---
title: "Açık modellerle function calling: şema, retry ve kod"
description: "OpenAI uyumlu açık modellerde function calling: şema ipuçları, paralel araç çağrıları, beş hata biçimi ve doğrulayıp yeniden deneyen bir Python döngüsü."
url: https://broadrouter.com/tr/blog/tool-calling-open-models/
lang: tr
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

İngilizceden yapay zekâ desteğiyle çevrilmiştir. [İngilizce aslını okuyun](https://broadrouter.com/blog/tool-calling-open-models/) (güncelleme: 2026-11-16).

# Açık modellerle araç çağırma: şema, paralel çağrı, yeniden deneme

BroadNet Inference ekibi · 4 dk okuma · Yayımlandı 2026-11-14 · Güncellendi 2026-11-16

OpenAI uyumlu API'lerdeki açık modeller, OpenAI ile aynı tools ve tool\_calls formatını kullanır. Şemaları küçük ve düz tutun, argümanları JSON dizesi olarak ayrıştırın, bir şey çalıştırmadan önce doğrulayın ve hataları modele araç sonucu olarak döndürün ki yeniden deneyebilsin. Adım sayısını sınırlayın. BroadNet'te araç desteği GLM 5.3 ve Qwen3.8 27B için listeleniyor.

## Öne çıkanlar

-   Aktarım formatı OpenAI'ninkiyle aynıdır: girdide bir tools listesi, çıktıda tool\_calls, ardından her tool\_call\_id için bir role tool mesajı.
-   Argümanlar JSON dizesi olarak gelir. vLLM belgeleri, araç çağrılarını ham metinden çıkardığında bunların "may occasionally be malformed or violate the function's parameter schema" (BroadRouter çevirisi: zaman zaman bozuk olabileceği veya fonksiyonun parametre şemasını ihlal edebileceği) konusunda uyarıyor.
-   Her çağrıyı doğrulayın, hataları araç sonucu olarak geri gönderin, yeniden denemeleri ve toplam adım sayısını sınırlayın.
-   Daha az ve daha düz araçlar daha iyi çalışır. OpenAI, bir turun başında 20'den az fonksiyon öneriyor.
-   BroadNet Inference'ta araç çağırma için GLM 5.3 veya Qwen3.8 27B kullanın; DeepSeek V4.1 Flash'a güvenmeden önce test edin.

**Bu sayfada**

1.  OpenAI uyumlu bir API’de araç çağırma nasıl çalışır?
2.  Araç şemaları nasıl yazılmalı?
3.  Paralel araç çağrıları ne olacak?
4.  Araç çağrıları neden başarısız olur?
5.  Doğrulayan ve yeniden deneyen bir araç döngüsü
6.  Hangi BroadNet modelleri araç çağırmayı destekliyor?
7.  BroadNet Inference’ın yeri

[Araç çağırma](https://broadrouter.com/tr/glossary/tool-calling/), bir modeli ajana dönüştüren şeydir. [OpenAI uyumlu bir API](https://broadrouter.com/tr/glossary/openai-compatible-api/) üzerindeki açık modellerde istek formatı, OpenAI ile kullanacağınızın aynısıdır. Farklı olan, işlerin ne sıklıkla ters gittiği ve sunucunun bunu önlemek için ne yaptığıdır. Bu yazı formatı, açık modellerin iyi işlediği şemaların nasıl yazılacağını, paralel çağrıları, gerçekte göreceğiniz beş hatayı ve bunlara dayanan bir Python döngüsünü ele alıyor.

## OpenAI uyumlu bir API’de araç çağırma nasıl çalışır?

1.  `messages` ile birlikte bir `tools` listesi gönderirsiniz. Her aracın bir adı, bir açıklaması ve argümanları için bir JSON Schema’sı vardır.
2.  Model `finish_reason: "tool_calls"` ve bir `tool_calls` listesiyle yanıt verir. Her girdide bir `id`, bir fonksiyon adı ve **JSON dizesi** olarak `arguments` bulunur.
3.  Kodunuz her çağrıyı çalıştırır ve her çağrı için eşleşen `tool_call_id` ile bir `role: "tool"` mesajı ekler.
4.  API’yi yeniden çağırırsınız. Model yanıt verir ya da başka araçlar ister.

Model hiçbir şeyi kendisi çalıştırmaz. Neyin çalıştırılacağına kodunuz karar verir.

## Araç şemaları nasıl yazılmalı?

Açık modeller basit şemaları daha güvenilir şekilde izler. Bu kurallar OpenAI’nin rehberinden ve genellikle neyin bozulduğundan geliyor:

-   **Araçlara eyleme göre ad verin**, örneğin `read_file` veya `search_code`, ve açıklamada her birinin _ne zaman_ kullanılacağını söyleyin.
-   **Listeyi kısa tutun.** OpenAI’nin rehberi, bir turun başında 20’den az fonksiyonu esnek bir öneri olarak sunuyor. Her şema her çağrıda da gönderilir; bkz. [ajan token bütçesi](https://broadrouter.com/tr/blog/agent-token-budget/).
-   **Düz argümanları tercih edin.** Dizeler, sayılar, boolean’lar ve enum’lar. Derin iç içe yapılardan ve serbest biçimli nesnelerden kaçının.
-   **Sabit seçenekler için enum kullanın**; böylece model bir değer uyduramaz. [JSON şema oluşturucu](https://broadrouter.com/tools/json-schema-generator/), örnek bir argüman nesnesini `parameters` içine yapıştırabileceğiniz düz bir şemaya dönüştürür.
-   **Zorunlu alanları işaretleyin.** OpenAI’nin strict modu `additionalProperties: false` ister ve her alanın `required` içinde olmasını, isteğe bağlı olanlar için tür olarak `null` eklenmesini gerektirir. Bir sağlayıcının `strict` ayarını zorlayıp zorlamadığı değişir; bu yüzden her durumda doğrulayın.

## Paralel araç çağrıları ne olacak?

Bir model tek turda `tool_calls` içinde birden fazla girdi döndürebilir, örneğin üç dosya okuma. Bağımsız çağrıları eşzamanlı çalıştırın ve her `tool_call_id` için, herhangi bir sırayla, bir sonuç döndürün. Araçlarınızın birbirine bağlı yan etkileri varsa `parallel_tool_calls: false` ayarlayın; OpenAI’nin rehberi bunun modeli tur başına sıfır veya bir çağrıyla sınırladığını söylüyor. Sağlayıcınızın bunu dikkate aldığını test edin.

## Araç çağrıları neden başarısız olur?

| Hata | Gördüğünüz | Çözüm |
| --- | --- | --- |
| Bozuk argümanlar | `json.loads` hata fırlatır | Ayrıştırma hatasını araç sonucu olarak döndürün; yeniden deneyin |
| Şema uyuşmazlığı | Eksik alan, yanlış tür, uydurulmuş enum | Doğrulayın; doğrulama hatasını döndürün |
| Bilinmeyen araç | Hiç tanımlamadığınız bir ad | “unknown tool, available: …” döndürün |
| Gerektiği halde çağrı yok | Bunun yerine metin yanıtı | `tool_choice: "required"` veya adı belirtilmiş bir fonksiyon |
| Kesilmiş çağrı | `finish_reason: "length"` | `max_tokens`’ı yükseltin; akıl yürütme de bu sınırı paylaşır |

İlk ikisi nadir değil, beklenen durumlardır. vLLM’nin araç çağırma belgeleri, `auto` modunda, bir araç `strict: true` ayarlamadıkça (veya sunucu bir katılık alt sınırı zorlamadıkça) ve modelin ayrıştırıcısı kısıtlamaları desteklemedikçe şunu söylüyor: “vLLM extracts tool calls from raw text, so arguments may occasionally be malformed or violate the function’s parameter schema.” (BroadRouter çevirisi: vLLM araç çağrılarını ham metinden çıkarır, bu yüzden argümanlar zaman zaman bozuk olabilir veya fonksiyonun parametre şemasını ihlal edebilir.) Adı belirtilmiş bir fonksiyon, vLLM’nin structured-outputs arka ucunu kullanır. Sağlayıcınız modelleri farklı şekilde sunuyor olabilir; bu yüzden doğrulamayı zorunlu sayın.

Son satır, [akıl yürüten modeller](https://broadrouter.com/tr/glossary/reasoning-tokens/) kullananları yakalar. GLM 5.3 ve Qwen3.8 27B yanıt vermeden önce düşünür ve düşünme [`max_tokens`](https://broadrouter.com/tr/glossary/max-tokens/)’tan düşülür. [Yanıtlar neden boş ya da kesik gelir](https://broadrouter.com/tr/guides/reasoning-tokens-empty-response/) rehberi ne kadar yer bırakmanız gerektiğini açıklıyor.

## Doğrulayan ve yeniden deneyen bir araç döngüsü

```python
import json, os
from openai import OpenAI
from jsonschema import validate, ValidationError

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"], max_retries=4)
MODEL = "broadnet/glm-5.3"

TOOLS = [{"type": "function", "function": {
    "name": "get_order_status",
    "description": "Look up one order by its ID. Use when the user asks where an order is.",
    "parameters": {"type": "object",
                   "properties": {"order_id": {"type": "string"}},
                   "required": ["order_id"], "additionalProperties": False}}}]
SCHEMAS = {t["function"]["name"]: t["function"]["parameters"] for t in TOOLS}
IMPL = {"get_order_status": lambda order_id: f"Order {order_id}: shipped"}

def run_call(call):
    name = call.function.name
    if name not in IMPL:
        return f"Error: unknown tool {name}. Available: {', '.join(IMPL)}"
    try:
        args = json.loads(call.function.arguments or "{}")
        validate(args, SCHEMAS[name])
    except (json.JSONDecodeError, ValidationError) as e:
        return f"Error: invalid arguments ({e}). Send the call again with valid JSON."
    return str(IMPL[name](**args))

def agent(messages, max_steps=8):
    for _ in range(max_steps):
        r = client.chat.completions.create(model=MODEL, messages=messages,
                                           tools=TOOLS, max_tokens=4000)
        msg = r.choices[0].message
        if r.choices[0].finish_reason == "length":
            raise RuntimeError("Output limit reached; raise max_tokens")
        messages.append(msg.model_dump(exclude_none=True))
        if not msg.tool_calls:
            return msg.content
        for call in msg.tool_calls:
            messages.append({"role": "tool", "tool_call_id": call.id,
                             "content": run_call(call)})
    raise RuntimeError("Step limit reached")
```

Burada üç tasarım tercihi önemli:

1.  **Hatalar modele araç sonucu olarak geri gider.** Model neyin yanlış olduğunu görür ve genellikle bir sonraki turda düzeltir. Bir istisna fırlatmak bu şansı ortadan kaldırır.
2.  **Döngü sınırlıdır.** `max_steps`, ilerleme kaydetmeden araç çağırmaya devam eden bir modeli durdurur.
3.  **Aktarım katmanı yeniden denemeleri ayrıdır.** İstemcideki `max_retries`, 429 ve 5xx hatalarını ele alır. Hatalı argümanlar döngüde ele alınır. İkisini karıştırmayın; bkz. [hatalar ve yeniden denemeler](https://broadrouter.com/tr/guides/errors-and-retries/).

E-posta göndermek gibi yan etkisi olan araçlar için bir idempotency anahtarı ekleyin; böylece yeniden denenen bir adım aynı işi iki kez yapmaz. [Uzun süre çalışan ajanlar](https://broadrouter.com/tr/blog/long-running-agents-timeouts-retries/) yazısı bunu ele alıyor.

## Hangi BroadNet modelleri araç çağırmayı destekliyor?

| Model | Araç desteği listelenmiş mi | Bağlam | Notlar |
| --- | --- | --- | --- |
| [GLM 5.3](https://broadrouter.com/tr/models/glm-5.3/) | Evet | 1.048.576 | Yapılandırılmış çıktı da var |
| [Qwen3.8 27B](https://broadrouter.com/tr/models/qwen3.8-27b/) | Evet | 262.144 | Görsel girdi de var |
| [DeepSeek V4.1 Flash](https://broadrouter.com/tr/models/deepseek-v4.1-flash/) | Listelenmemiş | 1.048.576 | Görsel girdi; araçlara güvenmeden önce test edin |
| [Gemma 4 VL 26B](https://broadrouter.com/tr/models/gemma-4-vl-26b/) | Listelenmemiş | 32.768 | Araç döngüleri için değil |

Araç destekli iki model arasında seçim yapmak için [GLM 5.3 vs Qwen3.8 27B](https://broadrouter.com/compare/glm-5.3-vs-qwen3.8-27b/) karşılaştırmasına bakın. Nihai yanıtın belirli bir yapıya uyması gerekiyor ama hiçbir fonksiyonun çalışması gerekmiyorsa, [yapılandırılmış çıktı](https://broadrouter.com/tr/blog/structured-output-json-schema/) bir araçtan daha basittir.

## BroadNet Inference’ın yeri

BroadNet Inference, araç çağırması listelenmiş GLM 5.3 ve Qwen3.8 27B modellerini standart chat-completions formatıyla sunar; bu yüzden yukarıdaki döngü [OpenAI Python SDK](https://broadrouter.com/tr/guides/openai-python-sdk/) ile değiştirilmeden çalışır. Token başına fiyatlar [fiyatlandırma sayfasında](https://broadrouter.com/tr/pricing/). Web araması veya kod çalıştırma gibi sunucu tarafı araçlar barındırmaz ve belgeleri, sınırsız planlardaki model olan DeepSeek V4.1 Flash için araç çağırmayı listelemez. Araç ağırlıklı bir ajan için token başına GLM 5.3 veya Qwen3.8 27B kullanın. Yine de sabit planı istiyorsanız, bir ay satın almadan önce $1 karşılığında bir Meteor saatinde DeepSeek V4.1 Flash’ın araçlarınızı güvenilir biçimde çağırdığını kontrol edin.

Bu konu için ücretsiz araçlar (İngilizce)

-   [OpenAI to BroadNet migration helper](https://broadrouter.com/tools/openai-to-broadnet-migration/) Paste OpenAI SDK code; get base URL, key and model edits, a diff and the checks that remain.
-   [max\_tokens calculator for reasoning models](https://broadrouter.com/tools/reasoning-token-budget/) Answer length + reasoning budget + margin = a max\_tokens that does not cut the answer off.
-   [JSON schema generator for LLM structured output](https://broadrouter.com/tools/json-schema-generator/) Sample JSON to strict schema, Pydantic, Zod and a ready request.
-   [LLM JSON output validator](https://broadrouter.com/tools/llm-json-output-validator/) Parse errors by line and column, safe repairs, cut-off detection and JSON Schema checks for model output.

[Ücretsiz araçlar (İngilizce)](https://broadrouter.com/tools/)

## Bu yazıdaki terimler

[Araç çağırma (tool calling)](https://broadrouter.com/tr/glossary/tool-calling/)

Araç çağırma (tool calling), fonksiyon çağırma (function calling) olarak da bilinir; modelin, geliştiricinin tanımladığı bir fonksiyonu çalıştırmak için JSON argümanlı yapılandırılmış bir istek döndürdüğü bir LLM API özelliğidir. Fonksiyonu uygulama çalıştırır ve sonucu geri gönderir; model hiçbir zaman kodu kendisi çalıştırmaz.

[vLLM](https://broadrouter.com/tr/glossary/vllm/)

vLLM, ilk olarak UC Berkeley'deki Sky Computing Lab'de geliştirilen, LLM çıkarımı ve sunumu (serving) için açık kaynak bir kütüphanedir. KV önbelleği belleğini PagedAttention ile yönetir, gelen istekleri sürekli olarak toplu işler, birçok kuantizasyon formatını destekler ve OpenAI uyumlu bir HTTP sunucusu sunar.

[Token](https://broadrouter.com/tr/glossary/token/)

Token, bir dil modelinin okuduğu ve yazdığı metin birimidir: modelin tokenizer'ının ürettiği bir kelime, kelime parçası, noktalama işareti veya bayt dizisi. LLM API'leri kullanımı token cinsinden sayar, sınırlar ve genellikle faturalandırır.

[Yapılandırılmış çıktı (structured output)](https://broadrouter.com/tr/glossary/structured-output/)

Yapılandırılmış çıktı, modelin yanıtını geliştiricinin belirlediği bir biçimle, genellikle bir JSON Schema ile sınırlayan bir LLM API özelliğidir; böylece kod yanıtı güvenilir şekilde ayrıştırabilir. Geçerli JSON'u garanti eden ama belirli bir yapıyı garanti etmeyen JSON modundan daha katıdır.

[Idempotency anahtarı (idempotency key)](https://broadrouter.com/tr/glossary/idempotency-key/)

Idempotency anahtarı, istemcinin ödeme veya satın alma gibi durum değiştiren bir isteğe eklediği, genellikle UUID gibi rastgele bir kimlik olan benzersiz bir değerdir. Aynı istek aynı anahtarla yeniden gönderilirse sunucu işlemi ikinci kez yapmak yerine ilk sonucu döndürür.

[JSON Schema (JSON şeması)](https://broadrouter.com/tr/glossary/json-schema/)

JSON Schema, JSON verisinin yapısını tanımlamak ve doğrulamak için JSON ile yazılan bir sözlüktür: türler, zorunlu alanlar, izin verilen değerler ve iç içe yapı. Güncel sürüm 2020-12'dir. LLM API'leri onu araç parametrelerini ve yapılandırılmış çıktının izlemesi gereken kesin yapıyı tanımlamak için kullanır.

## Sık sorulan sorular

### Açık modeller function calling destekliyor mu?

Çoğu destekliyor, ama destek modele ve sağlayıcının onu nasıl sunduğuna bağlı. BroadNet Inference'ta belgeler araç çağırmayı GLM 5.3 ve Qwen3.8 27B için listeliyor. DeepSeek V4.1 Flash veya Gemma 4 VL 26B için listelemiyor.

### Araç çağrısı argümanlarım neden geçersiz JSON?

Sunucu çözümlemeyi kısıtlamadıkça argümanlar metin olarak üretilir ve sonradan ayrıştırılır. vLLM belgeleri, ham metinden çıkarılan argümanların zaman zaman bozuk olabileceğini söylüyor. Ayrıştırma hatasını yakalayın ve modelin kendini düzeltebilmesi için araç sonucu olarak geri gönderin.

### Paralel araç çağrılarını nasıl kapatırım?

OpenAI formatında parallel\_tool\_calls değerini false yapın. Bu, modeli tur başına sıfır veya bir araç çağrısıyla sınırlar. Sağlayıcınızın bu alanı dikkate aldığını kontrol edin.

### Model neden araç çağırmak yerine metinle yanıt veriyor?

tool\_choice auto olduğunda kararı model verir. Bir çağrı zorunluysa tool\_choice değerini required veya belirli bir fonksiyon yapın. Araç açıklamasının ne zaman kullanılacağını söylediğinden de emin olun.

### Araç çağrım neden yarıda kesiliyor?

Akıl yürüten modeller düşünmeyi max\_tokens'tan düşer. Küçük bir sınır, yanıtı argümanların ortasında bitirebilir. finish\_reason değerini kontrol edin ve max\_tokens'ı yükseltin.

## Okumaya devam edin

-   [OpenClaw ve Hermes Agent ucuz modelle: kurulum ve token hesabı](https://broadrouter.com/tr/blog/openclaw-hermes-agent-cheap-model/)
-   [JSON modu ve json\_schema: sağlam yapılandırılmış çıktı](https://broadrouter.com/tr/blog/structured-output-json-schema/)
-   [MCP sunucularını OpenAI uyumlu modellerle kullanma (her sağlayıcıda)](https://broadrouter.com/tr/blog/mcp-with-openai-compatible-models/)
-   [Uzun süren ajanlar: zaman aşımı, yeniden deneme ve kontrol noktası](https://broadrouter.com/tr/blog/long-running-agents-timeouts-retries/)
-   [Ajan token bütçesi: bir ajan döngüsünün token'ları nereye gidiyor?](https://broadrouter.com/tr/blog/agent-token-budget/)
-   [BroadNet'in GPU donanımı ve sunum yaklaşımı, BroadNet'in anlatımıyla](https://broadrouter.com/tr/blog/broadnet-gpu-fleet-and-serving/)
-   [LLM API yanıtlarını önbelleğe alıp maliyeti düşürün: Python örneği](https://broadrouter.com/tr/blog/cache-llm-responses-cut-cost/)
-   [Rehber: OpenAI Python SDK'yı BroadNet Inference ile kullanın](https://broadrouter.com/tr/guides/openai-python-sdk/)
-   [Rehber: OpenAI Agents SDK'yı BroadNet Inference üzerinde çalıştırın](https://broadrouter.com/tr/guides/openai-agents-sdk-custom-provider/)
-   [Rehber: Akıl yürüten model neden boş yanıt döndürür?](https://broadrouter.com/tr/guides/reasoning-tokens-empty-response/)
-   [Rehber: BroadNet Inference hata kodları ve ne zaman yeniden denenmeli](https://broadrouter.com/tr/guides/errors-and-retries/)

Gerçek iş yükünüzle deneyin. Yeni hesaplar şunlar için US$5 kredi ile başlar: Gemma ve transkripsiyon. Bakiye yüklemesi gerekenler: DeepSeek, GLM ve Qwen3.8.

[Başlayın](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-blog-tool-calling-open-models&utm_content=page-cta) ·

**Kaynaklar**

-   [OpenAI, function calling rehberi (2026-11-14 tarihinde kontrol edildi)](https://developers.openai.com/api/docs/guides/function-calling)
-   [vLLM belgeleri, araç çağırma (2026-11-14 tarihinde kontrol edildi)](https://docs.vllm.ai/en/latest/features/tool_calling/)
-   [BroadNet Inference API referansı, modeller (İngilizce)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-blog-tool-calling-open-models&utm_content=sources#models)
