F FabGPT-FAQ

Come gestire errori e retry deterministici nel function calling degli LLM?

AI e LLM 1 min lettura Runbook verificato

Quando un LLM invoca una funzione esterna (Tool Calling), l'esecuzione puo fallire per parametri errati, vincoli di schema violati o timeout dell'endpoint esterno. Invece di interrompere la sessione, si implementa un ciclo di recupero deterministico basato su feedback:

  • Restituzione dell'errore nel contesto: l'applicazione cattura l'eccezione e restituisce all'agente un messaggio di tipo tool_result o tool_error contenente il dettaglio dell'errore (ad esempio: parametro 'porta' deve essere un numero intero tra 1 e 65535)
  • Correzione al turno successivo: il modello analizza l'errore ricevuto e formula una nuova chiamata corretta nello step immediatamente successivo
  • Guardie e contatori di retry: imposta un limite massimo di tentativi (tipicamente 2 o 3) con backoff esponenziale per evitare loop infiniti in caso di guasti sistematici del backend.

Hai una domanda specifica su questo tema?

Interroga direttamente il motore FabGPT-FAQ con risposta in tempo reale.