معرفی قابلیت بازیابی ابزار در API جمینای
هوش مصنوعی جهان مدل‌ها و چیپ‌ها

معرفی قابلیت بازیابی ابزار در API جمینای

۲۹ آبان ۱۴۰۵ ⏱ ۴ دقیقه مطالعه 👁 ۰ بازدید ✍️ تحریریه رشدینو
✈️ اشتراک در تلگرام 💬 واتساپ 𝕏 توییتر
📌 نکات کلیدی و خلاصه خبر پاسخ سریع در یک نگاه

گوگل قابلیت Tool Retrieval را در Interactions API به‌صورت پیش‌نمایش عرضه کرد؛ عاملی که ده‌ها یا صدها ابزار دارد، دیگر لازم نیست شِمای کامل پارامترهای همه آن‌ها را در هر درخواست بفرستد. این کار توکن ورودی و تأخیر را کم می‌کند و دقت انتخاب ابزار را در کتابخانه‌های بزرگ بالا می‌برد.

✨ تحلیل رشدینو نگاه اختصاصی تیم رشدینو

این تغییر کوچک در سطح API، سقف طراحی عامل را جابه‌جا می‌کند: تا دیروز تعداد ابزارها را اندازه پنجره بافت تعیین می‌کرد، حالا کتابخانه ابزار می‌تواند مستقل از بافت رشد کند — همان چرخشی که RAG در لایه اسناد ایجاد کرد.

گوگل قابلیت تازه‌ای به نام «بازیابی ابزار» (Tool Retrieval) را در API جمینای معرفی کرده است تا عامل‌های هوش مصنوعی بتوانند کتابخانه‌های بزرگ ابزار را به‌شکل کارآمدتری مدیریت کنند. این قابلیت حالا به‌صورت پیش‌نمایش در «Interactions API» در دسترس است.

مسئله از اینجا شروع می‌شود: وقتی یک عامل به ده‌ها یا حتی صدها ابزار وصل می‌شود، فرستادن شِمای کامل پارامترهای همه آن‌ها در هر درخواست، خیلی سریع هزینه‌بر می‌شود. این کار تعداد توکن‌های ورودی را باد می‌کند، تأخیر را بالا می‌برد و با بزرگ‌شدن فهرست گزینه‌ها، دقت انتخاب ابزار را پایین می‌آورد.

بازیابی ابزار به عامل اجازه می‌دهد کل کتابخانه ابزارهایش را «در حالت آماده‌به‌کار» نگه دارد و شِمای پارامترها را فقط زمانی بارگذاری کند که وظیفه فعلی به آن‌ها نیاز دارد. به این ترتیب در هر درخواست، تنها بخشی از تعریف ابزارها وارد بافت مدل می‌شود که واقعاً لازم است.

این قابلیت چطور کار می‌کند

برای روشن‌کردن بازیابی ابزار، کافی است یک ابزار «tool_search» به درخواست اضافه کنید و روی ابزارهایی که می‌خواهید کنار گذاشته شوند، پرچم «defer_loading: true» را فعال کنید. مدل همچنان نام و توضیح همه ابزارهای به‌تعویق‌افتاده را می‌بیند، پس می‌داند چه چیزی در دسترس دارد، اما شِمای پارامترها بیرون از بافت می‌ماند.

وقتی مدل به ابزاری نیاز پیدا می‌کند، آن را با نام درخواست می‌کند، API شِمای کامل را بارگذاری می‌کند و مدل تابع را فراخوانی می‌کند؛ هر سه مرحله درون همان یک درخواست. در نمونه‌ای که گوگل منتشر کرده، کاربر می‌نویسد سفارش «A-1042» آسیب‌دیده به دستش رسیده و می‌خواهد ۴۰ دلار بازپرداخت شود. در همان فراخوانی API، مدل ابزار «issue_refund» را جست‌وجو می‌کند، API شِمای آن را بارگذاری می‌کند و مدل فراخوانی تابع را با شناسه سفارش و مبلغ صادر می‌کند.

هر سه مرحله در فیلد «steps» پاسخ دیده می‌شوند: یک «tool_search_call» با نام تابع درخواستی، یک «tool_search_result» که شِمای برگشتی را نشان می‌دهد، و در نهایت یک «function_call» با آرگومان‌های واقعی. این ساختار برای اشکال‌زدایی هم مفید است، چون دقیقاً می‌بینید مدل کدام ابزارها را در نظر گرفته و چرا.

از این نقطه به بعد، همه‌چیز همان فراخوانی تابع معمولی است: کد شما بازپرداخت را اجرا می‌کند و نتیجه تابع را برمی‌گرداند.

هیچ ایندکسی برای ساخت یا میزبانی وجود ندارد. جمینای جست‌وجو را روی سرور خودش اجرا می‌کند، بنابراین تنها تغییر در کد شما افزودن ابزار تازه و یک پرچم روی ابزارهایی است که می‌خواهید به تعویق بیفتند. می‌توانید پرکاربردترین ابزارها را از ابتدا بارگذاری‌شده نگه دارید و «دُم بلند» کتابخانه را به تعویق بیندازید.

بازیابی ابزار با «کش کردن پیشوند» (prefix caching) هم سازگار است. شِمای ابزارهای به‌تعویق‌افتاده بیرون از ابتدای پرامپت می‌ماند و شِماهایی که مدل بارگذاری می‌کند بعدتر در گفت‌وگو اضافه می‌شوند، پس پیشوند کش‌شده از یک نوبت به نوبت بعد ثابت می‌ماند؛ نکته‌ای که در عمل به معنای صرفه‌جویی بیشتر در هزینه و تأخیر است.

این قابلیت با سرورهای MCP راه دور در API جمینای هم کار می‌کند. با فعال‌کردن defer_loading روی یک ابزار mcp_server، همه ابزارهایی که آن سرور ارائه می‌دهد بر اساس نیاز بارگذاری می‌شوند؛ یعنی می‌توانید یک سرور بزرگ را بدون فهرست‌کردن تک‌تک ابزارهایش وصل کنید.

بازیابی سمت کلاینت چطور کار می‌کند

اگر خودتان رجیستری ابزار، ایندکس embedding یا فیلتر دسترسی مبتنی بر کاربر دارید، می‌توانید tool_search را با «execution: client» تعریف کنید و پارامترهای جست‌وجوی خودتان را بگذارید. بازیابی سمت کلاینت به ازای هر جست‌وجو یک رفت‌وبرگشت اضافه دارد، چون اپلیکیشن شما جست‌وجو را اجرا می‌کند. در عوض، ابزارها لازم نیست از ابتدا اعلام شوند؛ پس می‌توانید ابزارهای تازه را وسط گفت‌وگو هم در دسترس بگذارید، مثلاً وقتی کاربر یک اتصال جدید برقرار می‌کند.

در این حالت، مدل یک function_call برای ابزار جست‌وجوی شما صادر می‌کند و شما در نتیجه تابع، شِماهای منطبق را با ساختار «type: function» برمی‌گردانید. ادامه گفت‌وگو با شناسه تعامل قبلی (previous_interaction_id) پیگیری می‌شود تا زمینه گفت‌وگو حفظ شود.

قیمت‌گذاری و مدل‌های پشتیبانی‌شده

بازیابی ابزار هزینه جداگانه‌ای ندارد. توکن‌های ورودی و خروجی با نرخ استاندارد همان مدلی که فراخوانی می‌کنید محاسبه می‌شوند. فعال‌کردن tool_search یک بلوک کوچک و ثابت از توکن‌های ورودی اضافه می‌کند و هر شِمایی که مدل بارگذاری می‌کند، برای بقیه گفت‌وگو به‌عنوان ورودی حساب می‌شود؛ دقیقاً مثل ابزاری که از ابتدا اعلام شده بود. صرفه‌جویی زمانی به دست می‌آید که شِماهای بارگذاری‌نشده بیشتر از شِماهای بارگذاری‌شده باشند — که در کتابخانه‌های بزرگ معمولاً همین‌طور است. گوگل توصیه می‌کند این صرفه‌جویی را روی ترافیک واقعی خودتان اندازه بگیرید.

بازیابی ابزار با مدل‌های Gemini 3.6 و بالاتر، از جمله همه مدل‌های Gemini 4، در Interactions API کار می‌کند. برای شروع، مستندات کامل همراه با مثال‌ها، مقایسه مدل‌های جمینای و امکان بازخورد در دیسکورد گوگل در دسترس است.

از منظر معماری، این تغییر کوچک در سطح API پیامد بزرگی برای طراحی عامل‌ها دارد: تا دیروز، محدودیت اصلی در ساخت عامل، اندازه پنجره بافت و هزینه ارسال تعریف ابزارها بود و به همین دلیل معماران مجبور بودند تعداد ابزارها را محدود نگه دارند. حالا کتابخانه ابزار می‌تواند جدا از بافت رشد کند و انتخاب ابزار به یک مرحله جست‌وجوی درون‌مدلی تبدیل می‌شود. این همان الگوی «بازیابی به‌جای بارگذاری همه‌چیز» است که پیش‌تر در RAG برای اسناد جا افتاد و حالا به لایه ابزارها رسیده است.

منبع: Google Blog ←

❓ پرسش‌های متداول درباره این خبر

موضوع اصلی گزارش «معرفی قابلیت بازیابی ابزار در API جمینای» چیست؟

گوگل قابلیت Tool Retrieval را در Interactions API به‌صورت پیش‌نمایش عرضه کرد؛ عاملی که ده‌ها یا صدها ابزار دارد، دیگر لازم نیست شِمای کامل پارامترهای همه آن‌ها را در هر درخواست بفرستد. این کار توکن ورودی و تأخیر را کم می‌کند و دقت انتخاب ابزار را در کتابخانه‌های بزرگ بالا می‌برد.

این رویداد چه اهمیتی برای فعالان کسب‌وکار و فناوری دارد؟

های هوش مصنوعی بتوانند کتابخانه‌های بزرگ ابزار را به‌شکل کارآمدتری مدیریت کنند. این قابلیت حالا به‌صورت پیش‌نمایش در «Interactions API» در دسترس است. مسئله از اینجا شروع می‌شود: وقتی یک عامل به ده‌ها یا حتی صدها ابزار و

# مدل‌ها و چیپ‌ها
🔗 اخبار مرتبط

بخوانید