--- title: "Function calling: cómo hacer que un LLM actúe, no solo responda" description: "Function calling (tool use) es lo que transforma un modelo de lenguaje de charlatán en un agente que ejecuta. Cómo funciona, cómo diseñar buenas herramientas y los errores que rompen en producción." slug: function-calling-llm-que-age lang: es date: 2026-07-22 updated: 2026-07-22 author: Lucas Silva category: deep-dive tags: [Function Calling, Tool Use, LLM, Agentes de IA, Ingeniería de IA] reading_time: 9 featured: false faq: - q: "¿Qué es function calling?" a: "Function calling (o tool use) es la capacidad de un modelo de lenguaje de decidir llamar funciones/APIs externas durante una conversación. En lugar de solo generar texto, el LLM devuelve una petición estructurada ('llama a buscar_pedido con id=123'), tu código la ejecuta y devuelve el resultado, y el modelo continúa la conversación con ese dato real. Es lo que transforma un chatbot en un agente que actúa." - q: "¿Cuál es la diferencia entre function calling y un agente de IA?" a: "Function calling es el mecanismo; el agente es el sistema. El agente usa function calling como su 'mano' para actuar en el mundo — consultar sistemas, crear registros, procesar pagos — combinado con memoria, contexto y lógica de negocio. Sin tools, un agente solo conversa." - q: "¿El LLM ejecuta la función por sí solo?" a: "No. El modelo solo decide y propone qué función llamar y con qué argumentos. Quien ejecuta es tu código, que valida los argumentos, corre la operación y devuelve el resultado al modelo. Esa separación es crucial: el LLM puede alucinar, pero la capa de ejecución valida y controla." --- Un modelo de lenguaje, por sí solo, solo sabe hacer una cosa: generar texto. Es un conversador brillante y un ejecutor nulo. Pregúntale cuál es tu saldo bancario y, sin ayuda, va a inventar un número convincente — porque generar texto plausible es literalmente todo lo que hace. **Function calling es el puente entre ese conversador y el mundo real.** Es el mecanismo que transforma "IA que habla" en "IA que hace". Si quieres construir agentes que resuelven — y no chatbots que empujan al cliente hacia el portal — necesitas entender esto a fondo. ## Qué es, de verdad Function calling (también llamado *tool use*) es la capacidad del modelo de, en medio de una conversación, decidir que necesita una herramienta externa y pedir usarla. El flujo es este: 1. Le dices al modelo qué **herramientas** existen (nombre, descripción, parámetros). 2. En la conversación, el modelo se da cuenta de que necesita una de ellas y, en lugar de responder texto, devuelve una **llamada estructurada**: `buscar_pedido(id: "123")`. 3. **Tu código ejecuta** esa función de verdad — consulta la base de datos, llama la API — y devuelve el resultado al modelo. 4. El modelo usa ese dato real para continuar la conversación: "Tu pedido 123 salió para entrega hoy." El punto que mucha gente falla: **el LLM no ejecuta nada.** Solo decide *qué* llamar y *con qué argumentos*. Quien ejecuta — y valida — eres tú. Esa separación es la columna vertebral de un agente seguro. ## Por qué esto lo cambia todo Sin tools, el techo de un LLM es dar información genérica y, en el peor de los casos, alucinar. Con tools, pasa a operar sobre la **realidad de tu negocio**: los datos reales del cliente, el stock real, el pago real. La conversación deja de ser sobre el problema y pasa a resolver el problema. Es exactamente esa la diferencia que separa [un agente de IA de un chatbot](https://www.lucassilva.io/blog/agente-de-ia-vs-chatbot). El chatbot dice "para el duplicado, entra al portal". El agente llama `gerar_segunda_via(cliente_id)`, recibe la factura y manda el PIX en la conversación. Misma pregunta, categorías de software completamente diferentes — y la diferencia es function calling bien hecho. ## Cómo diseñar buenas herramientas La calidad de tu agente depende más del diseño de las herramientas que del modelo. Principios que sigo: **Descripciones que el modelo entiende.** La `description` de cada herramienta es un prompt. "Busca información" es malo; "Busca el estado de entrega de un pedido por el número del pedido" es bueno. El modelo elige la herramienta leyendo esto — sé específico. **Parámetros tipados y mínimos.** Pide exactamente lo que la función necesita, con tipos claros. Menos parámetros, menos chance de que el modelo se equivoque al completarlos. Enums cuando los valores son fijos. **Herramientas atómicas, no navajas suizas.** Una herramienta que hace cinco cosas dependiendo de un parámetro `accion` confunde al modelo. Prefiere `abrir_chamado`, `consultar_chamado`, `fechar_chamado` separados. Cada una hace una cosa bien. **Retornos que el modelo pueda usar.** Devuelve datos estructurados y concisos. Un JSON gigante gasta contexto y confunde. Devuelve lo esencial para la próxima decisión. ## Los errores que rompen en producción Vi (y cometí) todos estos: - **Confiar en los argumentos del modelo sin validar.** El LLM puede alucinar un `cliente_id` que no existe, o un valor negativo. **Tu capa de ejecución valida todo** antes de actuar. Regla innegociable. - **Herramientas irreversibles sin confirmación.** `transferir_dinheiro` no puede llamarse solo porque el modelo pensó que era buena idea. Las acciones que cambian el mundo de forma irreversible exigen confirmación explícita del usuario y log. - **Loop infinito de tools.** El modelo llama, el resultado lo hace llamar de nuevo, y entra en ciclo. Pon un límite de llamadas por turno y observabilidad para detectarlo. - **Sin log de las llamadas.** Si no registras qué herramienta fue llamada, con qué argumentos y con qué resultado, no depuras nada cuando algo salga mal. Y va a salir mal. ## La regla de oro Lo resumo así: **el LLM es el cerebro que decide; la capa de herramientas es el cuerpo que actúa con responsabilidad.** El cerebro puede divagar, dudar, hasta alucinar. El cuerpo — tu código — no puede. Valida cada intención, confirma lo que es peligroso, ejecuta lo que es seguro, y registra todo. Function calling es lo que hace que la IA salga de la pantalla y toque el negocio. Pero es también donde vive el riesgo. Hacer bien esta capa es la diferencia entre un agente en el que confías en producción y uno que no deberías haber encendido. --- *Construyo agentes de IA que actúan de verdad — con function calling seguro, integrado a los sistemas del negocio. Si quieres salir del chatbot y tener IA que ejecuta, [conversemos](https://www.lucassilva.io).*