LLM CLI aracım artık Python kodundan veya eklentilerden araç çalıştırabiliyor

(simonwillison.net)

3 puan yazan GN⁺ 2025-05-28 | 1 yorum | WhatsApp'ta paylaş

LLM 0.26 ile çeşitli araç çalıştırma özellikleri eklendi; böylece OpenAI, Anthropic, Gemini, Ollama gibi farklı LLM modelleri Python fonksiyonları veya eklenti olarak uygulanmış araçlardan yararlanabiliyor
Komut satırından ya da Python API üzerinden araçları doğrudan kurmak veya fonksiyon olarak geçirmek mümkün hale gelerek genişletilebilirlik ve esneklik önemli ölçüde arttı
Araç eklentileriyle matematik hesaplama, JavaScript çalıştırma, SQL sorgulama, harici servislerle entegrasyon gibi çeşitli yetenekler modele kolayca eklenebiliyor
Tüm büyük LLM sağlayıcıları ve yerel modellerde araç çağırma kalıbı yaygınlaşırken, LLM 0.26 da bunu standartlaştırılmış bir şekilde entegre ediyor
Gelecek planları ve gelişim yönü arasında MCP standardı desteği, eklenti geliştirme ekosisteminin büyütülmesi ve araç çalıştırma günlüklerinin iyileştirilmesi yer alıyor

LLM 0.26: terminalde büyük dil modeliyle araç çalıştırma desteği

27 Mayıs 2025 itibarıyla LLM 0.26 sürümü yayımlandı. Bu sürüm, LLM projesinin başlangıcından bu yana en büyük değişimi getiriyor ve araç (tool) desteğini ekliyor. Artık OpenAI, Anthropic, Gemini, Ollama gibi farklı LLM modelleri, LLM’in CLI aracı ve Python kütüphanesiyle birlikte kullanılarak Python fonksiyonu olarak ifade edilebilen herhangi bir araca erişebiliyor.

Başlıca özellikler ve değişiklikler

Eklentilerden araç kurma ve yükleme: --tool/-T seçeneğiyle kurulu eklentiler üzerinden araç kaydedilip kullanılabiliyor
Komut satırından Python kodu verme: --functions seçeneğiyle doğrudan Python fonksiyon kodu aktarılıp araç olarak kullanılabiliyor
Python API’de de araç desteği: .chain metoduna tools=[fonksiyon_adı] verilerek kolayca araç bağlanabiliyor
Senkron ve asenkron bağlam desteği: Hem sync hem async durumlarda araç çağrılabiliyor

Araç kullanım örnekleri

Kullanıma hazırlık

En güncel LLM sürümünün kurulması veya yükseltilmesi gerekiyor
OpenAI gibi servisler için API anahtarı tanımlama:
```
llm keys set openai
# API anahtarını girin
```
İlk araç çalıştırma örneği:
```
llm --tool llm_version "What version?" --td
```
- llm_version varsayılan olarak gelen basit bir demo aracıdır
- --td, araç hata ayıklama çıktısı seçeneğidir; araç çağrısı süreci ve yanıt içeriği görülebilir
Model değiştirme:
```
llm models default gpt-4.1-mini
```
- Farklı modeller de seçenek olarak desteklenir (-m o4-mini gibi)
Yerleşik zaman aracını çağırma:
```
llm --tool llm_time "What time is it?" --td -m o4-mini
```
- Saat ve zaman dilimi bilgisini ayrıntılı olarak verir

Farklı modeller ve eklentiler desteği

Anthropic Claude 4, Google Gemini 2.5 Flash, Ollama Qwen3:4b gibi çeşitli LLM model ortamlarında aynı araç arayüzüyle çalışır

Örnek komutlar:

llm install llm-anthropic -U
llm keys set anthropic
llm --tool llm_version "What version?" --td -m claude-4-sonnet

Matematik işlemleri ve kod çalıştırma

Matematikte zayıf kalan LLM sınırları, Python araçlarıyla aşılabiliyor
llm-tools-simpleeval eklentisi üzerinden güvenli aritmetik işlem desteği sağlanıyor
```
llm install llm-tools-simpleeval
llm -T simpleeval
llm -T simple_eval 'Calculate 1234 * 4346 / 32414 and square root it' --td
```
- sqrt() desteği yoksa ** 0.5 ile değiştirme gibi yaklaşımlarla kod yürütme esnekliği sağlanıyor

Araç eklentileri tanıtımı

[llm-tools-simpleeval]: aritmetik ve basit ifade hesaplama
[llm-tools-quickjs]: QuickJS JavaScript sandbox yorumlayıcı aracı
[llm-tools-sqlite]: yerel SQLite veritabanında salt okunur SQL sorguları
[llm-tools-datasette]: uzak Datasette instance’larında SQL sorgusu çalıştırma desteği

Örnek:

llm install llm-tools-datasette
llm -T 'Datasette("https://datasette.io/content";)' --td "What has the most stars?"

Araç kutusu tarzı bir eklentidir; URL gibi argümanlarla yapılandırılabilir
Yanlış sütun belirtildiğinde araç hatasını algılama ve yeniden deneme → şema sorgulama → doğru sorgu üretme akışıyla, LLM’in uyarlanabilir yeteneğini gösterir

Doğrudan Python koduyla araç tanımlama

Komut satırında --functions seçeneğiyle herhangi bir Python fonksiyonu aktarılıp anında araca dönüştürülebilir

Örnek:

llm --functions '
import httpx

def search_blog(q):
    "Search Simon Willison blog"
    return httpx.get("https://simonwillison.net/search/";, params={"q": q}).content
' --td 'Three features of sqlite-utils' -s 'use Simon search'

Basit bir web arama aracı uygulanabilir
System prompt üzerinden modele aracın nasıl kullanılacağına dair yön vermek önemlidir

Python kütüphanesiyle entegre kullanım

LLM, hem CLI hem de Python API desteği sunar
.chain() metodu, araç çağrısı isteğini algılayıp çalıştırma ve sonucu yansıtma sürecini otomatikleştirir

Örnek:

import llm

def count_char_in_text(char: str, text: str) -> int:
    "How many times does char appear in text?"
    return text.count(char)

model = llm.get_model("gpt-4.1-mini")
chain_response = model.chain(
    "Rs in strawberry?",
    tools=[count_char_in_text],
    after_call=print
)
for chunk in chain_response:
    print(chunk, end="", flush=True)

Asenkron fonksiyonlar (async def) da desteklenir ve eşzamanlı çalıştırılabilir
Araç kutusu eklentileri de tools=[Datasette(...)] biçiminde doğrudan bağlanabilir

Araç paradigmasının gelişim süreci

Araç çağırma kalıbı, 2022’deki ReAcT makalesi gibi çalışmalarda tanıtıldıktan sonra tüm büyük LLM sağlayıcıları ve yerel modeller tarafından benimsendi
API’ler, “Function calling” veya “tool use” gibi farklı adlarla benzer bir ortak biçimi kullanıyor
Ollama, llama.cpp gibi projeler de zaten araç desteği eklemiş ve bunu genişletiyor

Geliştirme ve operasyon tarafındaki perde arkası

LLM’in uzun süredir araç entegrasyonuna ihtiyaç duyduğu biliniyordu; ancak farklı modeller arasında bir soyutlama katmanı tasarlamak zordu
Sağlayıcılar arasındaki araç kalıbı standartlaştıkça, LLM 0.26’da birleşik bir uygulama mümkün hale geldi
PyCon US 2025 atölyesinde pratik kullanım örnekleriyle gösterildi

“Ajan” kavramıyla ilişkisi

“Ajan” terimi hâlâ tartışmalı olsa da, güncel LLM ekosisteminde “tool in the loop” biçimi standartlaşıyor
LLM 0.26, ajan geliştirme için de uygun bir uygulama sunuyor
Gelecekte eklenti üretimi için şablonlar, iyileştirme başlıkları ve gelişmiş eklenti dokümantasyonu üzerinde aktif çalışma sürüyor

Model Context Protocol (MCP) desteği yolda

MCP, LLM’lerin araçlara erişmesi için hızla yükselen yeni bir standart protokoldür
Son 8 gün içinde OpenAI, Anthropic, Mistral gibi büyük sağlayıcıların API’lerine de hızla girmeye başladı
Gelecekte LLM’in bir MCP istemcisine dönüştürülerek farklı MCP sunucularına kolayca bağlanması planlanıyor

Topluluk ve genişleme

LLM projesi, eklenti ve araç geliştirme tartışmaları ile ekosistemin büyümesi için bir Discord topluluğu işletiyor
Açık kaynak ekosisteminde araç tabanlı LLM kullanımının olanaklarının neredeyse sınırsız olduğu vurgulanıyor

Bu yaklaşımla LLM 0.26, tüm büyük LLM modelleriyle entegre olabilen, genel amaçlı ve genişletilebilir bir araç entegrasyon platformuna dönüşüyor. Araçlar sayesinde dil modellerinin kullanım alanı ciddi biçimde genişliyor; bu da onu geliştiriciler ve BT profesyonelleri için son derece anlamlı bir araç haline getiriyor.

1 yorum

GN⁺ 2025-05-28

Hacker News görüşü

Bu araç için bizzat yaptığım bir akışlı Markdown render'ım var
Daha fazlası için Streamdown'a bakabilirsiniz
Ayrıca burada da ilgili bir şey var
Simon'ın llm aracı üstüne kurulu tmux aracı llmehelp'i de kendim yaptım
Artık her gün kullandığım vazgeçilmez bir araç oldu
- Bu kütüphane gerçekten harika görünüyor
  Eklentilerin içerik gösterimini doğrudan kontrol etmesini sağlayacak bir hook olsa güzel olur diye düşündüm
  Bununla ilgili issue'yu buraya açtım
  Birkaç tasarım seçeneği ekledim ama hâlâ %100 emin değilim
  Geri bildirim almayı gerçekten isterim
- Unuttuğum bir şey daha vardı
  Bu kez llm tabanlı bir ZSH eklentisi
  zle kullanarak İngilizceyi tek seferde shell komutuna çeviriyor
  Adı Zummoner
  Hayatımı tamamen değiştiren bir araç oldu
  Mesela bugün kendim için yaptığım bir komut
```
  $ git find out if abcdefg is a descendent of hijklmnop 
```
  Gerçekte bu yorumlardan birinde kullandığım komut da şuydu
```
  $ for i in $(seq 1 6); do 
   printf "%${i}sh${i}\n\n-----\n" | tr " " "#"; 
  done | pv -bqL 30 
```
  Aslında başlangıçta şu vardı
```
  $ for i in $(seq 1 6); do 
   printf "(# $i times)\n\n-----\n"
  done | pv (30 bps and quietly)
```
  Güvendiğim ctrl-x x kısayoluyla buffer'ı OpenRouter'a gönderiyorum ve 1 saniyeden kısa sürede doğru sözdizimiyle geri dönüyor
- Süper
  Ben de akış hâlindeki LLM çıktısını hızlı gösterebilmek için farklı dillerde akışlı Markdown render'ları yazmıştım
  Bunu yapan tek kişinin ben olmadığını görmek güzel
- İlginç, kesin deneyeceğim
  Ben llm'i bat ile birlikte sözdizimi vurgulaması için kullanıyorum
- Tam da istediğim özellik buydu
  Teşekkürler
Bu tür araçlarda footgun riski gerçekten oldukça yüksek
Belgelerde prompt injection konusunda uyarı var ama pratikte kendi yaptığınız hatalardan doğan zarar daha yaygın olacak gibi geliyor
Örneğin araca bir aracı kurum hesabına erişim verirseniz işlem otomasyonu mümkün olur
Prompt injection olmasa bile bot aptalca işlemler yaparsa bunu engellemenin bir yolu yok
İlgili doküman
- Bu tür kaza riski gerçekten çok büyük
  LLM'e araçlar bağladığınızda, kimliği doğrulanmış çağrılarla sizin adınıza işlem yapabildiği için çok fazla beklenmedik durum ortaya çıkabiliyor
  Bunu yakın zamandaki GitHub MCP örneği gibi vakalarda görebiliyoruz ilgili yazı
  Belgelerde de risk uyarısını çok görünür yaptım; gerçekten zarar verebilecek ilk araç eklentilerini ise bilerek yayımlamadım
  Bu yüzden QuickJS sandbox ve SQLite eklentilerim yalnızca salt okunur
  Yine de bu alan başlı başına çok eğlenceli ve büyüleyici bir yelpaze
- Eğer biri llm'i aracı kurum hesabına bağlıyorsa, bu botun aptallığından çok insanın aptallığına girer
- Her araç kötüye kullanılabilir
llm kullananlara Gtk-llm-chat'i öneririm
İnanılmaz emek verilmiş bir temel üzerine kurulu
llm komut satırı aracıyla masaüstü entegrasyonu, tray ikonu ve temiz bir sohbet penceresi sunuyor
Yakın zamanda 3 büyük masaüstü işletim sistemi için paketlerle 3.0.0 sürümü çıktı
- İlginç
  Sıradan sohbet dışında başka ne amaçla kullandığınızı merak ediyorum
Bunun zamanlaması gerçekten mükemmel
Son zamanlarda terminalde (Warp) çeşitli şeyler deniyorum; agent fikri hoşuma gidiyor ama Cursor gibi "prompt'larımıza/LLM çağrılarımıza güvenin ve ücretini ödeyin" yaklaşımı bana pek çekici gelmiyor
O yüzden sadece zayıf shell becerilerimi telafi edecek basit, CLI tabanlı bir terminal agent'ına ihtiyacım vardı
Bu tür araçların footgun riski taşıdığını gayet iyi biliyorum
Ama terminal araçları + llm birleşimi hafiflik açısından gerçekten ideal görünüyor
Bazı diğer "agent" ürünlerinde olduğu gibi, llm bir rm -rf ./* çağrısı yapmak istediğinde "Onaylamak için Y'ye bas" türü bir onay mekanizması destekleniyor mu diye merak ediyorum
Bu olursa LLM'in terminalimi istediği gibi kullanmasını önleyebilir ve bir miktar koruma sağlayabilirim
- Codex CLI'ın varsayılan modu sanırım tam olarak böyle çalışıyor
  --full-auto bayrağı olmadan çalıştırırsanız her seferinde onay istiyor
llm için zsh/omz tab tamamlama eklentisini aktif olarak sürdürüyorum, ama yeni özelliklerin çıkış hızı o kadar yüksek ki yetişmek zor oluyor
Neyse ki aşağıdaki komut işi %90 oranında otomatik yaptı
```
llm -f README.md -f llm.plugin.zsh -f completions/_llm -f https://simonwillison.net/2025/May/27/llm-tools/ "implement tab completions for the new tool plugins feature"
```
Eklenti depom burada
Olabildiğince çok seçeneği kapsamak istediğim için yapı biraz karmaşık
Geri bildirim alabilirsem gerçekten sevinirim
- Bunun gerçekten bilim kurgu değil de gerçek olması hayret verici
  Gelecek nesiller bizim bir şeyleri nasıl inşa ettiğimize şaşıracak gibi geliyor
  Bizim assembly programcılarının nasıl çalıştığını hayal edemememize benziyor
GPT-4.1, yapılandırılmış çıktılardan araç çağrılarına kadar gerçekten çok güçlü bir model
Son 2 yıldır günlük tekrar eden işlerimin neredeyse tamamını LLM'ler hallediyor
Ucuz ve performanslı model kombinasyonu sayesinde bunu hep varsayılan modelim olarak seçiyorum
- Açıkçası GPT-4.1 mini beni gerçekten şaşırttı
  API üzerinden her şeyi denedikten sonra şunu gördüm: inanılmaz ucuz ama gerçekten işlerin büyük kısmını çok iyi yapıyor
  Kodlama için o4-mini, diğer çoğu iş için 4.1-mini genelde fazlasıyla yeterli
  Bugün eğlence olsun diye kullandığım bir örnek
```
llm -f https://raw.githubusercontent.com/BenjaminAster/CSS-Minecraft/… \
  -s 'explain all the tricks used by this CSS'
```
  İçinde tek bir yorum bile olmayan mükemmel bir CSS Minecraft demosunun kodunu GPT-4.1 mini'ye açıklattım
  İlgili demo kaynağı
  GPT-4.1 mini'nin verdiği yanıt gerçekten çok iyiydi
  "Bu CSS, en son CSS teknikleriyle minimum JavaScript kullanarak 3D etkileşimli voxel tarzı bir arayüz oluşturuyor" gibi zor numaraları bile doğru tespit etti
  Açıklamanın tamamı
  3.813 giriş token'ı, 1.291 çıkış token'ı
  Hesaplamaya göre yaklaşık 0,3591 sent; yani 1 sentin üçte biri kadar bir maliyet
Simon'ın araçları gerçekten inanılmaz
Her gün kullanıyorum
Pipe birleşimleri ve modeller arasında kolay geçiş yapabilmek (ollama gibi yerel ve uzak seçenekler dâhil) işleri çok kolaylaştırıyor
Gerçekten harika bir gelişme
Bildiğim kadarıyla llama.cpp da araç desteği sunuyor ama bunu llm içinden nasıl bağlayacağımı henüz bulamadım
Belki extra-openai-models.yaml içine bir şey ekleyerek çözülebilir diye merak ediyorum
- Bunun için muhtemelen llm-gguf veya llm-llama-server tarafında değişiklik gerekir
  ... denedim ve ikinci yöntem çalıştı
```
brew install llama.cpp
llama-server --jinja -hf unsloth/gemma-3-4b-it-GGUF:Q4_K_XL
```
  Sonra ayrı bir pencerede
```
llm install llm-llama-server
llm -m llama-server-tools -T llm_time 'what time is it?' --td
```
  Özetini burada yazdım
Bu sürüm için gerçekten minnettarım
Bu kütüphanenin, mevcut istemcilerin sınırlarını ve kısıtlarını aşarak LLM'in sunduğu imkânları tam anlamıyla açan temel bir bileşen olduğunu düşünüyorum
0.26 alpha sürümünden beri MCP sunucularıyla etkileşen bir eklenti yapmaya çalışıyorum ama biraz zorlayıcı geliyor
Şimdilik bağlanıp araçları dinamik olarak alıp kullanabilecek hâle getirdim, ancak parametre geçişini henüz çözemedim
- Ben de bu sabah MCP ile biraz deney yaptım
  Mümkün olduğunca basit bir eklenti demosu kurmaya çalıştım ama kolay değildi
  Resmî mcp Python kütüphanesi asyncio çalıştırma, sunucuya bağlanma ve mevcut araç introspection'ı gibi şeyler gerektiriyor
Uzun süredir beklenen bir özellikti
Bunun mcp veya openapi tabanlı olacağını düşünmüştüm ama mevcut yaklaşım çok daha basit ve esnek olabilir
Bunu eklenti olarak uygulamak da zor görünmüyor

LLM CLI aracım artık Python kodundan veya eklentilerden araç çalıştırabiliyor

LLM 0.26: terminalde büyük dil modeliyle araç çalıştırma desteği

Başlıca özellikler ve değişiklikler

Araç kullanım örnekleri

Kullanıma hazırlık

Farklı modeller ve eklentiler desteği

Matematik işlemleri ve kod çalıştırma

Araç eklentileri tanıtımı

Doğrudan Python koduyla araç tanımlama

Python kütüphanesiyle entegre kullanım

Araç paradigmasının gelişim süreci

Geliştirme ve operasyon tarafındaki perde arkası

“Ajan” kavramıyla ilişkisi

Model Context Protocol (MCP) desteği yolda

Topluluk ve genişleme

İlgili okumalar

1 yorum

Hacker News görüşü