Премини към основното съдържание
Български— Изберете език
Меню

Инструменти и извикване на функции в гласов режим

Урок 5 от 14 Обновен 29 юли 2026 г. Средно
На тази страница
  1. Агент, който действа, а не само говори
  2. Петте вида инструменти
  3. Пълният цикъл на извикване на функция
  4. Когато няколко функции се задействат едновременно
  5. Ограничения, специфични за гласа
  6. Ключови изводи

Агент, който действа, а не само говори

Гласовият асистент, който може единствено да води разговор, бързо се сблъсква с ограничение: той отговаря учтиво на въпроса „Къде е моята поръчка?“, без да знае нищо. Истинската стойност на Гласовия агент се крие в способността му да предприема действия посред разговор (да заявка база данни, да изпълни търсене в уеб, да извика бизнес API или да достигне до MCP сървър) и да прочете резултата така, сякаш нищо не се е случило.

Петте вида инструменти

Уеб търсенето в най-простата си форма не изисква параметри:

{ "type": "web_search" }

След това агентът извършва търсене в уеб в реално време, което обхваща фактологични въпроси, новини и всякакви данни, които се променят твърде често, за да бъдат включени в подкана (prompt).

Търсенето в X работи по същия начин, с възможност за ограничаването му до определени акаунти:

{
  "type": "x_search",
  "allowed_x_handles": ["corsen_ai"]
}

Параметърът allowed_x_handles е незадължителен, но променя същността на инструмента. Без него агентът търси в цялата платформа; с него агентът се превръща в говорител, който цитира единствено Вашите официални публикации.

Търсенето на файлове заявява колекции от векторизирани документи, като Вашите наръчници, процедури и продуктова документация:

{
  "type": "file_search",
  "vector_store_ids": ["vs_abc123"],
  "max_num_results": 10
}

Персонализираните функции отварят вратата към Вашите собствени системи. Това е видът инструмент, който ще използвате най-често, и си заслужава да го декларирате внимателно:

{
  "type": "function",
  "name": "check_order",
  "description": "Checks the status of a customer order",
  "parameters": {
    "type": "object",
    "properties": {
      "order_number": {
        "type": "string",
        "description": "The order number, in the format CMD-XXXX"
      }
    },
    "required": ["order_number"]
  }
}

По същия начин можете да свържете CRM, ERP, календар или вътрешна база данни. Накрая, MCP сървърите осигуряват достъп до стандартизирани инструменти чрез Model Context Protocol, така че не се налага да преправяте интеграция за всяка услуга:

{
  "type": "mcp",
  "server_url": "https://mcp.example.com/sse",
  "server_label": "My MCP server"
}

Пълният цикъл на извикване на функция

Когато агентът реши да извика функция, той не я изпълнява сам: той Ви моли да го направите, а Вашето приложение върши работата. Първо аргументите се предават поточно чрез response.function_call_arguments.delta. След това събитието response.function_call_arguments.done маркира края на заявката и Ви предоставя call_id заедно с пълните аргументи. Ваша отговорност е да изпълните функцията и след това да върнете резултата като conversation.item.create от тип function_call_output:

{
  "type": "conversation.item.create",
  "item": {
    "type": "function_call_output",
    "call_id": "call_abc123",
    "output": "{\"status\": \"shipped\", \"delivery_date\": \"2026-04-05\"}"
  }
}

Една последна стъпка е от съществено значение и именно нея хората често пропускат: изпратете response.create, за да може агентът да включи резултата в своя гласов отговор. Без това резултатът достига до разговора, но нищо не се случва. Потребителят чува тишина, а Вие започвате да търсите бъга на грешното място.

Когато няколко функции се задействат едновременно

Моделът може да реши да извика две или три функции едновременно, например за проверка на поръчка и търсене на график за доставка. Тогава получавате няколко събития function_call_arguments.done, всяко със собствен call_id. Изпълнете ги всички, успоредно, ако е възможно, за да не се сумират латенциите, предоставете всеки резултат в собствен conversation.item.create и изпратете едно единствено response.create най-накрая. Използването на едно response.create за всяка функция би предизвикало толкова много конкуриращи се гласови отговори и агентът би започнал да говори върху самия себе си.

// Receive and run all the functions
const results = await Promise.all(
  pendingCalls.map(call => executeFunction(call))
);

// Submit all the results
for (const result of results) {
  ws.send(JSON.stringify({
    type: "conversation.item.create",
    item: {
      type: "function_call_output",
      call_id: result.callId,
      output: JSON.stringify(result.data)
    }
  }));
}

// Trigger the response
ws.send(JSON.stringify({ type: "response.create" }));

Ограничения, специфични за гласа

Това, което остава незабелязано в текстов интерфейс, става очебийно при речта, започвайки от времето. Никой не чака повече от три до пет секунди посред разговор. След този праг потребителите смятат, че връзката е прекъсната, и започват да говорят. Ако Вашата функция заявява бавна система, накарайте агента да произнесе фраза за изчакване по време на извикването, вместо да оставя мъртва тишина.

Размерът на резултатите също има значение. Агентът трябва да обобщи на глас всичко, което му предоставите, а списък с четиридесет поръчки ще доведе или до безкрайно рецитиране, или до грубо обобщение. Връщайте структурирани данни, но ги ограничете до същественото. Обърнете внимание и на описанието на всяка функция, тъй като това е единственото, на което моделът разчита, за да направи избор: неясно описание като „обработва поръчки“ го кара да се колебае или да избере грешния инструмент. И планирайте за неуспех. Когато функция се срине, върнете изрично съобщение за грешка в output, вместо нищо, иначе агентът ще импровизира отговор, без да знае, че извикването е пропаднало.

Ключови изводи

  • Гласовият агент поддържа пет вида инструменти: уеб търсене, търсене в X, търсене на файлове, функции и MCP
  • Извикването на функция преминава през четири стъпки: получаване на аргументите, изпълнение на функцията, връщане на резултата и задействане на отговора
  • Възможни са паралелни извиквания: изпълнете всичко, предоставете всичко и след това изпратете едно единствено response.create
  • При гласово взаимодействие времето за отговор на функцията е от критично значение: стремете се към под 3 секунди