Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Værktøjer og funktionskald i tale

Lektion 5 af 14 Opdateret 29. juli 2026 Mellem
På denne side
  1. En agent der handler, ikke bare taler
  2. De fem typer værktøjer
  3. Den fulde cyklus for funktionskald
  4. Når flere funktioner fyres af samtidigt
  5. Begrænsninger specifikke for tale
  6. Vigtige pointer

En agent der handler, ikke bare taler

En taleassistent, der kun kan chatte, løber hurtigt ind i en mur: Den svarer høfligt på „Hvor er min ordre?”, uden at vide noget som helst. Den virkelige værdi ved Voice Agent ligger i dens evne til at handle midt i en samtale (forespørge en database, køre en websøgning, kalde en business-API eller nå en MCP-server) og læse resultatet op, som om intet var hændt.

De fem typer værktøjer

Websøgning tager i sin enkleste form ingen parametre:

{ "type": "web_search" }

Agenten søger derefter live på nettet, hvilket dækker faktuelle spørgsmål, nyheder og alle data, der ændrer sig for ofte til at leve i et prompt.

X-søgning fungerer på samme måde, med mulighed for at begrænse den til bestemte konti:

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

Parameteren allowed_x_handles er valgfri, men den ændrer værktøjets natur. Uden den søger agenten på hele platformen; med den bliver agenten en talsperson, der kun citerer dine officielle opslag.

Filsøgning forespørger samlinger af vektoriserede dokumenter, såsom dine manualer, procedurer og produktdokumentation:

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

Brugerdefinerede funktioner åbner døren til dine egne systemer. Dette er den type værktøj, du vil bruge mest, og det er værd at deklarere det omhyggeligt:

{
  "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"]
  }
}

Du kan forbinde et CRM, et ERP, en kalender eller en intern database på samme måde. Endelig giver MCP-servere adgang til standardiserede værktøjer via Model Context Protocol, så du slipper for at omskrive en integration for hver eneste tjeneste:

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

Den fulde cyklus for funktionskald

Når agenten beslutter at kalde en funktion, kører den den ikke selv: Den beder dig om det, og din app udfører arbejdet. Argumenterne streames først ind via response.function_call_arguments.delta. Derefter markerer begivenheden response.function_call_arguments.done slutningen på anmodningen og giver dig call_id sammen med de komplette argumenter. Det er op til dig at køre funktionen og derefter returnere resultatet som en conversation.item.create af typen function_call_output:

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

Et sidste skridt er afgørende, og det er det, folk glemmer: Send response.create, så agenten kan flette resultatet ind i sit talte svar. Uden dette når resultatet godt nok samtalen, men intet sker. Brugeren hører stilhed, og du leder efter fejlen det forkerte sted.

Når flere funktioner fyres af samtidigt

Modellen kan sagtens beslutte at kalde to eller tre funktioner på én gang, for eksempel for at tjekke en ordre og slå leveringsplanen op. Du modtager derefter flere function_call_arguments.done-begivenheder, hver med sit eget call_id. Kør dem alle, gerne parallelt hvis muligt, så latenserne ikke lægger sig oveni, indsend hvert resultat i sin egen conversation.item.create, og send én enkelt response.create helt til sidst. Én response.create pr. funktion ville udløse lige så mange konkurrerende talesvar, og agenten ville begynde at tale hen over sig selv.

// 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" }));

Begrænsninger specifikke for tale

Det, der går ubemærket hen i en tekstgrænseflade, bliver skrigende tydeligt i tale, startende med tid. Ingen venter mere end tre til fem sekunder midt i en samtale. Derudover tror brugeren, at forbindelsen er røget, og begynder at tale. Hvis din funktion forespørger et langsomt system, så lad agenten sige en ventesætning under kaldet i stedet for at efterlade død luft.

Størrelsen på resultaterne betyder lige så meget. Agenten skal opsummere højt, hvad end du giver den, og en liste på fyrre ordrer producerer enten en endeløs opremsning eller en grov sammenfatning. Returner strukturerede data, men hold det til det væsentlige. Vær også omhyggelig med hver funktions beskrivelse, da det er det eneste, modellen støtter sig til ved valg: En vag beskrivelse som „håndterer ordrer” får den til at tøve eller vælge det forkerte værktøj. Og planlæg efter fejl. Når en funktion crascher, så returner en eksplicit fejlmeddelelse i output i stedet for ingenting, ellers vil agenten improvisere et svar uden at vide, at kaldet mislykkedes.

Vigtige pointer

  • Voice Agent understøtter fem typer værktøjer: websøgning, X-søgning, filsøgning, funktioner og MCP
  • Et funktionskald gennemløber fire trin: modtag argumenterne, kør funktionen, returner resultatet og udløs svaret
  • Parallelle kald er mulige: kør alt, indsend alt, og send derefter én enkelt response.create
  • I tale er svartiden for funktioner afgørende: sigt efter under 3 sekunder