Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Ingen opkald til brugerdefinerede funktioner: Forstå begrænsningen

Lektion 10 af 14 Opdateret 29. juli 2026 Udvikler
På denne side
  1. En strukturel begrænsning
  2. Den præcise afgrænsning
  3. Hvor denne begrænsning kommer fra
  4. Eksponér dine API’er via en MCP-server
  5. Adskil research fra handling
  6. Berig før, behandl efter
  7. Vigtige pointer

En strukturel begrænsning

Hvis du er vant til at deklarere dine egne funktioner og lade modellen beslutte, hvornår de skal kaldes, må du ændre tilgang: Groks multi-agent-system understøtter ikke opkald til brugerdefinerede funktioner. Det er ikke en konfigurationsdetalje, men en arkitektonisk begrænsning, der påvirker, hvordan du strukturerer din applikation. Det er bedre at finde ud af det nu end efter at have skrevet tre hundrede linjer med funktionsskemaer.

Den præcise afgrænsning

Det, der virker, er de fem indbyggede værktøjer fra den tidligere lektion: web_search til søgning på nettet i realtid, x_search til X-platformen, code_execution til at køre Python, collections_search til dine indekserede samlinger og Remote MCP til eksterne værktøjer via MCP-protokollen. Intet andet virker. Funktioner defineret i din kode, brugerdefinerede skemaer og opkald til dine egne API’er via mekanismen for funktionskald bliver alle afvist.

Specifikt har deklarationen nedenfor, som er fuldt gyldig med en standardmodel, ingen effekt i multi-agent-tilstand.

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

Hvor denne begrænsning kommer fra

Årsagen handler om koordination. Med en enkelt model er løkken for funktionskald klar: modellen anmoder om et kald, din kode udfører det, du returnerer resultatet, og modellen fortsætter. Introducer nu fire eller seksten agenter, der arbejder parallelt, så hobes spørgsmålene op. Hvem beslutter at kalde funktionen? Hvad nu hvis to agenter kalder samme funktion samtidigt med forskellige argumenter? Hvordan syntetiserer lederen resultater opnået af underagenter, hvis ræsonnement den ikke har fulgt?

Indbyggede værktøjer er designet til denne kontekst og ved, hvordan de skal opføre sig korrekt, når flere agenter anmoder om dem på samme tid. Dine funktioner er derimod skrevet under antagelse af en enkelt kaldende. Denne begrænsning afspejler denne designforskel snarere end en midlertidig mangel.

Eksponér dine API’er via en MCP-server

Den reneste løsning er slet ikke at omgå det, men at bruge den tiltænkte dør. Hvis du har brug for at kalde dine egne tjenester, så eksponér dem via en MCP-server: agenterne håndterer dem derefter som native værktøjer med den nødvendige samtidighedsstyring. Det kræver lidt mere arbejde i starten end en funktionsdeklaration, men det forbliver den eneste måde at bringe dit informationssystem ind i søgeløkken på.

Adskil research fra handling

Anden strategi, som ofte er den rigtige, når dine funktioner udløser sideeffekter: del processen i to. Multi-agenten gør det, den er god til – at søge og analysere; en standardmodel overtager den del, der kalder dine API’er.

# 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

Denne adskillelse har en undervurderet fordel: den giver dig mulighed for at inspicere og validere søgeresultatet, før en irreversibel handling udløses. En agent, der booker et bord baseret på ukontrolleret research, er sjældent en god idé.

Berig før, behandl efter

Tredje tilgang, den letteste: kald dine API’er uden for samtalen, opstrøms for at berige prompten, nedstrøms for at udnytte svaret. Mange behov, som man tror kræver funktionskald, reduceres i virkeligheden til at injicere de rigtige data på det rigtige tidspunkt.

# 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"))

Kundeprofilen, ordrehistorikken eller budgetbegrænsningerne behøver ikke at blive hentet af modellen: du kender dem allerede, så giv dem blot til den. Husk endelig, at API’en er i beta, og at denne begrænsning kan ændre sig – endnu en grund til at isolere multi-agent-delen af din kode bag en grænseflade, du kan udvikle uden at skulle omskrive alt.

Vigtige pointer

  • Opkald til brugerdefinerede funktioner er ikke understøttet med multi-agent
  • Kun indbyggede værktøjer (web_search, x_search, code_execution, collections_search, Remote MCP) virker
  • Brug Remote MCP til at eksponere dine egne API’er for agenter
  • Adoptér en to-trins arkitektur, hvis du har brug for funktionskald
  • Denne begrænsning kan ændre sig i fremtidige versioner (API beta)