Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
medium.com12. Oktober 2026 · Q009618

Swift FoundationModels: Intercept and Modify Tool Calls

medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der vollständige Bericht beschreibt, wie Swift FoundationModels-Tool-Aufrufe abgefangen, geändert und programmatisch ausgeführt werden können. Dafür wird das Ergebnis in den Sitzungsverlauf geschrieben und die Modellantwort intern neu angestoßen; die gezeigten Beispiele belegen den Ablauf, aber keine systematische Prüfung weiterer Fälle.

Mittel

Der vollständige Bericht zeigt einen Swift-Ansatz, um FoundationModels-Tool-Aufrufe zentral abzufangen und ihre Argumente oder den Tool-Namen vor der Ausführung zu ändern. Ein erster Versuch, nur den Tool-Aufruf im Sitzungsverlauf `history` zu überschreiben, ändert laut Beispiel zwar den Verlauf, nicht aber die Argumente, mit denen das Tool tatsächlich aufgerufen wird.

Der vorgeschlagene Ablauf führt deshalb das angepasste Tool programmatisch aus, schreibt dessen Ergebnis als `Transcript.ToolOutput` in den Verlauf und löst einen Fehler aus, um den laufenden Antwortvorgang abzubrechen. Anschließend wird die Modellantwort intern mit einer leeren Hilfsaufforderung erneut angestoßen, die der `onPrompt`-Hook aus dem Verlauf entfernt. Ein `InvocableTool`-Wrapper ermöglicht den typisierten Aufruf; in der Sitzung bleibt das ursprüngliche Tool registriert, damit es auf sitzungsbezogene Eigenschaften wie `history` zugreifen kann.

Die Beispielausgabe zeigt den geänderten Aufruf, die Tool-Ausgabe und eine darauf beruhende Antwort. Der Autor merkt an, dass Tool-Ausgabe-Handler manuell ausgelöst und weitere Prompt-Handler beim Wiederholungsdurchlauf übersprungen werden müssen. Die Belege beschränken sich auf Codebeispiele und Ausgaben; systematische Tests oder eine Prüfung verschiedener Versionen werden nicht berichtet.

Ausführlich lesen

Der vollständige Bericht beschreibt einen Ansatz, mit Swift FoundationModels Werkzeugaufrufe zentral abzufangen und vor ihrer Ausführung zu verändern. Der Autor möchte Eingabeargumente umformen oder ein anderes Werkzeug auswählen können, ohne dieselbe Logik in jedem einzelnen Tool erneut einzubauen.

Als Ausgangspunkt nutzt er `onToolCall(perform:)` und den veränderbaren Sitzungsverlauf `history`. Ein erster Versuch überschreibt darin den letzten Tool-Aufruf mit neuen Argumenten. Laut dem gezeigten Beispiel wird die Änderung zwar im Verlauf sichtbar, das Tool erhält jedoch weiterhin die ursprünglich vom Modell erzeugten Argumente. Der Bericht folgert daraus, dass eine Änderung der aufgezeichneten Tool-Aufrufe allein den tatsächlichen Aufruf nicht beeinflusst.

Der Autor entwickelt daraufhin einen Ablauf, der den Tool-Aufruf selbst übernimmt: Im Hook wird der Aufruf angepasst, das passende Tool programmatisch ausgeführt und dessen Ergebnis als `Transcript.ToolOutput` in den Verlauf geschrieben. Ein eigens ausgelöster Fehler bricht den laufenden Antwortvorgang ab. Danach wird die Modellantwort mit einer leeren Hilfsaufforderung erneut angestoßen; ein `onPrompt`-Hook entfernt diese Aufforderung aus dem Verlauf, sodass das Modell laut Beispiel auf Grundlage der Tool-Ausgabe antwortet. Dafür setzt der Beispielcode die Fehlerbehandlung auf `preserveTranscript`, damit der bisherige Verlauf beim Abbruch erhalten bleibt.

Für den direkten programmatischen Aufruf führt der Beitrag `InvocableTool` als typisierten Wrapper ein. Er kann Argumente in den Typ des ursprünglichen Tools umwandeln und dessen Ausgabe als `PromptRepresentable` weiterreichen. In der Sitzung registriert der Autor trotzdem das ursprüngliche Tool. Seine Begründung: Nur so erhält es Zugriff auf sitzungsbezogene Eigenschaften wie `history`; ein nicht registriertes Tool würde diese laut Bericht nicht mit dem aktuellen Sitzungszustand lesen. Der Wrapper wird anhand von Name und Tool-Zuordnung dem abgefangenen Aufruf zugeordnet. Zusätzlich zeigt der Beitrag eine Hilfsfunktion, die Ausgaben in Transcript-Segmente überführt.

Im Beispiel ersetzt ein Hook den Tool-Namen und die Argumente, führt das Tool aus und erzeugt anschließend eine Modellantwort aus dem Ergebnis. Die ausgegebene Historie enthält den ursprünglichen Prompt, den veränderten Tool-Aufruf, dessen Ausgabe und die finale Antwort. Der Autor weist darauf hin, dass bei dieser programmatischen Ausführung vorhandene `onToolOutput`-Handler ebenfalls manuell aufgerufen werden müssen. Andere `onPrompt`-Handler sollten beim internen Wiederholungsdurchlauf übersprungen werden. Abschließend zeigt er, wie sich der Mechanismus in seinem als noch stark in Arbeit beschriebenen Foundation-Models-Harness mit Agent und Hook verwenden lässt.

Die Aussagekraft des Berichts beruht auf den gezeigten Swift-Beispielen und deren Ausgaben. Eine systematische Prüfung unterschiedlicher Tools, Fehlerfälle oder FoundationModels-Versionen wird nicht beschrieben. Der Beitrag behandelt außerdem die Umgehung des normalen Tool-Ausführungsablaufs durch manuelle Ausführung und Wiederholung; die genannten Handler müssen dabei eigens berücksichtigt werden.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Luna lieferte zwei Zusammenfassungen (kurz und mittel). Die Prüfung bezieht beide ein: Beide geben den Bericht sachlich zutreffend wieder und enthalten keine erfundenen Angaben. Die fehlende Erwähnung des Harness-Pakets betrifft nur die ausführlichere Fassung. Die Einordnung stützt sich allein auf den Berichtstext, nicht auf Lunas Stufen.

Im Bericht, aber nicht in der Zusammenfassung

  • Der Hinweis des Autors auf sein Harness-Paket, das die Schritte in einem Agent-Objekt mit Hooks kapselt

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Tempo und Grenzen
Vertrauen in Modelle
  1. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 34 %gleiches Oberthema, hilft nicht
    • JEV 24 %einzelne zitierbare Belege
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 41 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung kein Bezug
Agenten und vernetzte Systeme
  1. SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
    • clef 24 %gleiches Oberthema, hilft nicht
    • Luna 63 %einzelne zitierbare Belege
    • JEV 33 %einzelne zitierbare Belege
    • amos 25 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →