La versión 0.26 de LLM, una herramienta de línea de comandos (CLI) y biblioteca de Python creada por Simon Willison, introduce una característica transformadora: el soporte para "tools" (herramientas). Esta innovación permite que los Modelos de Lenguaje Grandes (LLM) interactúen y ejecuten funciones de Python directamente desde la terminal, ampliando significativamente sus capacidades más allá de la simple generación de texto. 

Funcionamiento y Modelos Soportados: LLM 0.26 permite a los usuarios otorgar a diversos LLM —incluyendo aquellos de OpenAI, Anthropic, Gemini, así como modelos locales accesibles a través de Ollama y llama-server— acceso a cualquier herramienta que pueda ser representada como una función de Python. Esto se logra mediante un sistema de plugins de herramientas, que pueden instalarse para añadir nuevas capacidades a cualquier modelo que se utilice. Las herramientas se pueden cargar por nombre mediante la opción --tool o -T. Un ejemplo es el plugin llm-tools-exa, desarrollado por Dan Turkel, que añade capacidades de búsqueda web utilizando el motor de búsqueda Exa. Otro plugin, llm-github-models, ahora también soporta el uso de herramientas para modelos alojados en la API de GitHub Models.

Hacia Sistemas Más "Agentic": Esta capacidad de ejecutar herramientas externas es fundamental para la creación de sistemas de IA más "agentic". Los agentes de IA, definidos como sistemas autónomos impulsados por LLM, necesitan poder planificar, usar herramientas y tomar acciones para alcanzar objetivos. La integración de herramientas en LLM 0.26 es un paso crucial en esta dirección, ya que dota a los modelos de la capacidad de interactuar con el entorno digital de formas más complejas. 

Convergencia en la Industria: Es notable la convergencia de esta funcionalidad entre los principales proveedores de LLM. Mistral, por ejemplo, anunció recientemente su "Agents API" que incluye ejecución de código (Python en un sandbox), generación de imágenes, búsqueda web (con opciones premium que acceden a agencias de noticias como AFP y AP) y una biblioteca de documentos para RAG (Retrieval Augmented Generation) sobre documentos subidos por el usuario. Esta tendencia es similar a las capacidades ofrecidas por OpenAI (con su Code Interpreter) y Anthropic.

Además, se observa la adopción del Model Context Protocol (MCP), con OpenAI, Anthropic y Mistral implementando soporte para servidores MCP en sus API en mayo de 2025. Esto permite que los LLM accedan a información contextual de repositorios privados de manera controlada, aunque también plantea nuevos desafíos de seguridad, como se evidenció con un exploit en el servidor MCP de GitHub que permitía la exfiltración de información privada.