.appspot.com/mcp",
"defer_loading": True
}
]
Berbeda dengan fungsi kustom, alat MCP jarak jauh dieksekusi atas nama oleh API, yang muncul di steps adalah mcp_server_tool_call dan mcp_server_tool_result, aplikasi tidak perlu mengembalikan hasil. Dokumentasi resmi saat ini belum memberikan “jumlah alat maksimum yang dapat ditunda”.
Jika perusahaan sudah memiliki registri alat sendiri, pencarian vektor, atau filter izin tingkat pengguna, dapat beralih ke pengambilan sisi klien: atur "execution": "client", dan sediakan name, description, dan parameters lengkap. Kali ini putaran pertama mengembalikan function_call biasa untuk search_tool_registry. Setelah aplikasi melakukan pencarian, kembalikan array objek deklarasi alat lengkap di function_result.result, jangan serialisasi menjadi string JSON. Mode klien tidak menggunakan defer_loading, dan permintaan yang sama tidak dapat mencampur kedua mode.

| Dimensi | Pengambilan Sisi Server | Pengambilan Sisi Klien (Gemini) | Tool Registry Mandiri (Solusi Umum) |
|---|---|---|---|
| Pelaksana pencarian | Gemini API | Aplikasi pengembang | Aplikasi pengembang |
| Konfigurasi kunci | tool_search + defer_loading |
tool_search + execution: client |
Function Calling biasa |
| Apakah perlu mendeklarasikan semua alat terlebih dahulu | Ya | Tidak | Tidak |
| Perjalanan jaringan ekstra | Tidak ada | +1 putaran setiap pencarian | +1 putaran setiap pencarian |
| Menambah alat secara dinamis | Tidak praktis | Didukung | Didukung |
| Skenario tipikal | Pustaka alat besar dan relatif tetap | Multi-tenant, registri privat | Penggunaan ulang lintas model, peralihan multi-vendor |
| Platform tersedia | Google resmi v1beta | Google resmi v1beta | APIYI apiyi.com dan antarmuka kompatibel OpenAI lainnya |
Kolom terakhir bukan Gemini Tool Retrieval, melainkan implementasi rekayasa dengan pendekatan serupa: pertama hanya mengekspos satu fungsi pencarian, setelah pencarian cocok, tambahkan Schema yang sesuai ke tools. Ini cocok untuk tim yang perlu beralih di antara beberapa model. Penulisan minimalnya sebagai berikut:
import os
from openai import OpenAI
client = OpenAI(
api_key=os.environ["APIYI_API_KEY"],
base_url="https://api.apiyi.com/v1" # Antarmuka kompatibel OpenAI APIYI
)
MODEL = "your-model-name" # Sesuai daftar model platform
search_tool = {"type": "function", "function": {
"name": "search_tool_registry",
"description": "Search internal business tools by keyword.",
"parameters": {"type": "object", "properties": {"query": {"type": "string"}}, "required": ["query"]}}}
Lihat pemanggilan dua tahap lengkap untuk Tool Registry mandiri
import json, os
from openai import OpenAI
client = OpenAI(
api_key=os.environ["APIYI_API_KEY"],
base_url="https://api.apiyi.com/v1"
)
MODEL = "your-model-name" # Sesuai dengan daftar model di platform
TOOL_REGISTRY = {
"get_inventory": {"type": "function", "function": {
"name": "get_inventory",
"description": "Retrieve the available inventory for a product SKU.",
"parameters": {"type": "object", "properties": {"sku": {"type": "string"}}, "required": ["sku"]}}},
"get_order_status": {"type": "function", "function": {
"name": "get_order_status",
"description": "Retrieve the status of a customer order.",
"parameters": {"type": "object", "properties": {"order_id": {"type": "string"}}, "required": ["order_id"]}}},
}
search_tool = {"type": "function", "function": {
"name": "search_tool_registry",
"description": "Search internal business tools (inventory, orders) by keyword.",
"parameters": {"type": "object", "properties": {"query": {"type": "string"}}, "required": ["query"]}}}
def search_registry(query):
q = query.lower()
return [name for name, t in TOOL_REGISTRY.items()
if any(w in t["function"]["description"].lower() for w in q.split())]
def execute_demo_tool(name, args):
if name == "get_inventory":
return {"sku": args["sku"], "available": 12, "data_source": "local_demo"}
if name == "get_order_status":
return {"order_id": args["order_id"], "status": "demo_pending", "data_source": "local_demo"}
raise ValueError(name)
messages = [{"role": "user", "content": "查询商品 SKU-42 的可用库存。"}]
tools = [search_tool]
for _ in range(4): # Batas atas loop sederhana untuk mencegah loop tak berujung
resp = client.chat.completions.create(model=MODEL, messages=messages, tools=tools)
msg = resp.choices[0].message
if not msg.tool_calls:
print("最终回答:", msg.content)
break
messages.append(msg)
for call in msg.tool_calls:
args = json.loads(call.function.arguments)
if call.function.name == "search_tool_registry":
names = search_registry(args["query"])
tools += [TOOL_REGISTRY[n] for n in names if TOOL_REGISTRY[n] not in tools]
content = json.dumps({"loaded_tools": names})
else:
content = json.dumps(execute_demo_tool(call.function.name, args), ensure_ascii=False)
messages.append({"role": "tool", "tool_call_id": call.id, "content": content})
💡 Saran pemilihan: Kualitas pencarian pada pendekatan registri bergantung pada fungsi pencarian Anda; pencocokan kata kunci dalam contoh hanya dipakai untuk demonstrasi. Dengan berganti model di APIYI apiyi.com dan menjalankan rangkaian tugas yang sama, bandingkan “apakah alat yang benar berhasil ditemukan” dan “apakah parameternya terisi dengan benar”, maka Anda bisa melihat model mana yang lebih cocok untuk pustaka alat Anda.
Penelusuran Kesalahan Umum pada Tool Retrieval Gemini
| Gejala | Penyebab | Penanganan |
|---|---|---|
defer_loading requires tool_search |
Fungsi yang ditunda sudah dideklarasikan, tetapi tidak ada tool_search di sisi server |
Tambahkan {"type": "tool_search"} ke tools |
short_description tidak valid |
Ditulis pada fungsi yang bukan fungsi tertunda | Gunakan hanya untuk fungsi dengan defer_loading=True |
| HTTP 400 unsupported model | Model tidak ada dalam daftar yang didukung | Ganti dengan 4 ID model yang tercantum di dokumentasi |
| Permintaan tidak berpengaruh atau muncul error versi | SDK secara default memakai v1, atau memanggil generateContent |
Setel secara eksplisit api_version="v1beta" dan beralih ke Interactions API |
| HTTP 400 pada putaran kedua | Saat store=False, langkah pencarian atau signature terlewat |
Putar ulang tool_search_call/result dan semua signature apa adanya |
| Model salah memakai tool lama, tool tidak tersedia | Permintaan berikutnya lupa mengirim tools |
Kirim ulang array tools lengkap setiap putaran |
| Parameter kosong setelah pencarian | Fungsi tertunda hanya mengirim nama dan deskripsi singkat | Fungsi tertunda juga harus mengirim parameters lengkap |
| Konfigurasi pencarian di sisi klien gagal | Field seperti name, description tidak ada |
Lengkapi definisi fungsi pencarian di sisi klien |
Mode tanpa status (store=False) perlu penjelasan tersendiri. Dalam kondisi ini, Anda tidak bisa mengandalkan previous_interaction_id; aplikasi harus menyimpan sendiri lalu memutar ulang input pengguna, tool_search_call, tool_search_result, function_call, function_result, serta semua signature apa adanya. Jika salah satu langkah dihapus atau diubah, server mungkin tidak bisa merekonstruksi konteks pencarian. Selain itu, ketika server tidak menemukan tool yang cocok, ia bisa langsung mengembalikan teks biasa, bukan error terstruktur. Jadi “permintaan tidak error” bukan berarti “pencarian berhasil” — saat verifikasi, periksa satu per satu apakah langkah pencarian dan pemanggilan fungsi yang diharapkan benar-benar muncul di dalam steps.
Analisis dan Penilaian Gemini Tool Retrieval: Kapan Layak Diintegrasikan
Penilaian pertama: manfaatnya bergantung pada skala pustaka tool dan panjang konteks; mengaktifkannya tidak otomatis menghemat biaya. Dokumentasi Google memberikan dua contoh perhitungan hipotetis yang arahnya berlawanan, dan secara eksplisit menyatakan bahwa keduanya bukan benchmark produksi. Skenario pertama: 200 tool, masing-masing 400 Tokens, konteks dasar 2,000 Tokens, 2 permintaan; pemuatan statis sekitar 164,000 Tokens, Tool Retrieval sekitar 23,650 Tokens—berdasarkan perhitungan ini, penurunannya sekitar 85.6%. Skenario kedua: 10 tool dengan konteks dasar 30,000 Tokens; pemuatan statis 68,000 Tokens, sedangkan Tool Retrieval justru mencapai 92,830 Tokens, meningkat sekitar 36.5%. Penyebabnya, penalaran pencarian tambahan harus memproses ulang seluruh konteks panjang. Saran teknis Google: bila jumlah tool stabil kurang dari sekitar 20, pemuatan statis biasanya sudah cukup.

Penilaian kedua: untuk mengevaluasi biaya, lihat total_tool_use_tokens, bukan hanya input putaran pertama. Dalam pengujian awal resmi, ringkasan singkat setiap tool yang dimuat belakangan rata-rata memakan sekitar 26 Tokens; untuk 100 tool sekitar 2,600 Tokens. Ini angka perkiraan. Yang benar-benar perlu diperhatikan adalah panggilan model tambahan yang dipicu oleh pencarian, serta akumulasi skema yang sudah dimuat selama sesi. Dokumentasi saat ini tidak menyediakan mekanisme untuk mengeluarkan dari konteks tool yang sudah dimuat melalui retrieval; dalam sesi panjang, semakin banyak tool yang diambil melalui retrieval, semakin besar konteksnya. Cache juga tidak selalu memberi manfaat tanpa syarat: setelah petunjuk awal menjadi lebih pendek, panjangnya bisa berada di bawah ambang minimum cache implisit.
Penilaian ketiga: pemuatan tool sesuai kebutuhan sudah menjadi konsensus industri, tetapi data masing-masing vendor tidak bisa diterapkan begitu saja lintas vendor. Anthropic meluncurkan Tool Search Tool pada November 2025, dan OpenAI meluncurkan Tool Search bersama GPT-5.4 pada Maret 2026; keduanya pernah merilis data penghematan hasil pengukuran nyata dalam kondisi masing-masing. Google kali ini hanya memberikan contoh perhitungan hipotetis. Hingga 20 November 2026, belum ada hasil pengujian produksi independen Gemini Tool Retrieval yang dapat diverifikasi. Jadi, klaim seperti “Gemini terukur menghemat 85%” untuk saat ini belum bisa dipertanggungjawabkan.
Saran untuk pengembang: kelompokkan tool Agent yang ada berdasarkan frekuensi pemanggilan—tool yang sering dipakai dimuat langsung, tool yang jarang dipakai (long-tail) dimuat belakangan. Lalu, gunakan kumpulan tugas yang sama untuk membandingkan pemuatan statis dan Tool Retrieval pada total Token, waktu proses end-to-end, proporsi pemilihan tool yang tepat, dan akurasi parameter. Fitur ini masih dalam tahap pratinjau dan tanggal rilis resminya belum ditentukan; di lingkungan produksi, sebaiknya tetap sediakan opsi untuk kembali ke pemuatan statis. Pada tahap pemilihan model, Anda bisa lebih dulu menggunakan antarmuka terpadu APIYI apiyi.com untuk menjalankan baseline Function Calling standar dengan biaya rendah, lalu bermigrasi ke v1beta resmi untuk memverifikasi manfaat bersih Tool Retrieval.
Semakin banyak tool, semakin penting untuk memikirkan lebih dulu kapan setiap tool perlu digunakan. Seperti yang dikatakan dalam Kitab Lunyu, bab Wei Ling Gong: “Untuk mengerjakan pekerjaan dengan baik, seseorang harus lebih dulu mengasah alatnya.”
📚 Referensi
-
Introducing Tool Retrieval in the Gemini API: Pengumuman resmi Google
- Tautan:
blog.google/innovation-and-ai/technology/developers-tools/gemini-api-tool-retrieval - Keterangan: tanggal rilis, tujuan desain, MCP, dan dua mode retrieval
- Tautan:
-
Dokumentasi resmi Tool Retrieval: konfigurasi, batasan, penagihan, dan contoh perhitungan
- Tautan:
aistudio.google.com/docs/tool-retrieval - Keterangan: dasar utama untuk kode dalam artikel ini, aturan error, replay stateless, dan contoh perhitungan Token
- Tautan:
-
Dokumentasi resmi Function Calling: eksekusi fungsi dan pengembalian hasil
- Tautan:
aistudio.google.com/docs/function-calling - Keterangan: penggunaan standar
function_resultdancall_id
- Tautan:
-
Dokumentasi resmi Interactions API: struktur antarmuka dan langkah eksekusi
- Tautan:
aistudio.google.com/docs/interactions-overview - Keterangan: perbedaan antara percakapan stateful, steps, dan generateContent
- Tautan:
-
Rilis python-genai v3.6.0 / v3.0.0: catatan versi SDK
- Tautan:
github.com/googleapis/python-genai/releases - Keterangan: dukungan Skema Tool Retrieval dan perubahan versi API default
- Tautan:
Penulis: Tim Teknis APIYI
Diskusi teknis: Pengujian perbandingan Function Calling multi-model dapat dilakukan melalui APIYI apiyi.com; materi integrasi selengkapnya tersedia di pusat dokumentasi docs.apiyi.com
