Verktøy er når modellen får hender

Det modellen sender til appen, er tekst. At den likevel kan sjekke været, lese en fil eller regne riktig, skyldes at noen har gitt den verktøy å be om.

Hvem gjør hva

Når modellen trenger noe den ikke har, skriver den en strukturert forespørsel: navnet på verktøyet og opplysningene det trenger. Appen leser forespørselen, kjører verktøyet og gir resultatet tilbake som tekst. Modellen leser det og skriver svaret.

Modellen kjører ingenting selv. Det er viktigere enn det høres ut, for det betyr at noen bestemmer hvilke verktøy som finnes og hva de får lov til.

Hvorfor det endrer alt

Uten verktøy gjetter modellen fra det den har lært. Med verktøy kan den slå opp, regne og handle. Søk gir den ferske opplysninger. En kalkulator gir den riktig regning, også på store tall der den ellers kan gjøre feil. Tilgang til filer, kalender eller et regnskapssystem gir den dine egne data. Verktøy er det som gjør en agent mulig. Det som gjør den til en agent, er løkka: at modellen selv velger neste steg.

Hvem bestemmer

Hvilke verktøy som er tilgjengelige, og hva de får gjøre, bestemmes av appen og av deg. Mange verktøy ber om godkjenning hver gang. Regelen «lese er trygt, skrive er farlig» er ikke hele sannheten, for å lese kan også være veien inn for angrep. Bedre er tre nivåer:

Det som kan gå galt

Modellen kan velge feil verktøy, fylle inn feil opplysninger eller misforstå resultatet. Det siste er verst når resultatet kommer fra et sted du ikke kontrollerer. Alt et verktøy gir tilbake, er tekst modellen leser, og står det en instruks i teksten, kan modellen følge den. Det kalles prompt injection. Derfor bør verktøy som leser fra åpne nettsider eller innkommende e-post behandles med mer varsomhet enn de som leser fra egne systemer. Ingen har en fullstendig løsning på dette i dag, og OWASP har det øverst på listen over risikoer for språkmodell-applikasjoner.

Skal flere apper kunne bruke de samme verktøyene, trenger de en felles standard. Den heter MCP.

# pip install anthropic     (leser nøkkelen fra miljøvariabelen ANTHROPIC_API_KEY)
import anthropic

client = anthropic.Anthropic()
MODELL = "claude-opus-5-5"   # sjekket 8. oktober 2026. Til et værkall holder en billigere modell, se under.


def vaer(by: str) -> str:
    # Falsk funksjon. Bytt ut med et ekte oppslag mot en værtjeneste.
    return {"Ålesund": "7 °C, regn"}.get(by, f"Ukjent sted: {by}")


FUNKSJONER = {"vaer": vaer}

VERKTOY = [{
    "name": "vaer",   # uten æ: verktøynavn kan bare ha a-z, A-Z, tall, understrek og bindestrek
    "description": "Gir værmeldingen for i morgen i en norsk by. Bruk den når brukeren spør om vær.",
    "input_schema": {
        "type": "object",
        "properties": {"by": {"type": "string", "description": "Navnet på byen, for eksempel Ålesund"}},
        "required": ["by"],
    },
}]

meldinger = [{"role": "user", "content": "Hva blir været i Ålesund i morgen?"}]

while True:
    svar = client.messages.create(
        model=MODELL, max_tokens=16000, tools=VERKTOY, messages=meldinger,   # tenkingen teller med i max_tokens
    )
    if svar.stop_reason != "tool_use":
        break
    meldinger.append({"role": "assistant", "content": svar.content})   # hele svaret, ikke bare teksten
    resultater = []
    for blokk in svar.content:
        if blokk.type == "tool_use":                  # modellen ber om et verktøy
            ut = FUNKSJONER[blokk.name](**blokk.input)   # det er VI som kjører det
            resultater.append({"type": "tool_result", "tool_use_id": blokk.id, "content": ut})
    meldinger.append({"role": "user", "content": resultater})

print("".join(b.text for b in svar.content if b.type == "text"))   # tom hvis modellen stoppet uten tekst

Oppdatert oktober 2026. Leverandørene kaller det ulike ting, som tool use, function calling og verktøykall, men prinsippet er det samme. Om faren for at tekst i et verktøyresultat inneholder instruksjoner, se OWASP, «LLM01:2025 Prompt Injection».