Премини към основното съдържание
Български— Изберете език
Меню

Липса на персонализирано извикване на функции: Разбиране на ограничението

Урок 10 от 14 Обновен 29 юли 2026 г. Програмист
На тази страница
  1. Структурно ограничение
  2. Точната граница
  3. Откъде идва това ограничение
  4. Изложете вашите API чрез MCP сървър
  5. Разделете проучването от действието
  6. Обогатете преди, обработете след
  7. Ключови изводи

Структурно ограничение

Ако сте свикнали да декларирате собствени функции и да оставяте модела да решава кога да ги извика, подгответе се да промените подхода си: мулти-агентната система на Grok не поддържа персонализирано извикване на функции. Това не е детайл от конфигурацията, а архитектурно ограничение, което влияе върху начина, по който структурирате приложението си. По-добре е да го разберете сега, отколкото след като напишете триста реда схеми за функции.

Точната граница

Работещи са петте вградени инструмента от предишния урок: web_search за търсене в уеб в реално време, x_search за платформата X, code_execution за изпълнение на Python, collections_search за вашите индексирани колекции и Remote MCP за външни инструменти чрез протокола MCP. Нищо друго не работи. Функции, дефинирани във вашия код, персонализирани схеми и извиквания към ваши собствени API чрез механизма за извикване на функции, всички се отхвърлят.

Конкретно, декларацията по-долу, напълно валидна при стандартен модел, няма ефект в мулти-агентна среда.

# DOES NOT WORK with multi-agent
tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "Get the weather",
            "parameters": {"type": "object", "properties": {"city": {"type": "string"}}}
        }
    }
]

Откъде идва това ограничение

Причината се свежда до координацията. При единичен модел цикълът за извикване на функции е ясен: моделът поиска извикване, вашият код го изпълнява, връщате резултата и моделът продължава. Сега въведете четири или шестнадесет агента, работещи паралелно, и въпросите се натрупват. Кой решава да извика функцията? Какво става, ако два агента извикат една и съща функция едновременно с различни аргументи? Как лидерът синтезира резултатите, получени от под-агентите, чиито разсъждения не е следил?

Вградените инструменти са проектирани за този контекст и знаят как да се държат правилно, когато множество агенти ги поискат едновременно. Вашите функции обаче са написани с предположението за единичен caller. Това ограничение отразява тази разлика в дизайна, а не временен недостатък.

Изложете вашите API чрез MCP сървър

Най-чистото решение е изобщо да не заобикаляте проблема, а да използвате предвидената врата. Ако трябва да извиквате ваши собствени услуги, изложете ги чрез MCP сървър: тогава агентите ще ги обработват като родни инструменти, с необходимото управление на конкурентността. Това изисква малко повече работа в началото в сравнение с декларацията на функция, но остава единственият начин да включите вашата информационна система в цикъла на търсене.

Разделете проучването от действието

Втора стратегия, често правилната, когато вашите функции предизвикват странични ефекти: разделете процеса на две части. Мулти-агентът прави това, което умее най-добре – търсене и анализ; стандартен модел поема частта, която извиква вашите API.

# Step 1: multi-agent research
chat = client.chat.create(
    model="grok-4.20-multi-agent-0309",
    agent_count=4,
    tools=[web_search()],
)
chat.append(user("Find the best Italian restaurants in Paris"))
research_result = ""
for response, chunk in chat.stream():
    if chunk.content:
        research_result += chunk.content

# Step 2: action with standard model + function calling
# Use grok-4.5 or another model that supports function calling

Това разделение има недооценено предимство: позволява ви да проверите и валидирате резултата от търсенето, преди да се задейства необратимо действие. Агент, който резервира маса въз основа на непроверено проучване, рядко е добра идея.

Обогатете преди, обработете след

Трети подход, най-лекият: извикайте вашите API извън разговора – предварително, за да обогатите подкана (prompt), или последващо, за да използвате отговора. Много нужди, за които се смята, че изискват извикване на функции, всъщност се свеждат до инжектиране на правилните данни в правилния момент.

# Pre-processing: enrich context
user_data = my_api.get_user_profile(user_id)
context = f"User profile: {user_data}"

# Multi-agent with enriched context
chat.append(user(f"{context}\n\nAnalyze options matching this profile"))

Профилът на клиента, историята на поръчките или бюджетните ограничения не трябва да се извличат от модела: вие вече ги знаете, просто му ги предоставете. Накрая, имайте предвид, че API е в бета версия и това ограничение може да се промени – още по-голяма причина да изолирате мулти-агентната част от вашия код зад интерфейс, който можете да развивате, без да пренаписвате всичко.

Ключови изводи

  • Персонализираното извикване на функции не се поддържа при мулти-агентна работа
  • Работят само вградените инструменти (web_search, x_search, code_execution, collections_search, Remote MCP)
  • Използвайте Remote MCP, за да изложите собствените си API пред агентите
  • Приложете двустъпкова архитектура, ако имате нужда от извикване на функции
  • Това ограничение може да се промени в бъдещи версии (API е в бета)