Keine benutzerdefinierte Funktionsaufrufe: Die Einschränkung verstehen
Auf dieser Seite
Eine strukturelle Einschränkung
Wenn Sie es gewohnt sind, eigene Funktionen zu deklarieren und dem Modell zu überlassen, wann diese aufgerufen werden, müssen Sie Ihre Herangehensweise ändern: Das Multi-Agenten-System von Grok unterstützt keine benutzerdefinierten Funktionsaufrufe. Dies ist kein Konfigurationsdetail, sondern eine architektonische Einschränkung, die beeinflusst, wie Sie Ihre Anwendung strukturieren. Besser, das jetzt zu erfahren, als nach dem Schreiben von dreihundert Zeilen Funktionsschemas.
Die genaue Grenze
Was funktioniert, sind die fünf integrierten Werkzeuge aus dem vorherigen Lektionsteil: web_search für Echtzeit-Web-Suchen, x_search für die X-Plattform, code_execution zum Ausführen von Python, collections_search für Ihre indizierten Sammlungen und Remote MCP für externe Tools über das MCP-Protokoll. Nichts anderes funktioniert. Funktionen, die in Ihrem Code definiert sind, benutzerdefinierte Schemas und Aufrufe Ihrer eigenen APIs über den Funktionsaufruf-Mechanismus werden alle abgelehnt.
Insbesondere hat die folgende Deklaration, die mit einem Standardmodell völlig gültig wäre, im Multi-Agenten-Modus keine Wirkung.
# FUNKTIONIERT NICHT mit Multi-Agenten
tools = [
{
"type": "function",
"function": {
"name": "get_weather",
"description": "Wetter ermitteln",
"parameters": {"type": "object", "properties": {"city": {"type": "string"}}}
}
}
]
Woher diese Einschränkung stammt
Der Grund liegt in der Koordination. Bei einem einzelnen Modell ist der Funktionsaufruf-Loop klar: Das Modell fordert einen Aufruf an, Ihr Code führt ihn aus, Sie geben das Ergebnis zurück, und das Modell fährt fort. Fügen Sie nun vier oder sechzehn Agenten hinzu, die parallel arbeiten, häufen sich die Fragen. Wer entscheidet, die Funktion aufzurufen? Was passiert, wenn zwei Agenten gleichzeitig dieselbe Funktion mit unterschiedlichen Argumenten aufrufen? Wie synthetisiert der Leader die Ergebnisse, die von Sub-Agenten erhalten wurden, deren Denkprozess er nicht verfolgt hat?
Integrierte Werkzeuge sind für diesen Kontext konzipiert und wissen, wie sie sich verhalten müssen, wenn mehrere Agenten sie gleichzeitig anfordern. Ihre Funktionen wurden jedoch unter der Annahme eines einzelnen Aufrufers geschrieben. Diese Einschränkung spiegelt diesen Designunterschied wider und ist kein vorübergehender Mangel.
Exponieren Sie Ihre APIs über einen MCP-Server
Die sauberste Lösung besteht nicht darin, einen Workaround zu finden, sondern die vorgesehene Tür zu nutzen. Wenn Sie Ihre eigenen Dienste aufrufen müssen, stellen Sie diese über einen MCP-Server bereit: Die Agenten behandeln sie dann wie native Werkzeuge, mit dem notwendigen Management der Parallelverarbeitung. Es ist etwas mehr Arbeit am Anfang als eine Funktionsdeklaration, bleibt aber der einzige Weg, um Ihr Informationssystem in den Suchprozess einzubinden.
Trennen Sie Forschung von Aktion
Zweite Strategie, oft die richtige, wenn Ihre Funktionen Nebenwirkungen auslösen: Trennen Sie den Prozess in zwei Schritte. Das Multi-Agenten-System erledigt, wofür es geeignet ist, also Suchen und Analysieren; ein Standardmodell übernimmt den Teil, der Ihre APIs aufruft.
# Schritt 1: Multi-Agenten-Forschung
chat = client.chat.create(
model="grok-4.20-multi-agent-0309",
agent_count=4,
tools=[web_search()],
)
chat.append(user("Finden Sie die besten italienischen Restaurants in Paris"))
research_result = ""
for response, chunk in chat.stream():
if chunk.content:
research_result += chunk.content
# Schritt 2: Aktion mit Standardmodell + Funktionsaufrufen
# Verwenden Sie grok-4.5 oder ein anderes Modell, das Funktionsaufrufe unterstützt
Diese Trennung hat einen unterschätzten Vorteil: Sie können das Suchergebnis prüfen und validieren, bevor eine irreversible Aktion ausgelöst wird. Dass ein Agent einen Tisch bucht, basierend auf unüberprüfter Forschung, ist selten eine gute Idee.
Anreichern vor, verarbeiten nach
Dritter Ansatz, der leichteste: Rufen Sie Ihre APIs außerhalb des Gesprächs auf, stromaufwärts, um den Prompt anzureichern, und stromabwärts, um auf die Antwort zuzugreifen. Viele Bedürfnisse, die einen Funktionsaufruf zu erfordern scheinen, reduzieren sich darauf, die richtigen Daten zur richtigen Zeit einzubinden.
# Vorverarbeitung: Kontext anreichern
user_data = my_api.get_user_profile(user_id)
context = f"Benutzerprofil: {user_data}"
# Multi-Agenten mit angereichertem Kontext
chat.append(user(f"{context}\n\nAnalysieren Sie Optionen, die zu diesem Profil passen"))
Das Kundenprofil, die Bestellhistorie oder Budgetbeschränkungen müssen nicht vom Modell abgerufen werden: Sie kennen sie bereits, geben Sie sie ihm einfach. Denken Sie schließlich daran, dass die API in der Beta-Phase ist und sich diese Einschränkung in zukünftigen Versionen ändern könnte – umso mehr Grund, den Multi-Agenten-Teil Ihres Codes hinter einer Schnittstelle zu isolieren, die Sie entwickeln können, ohne alles neu schreiben zu müssen.
Kernaussagen
- Benutzerdefinierte Funktionsaufrufe werden mit Multi-Agenten nicht unterstützt
- Nur integrierte Werkzeuge (web_search, x_search, code_execution, collections_search, Remote MCP) funktionieren
- Nutzen Sie Remote MCP, um Ihre eigenen APIs für Agenten verfügbar zu machen
- Adoptieren Sie eine zweistufige Architektur, wenn Sie Funktionsaufrufe benötigen
- Diese Einschränkung kann sich in zukünftigen Versionen ändern (API in Beta)