sayzardMulight 沐光 (@0xMulight)
Gemini의 tool-calling 기능을 2,600만 파라미터의 소형 모델로 증류한 Needle이 공개됐다. GPU 없이 로컬에서 매우 낮은 지연으로 동작하며, 엣지 디바이스나 브라우저에서 함수 호출 기능을 구현하는 데 적합하다.
Github Awesome (@GithubAwesome)
Cactus Compute의 Needle은 2,600만 파라미터 규모의 소형 언어모델로, 마이크로컨트롤러나 Raspberry Pi Zero 같은 초소형 임베디드 기기에서도 동작할 수 있도록 설계됐다. 저사양 하드웨어에서 함수 호출을 지원하는 점이 주목된다.
Github Awesome (@GithubAwesome) on X
Every "small" language model that does function calling still wants gigabytes of RAM and a real GPU. Needle by Cactus Compute is 26 million parameters, small enough to run on a microcontroller, a Raspberry Pi Zero, or any embedded device you've got lying around. Built
Donweb MediaTool Calls en Claude: el costo que no ves venir
Cuánto cuestan realmente las tool calls en Claude API en 2026, qué es Tool Search, cómo Programmatic Tool Calling ahorra 37% de tokens y por qué explota...
https://blog.donweb.com/costos-herramientas-claude-api-tool-use/
Qiita - 人気の記事
HabrБотинок — консольный AI-агент для тех, у кого мало VRAM
Эта статья — не туториал и не обзор. Это история о том, как я искал инструмент для своих задач, не нашёл, расстроился, а потом успокоился и написал свой. Речь пойдёт о Ботинке — консольном AI-агенте для работы по SSH. Но сначала немного контекста. Я работаю с Linux-серверами уже лет пятнадцать. За это время видел разные эпохи: когда всё настраивали руками, когда появился Ansible, когда все бросились в Kubernetes, когда устали от Kubernetes и вернулись к простым docker-compose. Скрипты-костыли множились, документация устаревала, а сервера как требовали внимания, так и требуют. И вот теперь добавился ещё один слой — LLM. Можно спросить у модели, как настроить nginx, и получить рабочий конфиг. Можно попросить проанализировать логи. Но каждый раз копировать-вставлять между терминалом и чатом — это отдельный вид боли. Хочется, чтобы модель жила прямо в консоли, понимала контекст сервера и могла сама выполнить рутину. Статья будет полезна тем, кто: Работает с серверами по SSH и устал от рутины Интересуется AI-агентами, но хочет что-то лёгкое и локальное Имеет ограниченные ресурсы (не у всех есть 24GB VRAM) Хочет понять, как строится архитектура агента с инструментами Зачем ещё один AI-агент? Ситуация знакомая: есть задачи, которые хочется поручить AI — проанализировать логи, написать код, найти информацию в интернете. Но мне нужен был именно консольный агент — работаю в терминале, хожу по серверам по SSH, не хочу отвлекаться на GUI. На волне хайпа попробовал OpenClaw — хайповый проект 2025-2026 года, self-hosted AI-агент для автоматизации жизненных задач. Идея в целом норм: агент работает 24/7, отвечает в Telegram/WhatsApp, умеет чистить почту, управлять календарём, чекиниться на рейсы. Четырёхслойная архитектура, куча интеграций, активное сообщество. Но на практике для моих задач оказалось слишком тяжело : Оверсложнённая архитектура — Gateway, Integration, Execution, Intelligence — это отлично для энтерпрайза, но перебор для «зайти на сервер и поправить конфиг» Ориентация на lifestyle-автоматизацию — почта, календарь, бронирования. А мне нужно: логи, systemd, docker, nginx Постоянно висящий сервис — 24/7 демон, который кушает ресурсы. А я хочу: запустил — поработал — закрыл Мессенджер как интерфейс — удобно для личного ассистента, но для админской работы нужен терминал и SSH OpenClaw крут для своей ниши — персональный ассистент в Telegram. Но моя задача другая: консольный агент для системного администрирования . Зайти по SSH, диагностировать проблему, поправить, уйти. Без демонов, без мессенджеров, без оверхеда. Так родился Ботинок. Ключевая идея: не сервис, а инструмент Здесь важно остановиться на главном. Ботинок — это не фоновый сервис и не постоянно висящая служба. Это обычное приложение: запустил, поработал, закрыл. Никаких веб-серверов, демонов, системных служб. Идея пришла из наблюдения за тем, как работают разработчики с Cursor, Windsurf и подобными IDE . Там ты открыв Читать полностью
https://habr.com/ru/articles/1015126/
#ollama #aiagent #python #llm #functioncalling #консоль #terminal
Manus元リードが語る「function callingをやめた理由」— 2年のエージェント開発から得た実践知見
https://qiita.com/nogataka/items/9924c97a74f63c5452eb?utm_campaign=popular_items&utm_medium=feed&utm_source=popular_items
dominik kundel (@dkundel)
Responses API의 출시 기념(생일) 트윗으로, 사용자가 이 API의 기능을 더 많이 발견했다는 축하와 함께 주요 진화사항을 소개합니다. 지금은 에이전트화된 API로 멀티모달 입력(텍스트·이미지·파일), 함수 호출(function calling) 등을 지원한다고 명시되어 있어 개발자용 인터페이스와 기능 확장 측면에서 중요한 업데이트입니다.
dominik kundel (@dkundel) on X
Happy birthday to the Responses API! 🎉 Excited that more people have found the power of this API. Since launching the capabilities have just continued to accumulate and it's now a truly agentic API with: - Multimodal inputs with text + image + file inputs - Function calling
Я сделал Telegram-бота, который собирает корзину в ВкусВилл по одному сообщению. Вот как это работает
Каждую неделю я трачу 15-20 минут на заказ продуктов во «ВкусВилл». Сценарий обычно один и тот же: открыть каталог, найти молоко среди 15 похожих карточек, добавить, искать хлеб, сомневаться между бородинским и чиабаттой, снова добавить, потом сыр, потом что-то к чаю. К пятой позиции я уже не уверен, кто тут клиент: я или бесконечная лента товаров. В какой-то момент поймал себя на мысли: я трачу больше времени на поиск гречки, чем гречка потом варится. По данным Platforma (2021), россияне в среднем проводят от 19 до 49 минут в месяц на выбор продуктов онлайн с мобильного (жители Москвы — в 2,5 раза больше). При этом 65% покупателей называют экономию времени главной причиной онлайн-покупки продуктов (РБК, 2022) - данные несколько устаревшие, но все же. Парадокс понятный: мы идём в онлайн, чтобы сэкономить время, и там же это время сливаем в рутину. Я решил проверить простую гипотезу: если человек обычно заказывает одно и то же, можно ли собрать корзину по одной фразе вроде: > «Собери завтрак на двоих» Спойлер: можно. Я сделал Telegram-бота, который понимает обычный язык, сам ищет товары в каталоге «ВкусВилл» и отдаёт готовую ссылку на корзину. > Дисклеймер: это личный open-source проект. Я не связан с компаниями ВкусВилл или Яндекс. Бот использует публичный API ВкусВилл и Yandex Cloud AI Studio на общих условиях. Код доступен на GitHub под лицензией Apache 2.0. Кому будет полезно: разработчикам, которые думают о ботах с ИИ; тем, кто хочет разобраться в function calling или MCP; и всем, кому интересно, как LLM может автоматизировать рутину. Как «угнать за 60 секунд» завтрак
https://habr.com/ru/articles/1000734/
#mcp #telegrambot #python #aiogram #functioncalling #owen #вкусвилл
Я сделал Telegram-бота, который собирает корзину в ВкусВилл по одному сообщению. Вот как это работает
Каждую неделю я трачу 15-20 минут на заказ продуктов во «ВкусВилл». Сценарий обычно один и тот же: открыть каталог, найти молоко среди 15 похожих карточек, добавить, искать хлеб, сомневаться между...
AI Daily PostAnthropic just rolled out Claude Code at $200/month, while the new Claude 4 version climbs to the top of Berkeley’s tool‑calling leaderboard, beating open‑source rivals. Find out how Claude 4’s function‑calling shines and why Goose stays free. #Claude4 #FunctionCalling #BerkeleyLeaderboard #LLMBenchmarking
🔗 https://aidailypost.com/news/claude-code-usd-200mo-goose-free-claude-4-tops-berkeley-toolcalling
Avi Chawla (@_avichawla)
Function Calling과 MCP가 LLM의 도구 접근 방식에서 어떻게 다른지 시각적으로 설명합니다. 과거 AI 워크플로는 전통적 Function Calling에 의존했으나, 현재는 에이전트/LLM용 도구 접근을 표준화하는 MCP가 보편화되었고, 해당 시각 자료는 Function Calling과 MCP가 내부적으로 어떻게 작동하는지 비교해 이해하기 쉽게 정리해 줍니다.
Avi Chawla (@_avichawla) on X
Function calling & MCP for LLMs, explained visually! Before MCPs became popular, AI workflows relied on traditional Function Calling for tool access. Now, MCP is standardizing it for Agents/LLMs. The visual below explains how Function Calling and MCP work under the hood.