מודלים ותשתית · בתשלום
Function Calling
גרוק מספקת תשתית להפעלת פונקציות וכלים חיצוניים דרך מודלי השפה שלה, מה שמאפשר להם לגשת למאגרי מידע, להריץ קוד או לגלוש ברשת. במקום רק להחזיר טקסט, המודל מחליט מתי לקרוא לפונקציה, מקבל את התוצאות וממשיך בעיבוד עד למענה שלם.
ההבדל המשמעותי כאן הוא התמיכה בהרצה בצד השרת. לצד הפעלת פונקציות מקומית בקוד שלכם, גרוק מאפשרת הרצת כלים מובנים כמו חיפוש ברשת או חיבור לשרתי MCP ישירות מהתשתית שלה, כך שכל הלולאה של קריאת הכלי והחזרת התשובה מתבצעת בקריאת API אחת.
- מודלים ותשתית
- בתשלום
- ממשק באנגלית
דירוג הקהילה
תהיו הראשונים לדרג.
איך הדירוג עובד+
הדירוג פתוח רק למי שמחובר עם חשבון גוגל, דירוג אחד לכל אדם לכל כלי. זו הדרך שלנו לוודא שמדובר באדם אמיתי: היא אינה מוכיחה שהמדרג השתמש בכלי, וזה הבדל שכדאי לזכור כשקוראים ממוצע.
מי שכותב ביקורת מוצג בשמו הפרטי בלבד, כפי שהוא מופיע בחשבון גוגל. מעבר לזה לא נשמר דבר: לא שם משפחה, לא כתובת דוא״ל ולא תמונה: רק גיבוב חד־כיווני של מזהה החשבון, שמאפשר לכם לשנות את הדירוג שלכם ולא מאפשר לנו לדעת מי אתם.
ביקורת אינה יכולה להכיל קישורים, כתובות דוא״ל, מספרי טלפון או שמות משתמש. זה לא סינון תוכן, זה מה שמונע ממקום כזה להפוך ללוח מודעות.
- תמחור
- בתשלום
- קטגוריה
- מודלים ותשתית
- שפת האתר
- אנגלית
- כתובת
- console.
groq. com - נבדק
- 2026-09-09
הסקירה
אתם שולחים למודל הגדרת פונקציה בתוך מערך בשם tools יחד עם הודעת המשתמש, והוא מחזיר בחזרה אובייקט JSON עם שם הפונקציה והארגומנטים המדויקים להרצה. הוא לא מריץ את הקוד בעצמו בברירת המחדל הזו, אלא עוצר ומחכה שהשרת שלכם יבצע את הקריאה בפועל. אחרי שהקוד שלכם מסיים לשלוף את המידע ממסד הנתונים או מתוכנת צד שלישי, אתם מצרפים הודעה חדשה מסוג tool עם התוצאה המדויקת ומזהה הקריאה, ושולחים שוב את כל ההיסטוריה כדי לקבל תשובה טקסטואלית רגילה. זה תהליך טכני מרובה שלבים שמיועד למפתחים בלבד.
השירות הזה בתשלום, אבל התיעוד הרשמי בכתובת הזו לא מציג מספרים, מחירים לאלף טוקנים או מדרגות שימוש. כדי לדעת כמה תשלמו בפועל בסוף החודש תצטרכו לחפש בעמודי החשבון הכלליים של Groq, כי הדף הטכני מתעלם מהעלויות לחלוטין. אם אתם בונים מערכת שמריצה אלפי קריאות ביום, כדאי לכם לעצור ולבדוק את תעריפי הדגמים לפני שאתם מתחילים להטמיע את הקוד שלכם.
שלושה מסלולים להפעלת כלים
ההבדל המשמעותי מול ספקים אחרים הוא החלוקה לשלוש שיטות עבודה נפרדות לפי הצורך שלכם. המסלול הראשון כולל כלים מובנים של Groq כמו חיפוש ברשת, הרצת קוד וביקור באתרים, שרצים ישירות על התשתית שלהם ומסיימים את כל הסבב בקריאת API יחידה. המסלול השני מאפשר חיבור לשרתי MCP מרוחקים של צד שלישי, כך שהם מגלים את הכלים ומריצים אותם בעצמם ללא תזמור בקוד שלכם. המסלול השלישי הוא הקריאה המקומית הרגילה, שבה השרת שלכם שומר על שליטה מלאה בכל גישה למאגרי מידע פנימיים.
המנגנון הזה שווה את זה רק אם אתם חייבים מהירות תגובה קיצונית בפניות לכלים חיצוניים.
מה שבאמת מפריע כאן הוא שאין אחידות בין הדגמים השונים בארכיטקטורה. הדגמים הקטנים והמהירים כמו llama-3.1-8b-instant ודגם llama-3.3-70b-versatile תומכים בקריאות מקבילות לכלים ובמצב JSON, אבל הם לא תומכים בכלים המובנים של המערכת. לעומת זאת, דגמים כמו openai/gpt-oss-20b תומכים בכלים מובנים אך לא מסוגלים לבצע הרצת כלים מקבילה. אם תרצו להחליף מודל במהלך הפיתוח, תגלו מהר מאוד שהקוד שלכם דורש שכתוב בגלל הפערים ביניהם.
הפערים האלה יוצרים תסכול מיידי.
שלבי ביצוע הקריאה
- 01שליחת הגדרות סכמת JSON
- 02קבלת בקשת קריאה מהמודל
- 03הרצת הפונקציה בקוד המקומי
- 04החזרת התוצאות להערכה סופית
- דפי תמחוראין מספרים בתיעוד
- כלים מובניםהרצה בקריאה בודדת
- תמיכה במודליםיכולות שונות לכל דגם
למי התשתית מתאימה בפועל
לא הייתי משתמש בזה למי שמחפש פתרון פשוט ומוכן בלי לכתוב שורת קוד. הממשק הזה לא מיועד למנהלי מוצר או לאנשי אוטומציה שמחפשים פתרונות ללא קוד, אלא למהנדסי תוכנה שבונים סוכנים עצמאיים ומסוגלים להתמודד עם שגיאות ניתוח של מבני נתונים. בנוסף, האתר והתיעוד כתובים כולם באנגלית טכנית, כך שמי שמפתח שירותים בעברית יצטרך לוודא בעצמו שהמודלים הנבחרים מצליחים לחלץ ארגומנטים מדויקים מתוך טקסט בעברית ללא עיוותים.
הממשק דורש דיוק מוחלט בכל שלב.
כאשר המודל מחליט להשתמש בכלי, הוא מייצר מזהה ייחודי עבור הקריאה שמופיע בשדה id של אובייקט התשובה. אתם חייבים להחזיר את התוצאה בדיוק תחת השדה tool_call_id עם התאמה מלאה למזהה שנמסר, אחרת המערכת תיכשל ולא תדע לאיזו פקודה התוצאה שייכת. מחרוזת הפרמטרים מגיעה בפורמט טקסטואלי שמחייב פענוח עצמאי בצד שלכם, והיא כוללת הגדרות כמו מיקום או יחידות מדידה לפי ההגדרות שקבעתם מראש בסכמה. זה דורש בדיקות מחמירות כדי למנוע קריסות של השרת שלכם.
מה Function Calling
עושה
שולחים למודל בקשת API רגילה שמכילה מערך הגדרות בפורמט סכמת JSON, שמתאר את שמות הפונקציות, מה הן עושות ואילו פרמטרים הן דורשות. אם המודל מזהה צורך בכלי, הוא עוצר ומחזיר אובייקט עם שם הפונקציה וארגומנטים מובנים כמחרוזת JSON, יחד עם מזהה ייחודי לקריאה.
בקריאה מקומית, הקוד שלכם מריץ את הפונקציה ושולח את התוצאה חזרה למודל יחד עם המזהה, כדי שהמודל יעבד אותה ויפיק תשובה סופית. באפשרויות של כלים מובנים או שרתי MCP מרוחקים, גרוק מתחברת בעצמה לכתובת השרת שהגדרתם, מריצה את הכלי בצד שלה ומחזירה מיד את התוצאה הסופית בלי צורך בניהול סבבי שיחה נוספים.
כמה זה
עולה
התיעוד בעמוד זה אינו מפרט מחירים או מסלולי תשלום.
למי זה
מתאים
זה מתאים למפתחים שבונים יישומים מבוססי סוכנים וזקוקים לחיבור מהיר של מודלים לקוד פנימי, למסדי נתונים או לפרוטוקול MCP הפתוח. אם אתם רוצים לחסוך השהיות וקוד ניהול בצד הלקוח, היכולת להריץ כלים ישירות דרך השרת של גרוק היא יתרון מעשי.
מי שרק מחפש צ'אטבוט פשוט לשאלות ותשובות טקסטואליות, בלי אינטגרציה למערכות חיצוניות או קריאות לפונקציות, לא צריך להתעסק עם הממשק הזה.
מה לבדוק
לפני שמתחייבים
לפני שמתחילים לבנות ארכיטקטורה, בדקו את טבלת המודלים הנתמכים. לא כל מודל תומך בכל היכולות. לדוגמה, מודלים כמו llama-3.3-70b-versatile ו־qwen3.6-27b תומכים בהרצה מקבילה של כלים אבל לא מריצים כלים מובנים של גרוק. לעומת זאת, סדרת compound תומכת בכלים מובנים אבל אינה תומכת בהרצת כלים מקומית. אי התאמה בין המודל לצורת ההרצה שתכננתם תדרוש שכתוב של הקוד.
מה אומרים
המשתמשים
עוד אף אחד לא כתב על Function Calling כאן. אם השתמשתם בFunction Calling, השורה הראשונה היא שלכם.
מה Function Calling
אומר על עצמו
Learn why tools are essential for building powerful AI agents and how they enable LLMs to take action in the real world.
מהאתר של Function Calling, נקרא ב־2026-09-09. הטקסט הוא שלהם.
אנחנו לא מתרגמים תיאורי שיווק ומגישים אותם ככתיבה שלנו. שיטת העבודה.
שאלות
נפוצות
אילו מודלים מאפשרים לקרוא לכמה פונקציות במקביל?
התמיכה בקריאות מקבילות קיימת במודלים qwen3.6-27b, minimax-m2.7, llama-3.3-70b-versatile ו־llama-3.1-8b-instant. מודלים אחרים ברשימה, כמו גרסאות gpt-oss או qwen3.8-27b, מוגבלים לקריאה אחת בכל פעם.
מה צריך לספק כדי להשתמש בשרת MCP מרוחק?
צריך להעביר בקונפיגורציה את כתובת ה־URL של שרת ה־MCP וכותרות אימות. גרוק מתחברת אל השרת בעצמה, מושכת את הגדרות הכלים ומריצה אותם בצד השרת ללא מימוש לוגיקה מקומית.
מה Function Calling עושה?
גרוק מספקת תשתית להפעלת פונקציות וכלים חיצוניים דרך מודלי השפה שלה, מה שמאפשר להם לגשת למאגרי מידע, להריץ קוד או לגלוש ברשת. במקום רק להחזיר טקסט, המודל מחליט מתי לקרוא לפונקציה, מקבל את התוצאות וממשיך בעיבוד עד למענה שלם. ההבדל המשמעותי כאן הוא התמיכה בהרצה בצד השרת. לצד הפעלת פונקציות מקומית בקוד שלכם, גרוק מאפשרת הרצת כלים מובנים כמו חיפוש ברשת או חיבור לשרתי MCP ישירות מהתשתית שלה, כך שכל הלולאה של קריאת הכלי והחזרת התשובה מתבצעת בקריאת API אחת.
האם Function Calling חינמי?
לפי האתר שלו: בתשלום. מומלץ לאמת מול עמוד התמחור, כי תנאים משתנים.
האם Function Calling תומך בעברית?
האתר של Function Calling מוגש באנגלית. זה לא אומר שהכלי לא יעבוד עם טקסט בעברית, אבל זה כן אומר שהוא לא נבנה סביבה.
יש חלופות ל־Function Calling?
כן. באתר יש 101 כלים בקטגוריית מודלים ותשתית, וחלקם מוצגים בתחתית העמוד הזה. ההשוואה שכדאי לעשות היא בין תמחור, שפת הממשק והתאמה למה שאתם צריכים לעשות, לא בין רשימות תכונות.
כלים דומיםבמודלים ותשתית
כל 101 הכלים-
לא צויןGANshare | Towards Data Science
החומר הקיים אינו מציג פעילות של כלי אלא פרטי עוגיות ומדיניות אתר בלבד.
-
תקופת ניסיוןGoogle Cloud Skills Boost: Generative AI learning path
הדרכה מקוונת קצרה שמסבירה מושגי יסוד בבינה מלאכותית יוצרת וכלי פיתוח של גוגל.
-
בתשלוםgotoHuman
הוספת בדיקה ואישור אנושיים לתהליכי עבודה ותוצרים של סוכני בינה מלאכותית.
-
קוד פתוחGPT4All
הרצת מודלי שפה פתוחים באופן מקומי על המחשב ללא תלות בענן.
-
בתשלוםGrok
מודל בינה מלאכותית מרובה יכולות לפיתוח יישומים דרך ממשק תכנות אחיד.
-
קוד פתוחH2O AI
בניית מודלים וסוכני בינה מלאכותית לחיזוי נתונים, עיבוד מסמכים ואוטומציה עסקית.