Clip 3: Tool 이해하기
학습 목표
Tool을 공부하면서 딱 두 가지 의문을 해소합니다:
날씨 조회, 일 더하기 일 같은 예시 툴들이 왜 그렇게 동작하는지 이해
간단한 코드 형식만 입력했을 뿐인데, 어떻게 그걸 호출하는지 이해
Tool이 동작하는 원리
첫 번째 의문: 왜 그렇게 동작하는가?
Tool의 본질은 LLM이 직접 못 하는 작업(날씨 조회, 계산, 파일 읽기)을 외부 시스템에게 요청하는 메커니즘입니다.
LLM은 텍스트만 생성할 수 있기 때문에:
"현재 서울 날씨는?"이라는 질문에 답변을 만들어낼 수만 있음 (실제 날씨 모름)
"1 + 1 = ?"도 학습된 패턴으로 답변 (실제 계산 안 함)
Tool은 이런 한계를 극복합니다:
LLM이 하는 일: "이 질문은 get_weather 툴을 써야겠네!" (판단만) 시스템이 하는 일: 실제로 날씨 API 호출하고 결과 가져오기
두 번째 의문: 간단한 코드 형식만 입력했는데 어떻게 호출되는가?
핵심 비밀: Tool은 선언(어떤 툴인지 설명)과 실행(실제 코드)이 분리되어 있습니다.
1단계: Tool 선언 (LLM에게 알려주기)
# "이런 툴이 있어!"라고 LLM에게 알려주는 것
tool_definition = {
"name": "get_weather",
"description": "특정 도시의 현재 날씨를 조회합니다",
"parameters": {
"location": "string", # 도시 이름
"unit": "celsius or fahrenheit" # 온도 단위
}
}이건 실제 코드가 아니라 설명서입니다. "이런 툴을 쓸 수 있어"라고 LLM에게 알려주는 것뿐입니다.
2단계: LLM이 판단
사용자가 "서울 날씨 알려줘"라고 물으면:
LLM이 tool_definition 목록을 보고 판단: "아, get_weather 써야겠네!"
LLM이 출력:
{"tool": "get_weather", "arguments": {"location": "Seoul", "unit": "celsius"}}
LLM은 코드를 실행하지 않습니다. 단지 "이 툴을 이런 파라미터로 호출해줘"라고 요청만 합니다.
3단계: 시스템이 실제 코드 실행
# 이게 실제 실행되는 코드
def get_weather(location, unit):
# 실제 날씨 API 호출
response = requests.get(f"https://api.weather.com/{location}")
return response.json()
# 시스템이 LLM의 요청을 받고 실행
result = get_weather("Seoul", "celsius") # {"temp": 15, "condition": "맑음"}4단계: 결과를 LLM에게 돌려주기
# 시스템이 LLM에게 결과 전달
# LLM이 이제 이 정보로 답변 생성
# "서울은 현재 맑고 15도입니다"실전 예제: OpenAI Function Calling
위의 원리를 실제 코드로 보겠습니다.
from openai import OpenAI
client = OpenAI()
# 1단계: Tool 선언 (LLM에게 알려주기)
tools = [
{
"type": "function",
"function": {
"name": "get_weather",
"description": "특정 도시의 날씨를 조회합니다",
"parameters": {
"type": "object",
"properties": {
"location": {"type": "string", "description": "도시 이름"},
},
"required": ["location"]
}
}
}
]
# 2단계: LLM에게 질문 + 사용 가능한 툴 목록 전달
response = client.chat.completions.create(
model="gpt-5",
messages=[{"role": "user", "content": "서울 날씨 알려줘"}],
tools=tools
)
# LLM의 응답 확인
message = response.choices[0].message
# 3단계: LLM이 툴 호출을 요청했는지 확인
if message.tool_calls:
tool_call = message.tool_calls[0]
print(f"LLM이 요청한 툴: {tool_call.function.name}")
print(f"LLM이 요청한 파라미터: {tool_call.function.arguments}")
# 출력: get_weather, {"location": "Seoul"}
# 4단계: 실제 함수 실행 (개발자가 직접 구현)
def get_weather(location):
# 실제 API 호출 등
return {"temp": 15, "condition": "맑음"}
result = get_weather("Seoul")
# 5단계: 결과를 LLM에게 전달하고 최종 답변 받기
final_response = client.chat.completions.create(
model="gpt-5",
messages=[
{"role": "user", "content": "서울 날씨 알려줘"},
message, # LLM의 툴 호출 요청
{
"role": "tool",
"tool_call_id": tool_call.id,
"content": str(result)
}
],
tools=tools
)
print(final_response.choices[0].message.content)
# 출력: "서울은 현재 맑고 15도입니다"MCP Tool: 같은 원리, 다른 구조
MCP Tool도 원리는 동일하지만, Tool을 별도 서버에서 관리한다는 차이가 있습니다.
OpenAI vs MCP 차이점
# OpenAI 방식: 클라이언트가 툴 정의 + 실행
tools = [{"name": "get_weather", ...}] # 매번 정의
response = openai.chat.completions.create(tools=tools)
result = get_weather(...) # 클라이언트가 실행
# MCP 방식: 서버가 툴 정의 + 실행
# 1. MCP 서버에 툴이 미리 등록되어 있음
# 2. 클라이언트는 서버에 "어떤 툴 있어?"라고 물어봄
# 3. LLM이 툴 호출 요청하면, 서버에 "실행해줘" 요청MCP Tool 간단 예제
# MCP 서버 코드
from mcp.server import Server
server = Server("weather-server")
# 1. 툴 목록 제공 (클라이언트가 "어떤 툴 있어?" 물으면)
@server.list_tools()
async def list_tools():
return [
{
"name": "get_weather",
"description": "도시의 날씨를 조회합니다",
"inputSchema": {
"type": "object",
"properties": {
"location": {"type": "string"}
},
"required": ["location"]
}
}
]
# 2. 툴 실행 (클라이언트가 "실행해줘" 요청하면)
@server.call_tool()
async def call_tool(name, arguments):
if name == "get_weather":
location = arguments["location"]
# 실제 날씨 API 호출
return {"temp": 15, "condition": "맑음"}핵심 차이: OpenAI는 클라이언트가 툴을 실행하지만, MCP는 서버가 실행합니다.
전체 흐름 다이어그램
핵심 요약
두 가지 의문 해소
1. 왜 그렇게 동작하는가?
LLM은 텍스트 생성만 가능 → 실제 행동(날씨 조회, 계산)은 못 함
Tool은 LLM의 "요청"을 시스템의 "실행"으로 연결하는 다리
LLM: 판단만 / 시스템: 실행
2. 어떻게 호출되는가?
Tool 정의 = 설명서 (실제 코드 아님)
LLM이 설명서 보고 "이 툴 써야겠다" 판단
시스템이 실제 코드 실행하고 결과 전달
선언(정의)과 실행(코드)이 분리됨
OpenAI vs MCP 차이
툴 정의 위치
클라이언트
서버
툴 실행 위치
클라이언트
서버
재사용성
매번 정의
서버에 등록
참고 자료
강사 정보
작성자: 정구봉
LinkedIn: https://www.linkedin.com/in/gb-jeong/
이메일: bong@dio.so
강의 자료
강의 자료: https://goobong.gitbook.io/fastcampus
Github: https://github.com/Koomook/fastcampus-ai-agent-vibecoding
FastCampus 강의 주소: https://fastcampus.co.kr/biz_online_vibeagent
Last updated