Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Εργαλεία και κλήση συναρτήσεων στη φωνητική επικοινωνία

Μάθημα 5 / 14 Ενημερώθηκε 29 Ιουλίου 2026 Μέσου επιπέδου
Σε αυτήν τη σελίδα
  1. Ένας πράκτορας που δρα, όχι απλώς μιλά
  2. Οι πέντε τύποι εργαλείων
  3. Ο πλήρης κύκλος κλήσης συνάρτησης
  4. Όταν ενεργοποιούνται πολλές συναρτήσεις ταυτόχρονα
  5. Περιορισμοί συγκεκριμένοι στη φωνή
  6. Βασικά σημεία

Ένας πράκτορας που δρα, όχι απλώς μιλά

Ένας φωνητικός βοηθός που μπορεί μόνο να συνομιλεί σύντομα προσκρούει σε ένα εμπόδιο: απαντά ευγενικά στο «Πού είναι η παραγγελία μου;», χωρίς να γνωρίζει τίποτα. Η πραγματική αξία του Voice Agent έγκειται στην ικανότητά του να αναλαμβάνει δράση στη μέση μιας συνομιλίας (να ερωτά μια βάση δεδομένων, να εκτελεί αναζήτηση στον ιστό, να καλεί ένα επιχειρηματικό API, να προσεγγίζει έναν διακομιστή MCP) και να εκφωνεί το αποτέλεσμα σαν να μην συνέβη τίποτα.

Οι πέντε τύποι εργαλείων

Η αναζήτηση στον ιστό, στην απλούστερη μορφή της, δεν λαμβάνει παραμέτρους:

{ "type": "web_search" }

Ο πράκτορας αναζητά τότε ζωντανά στον ιστό, κάτι που καλύπτει ερωτήσεις γεγονότων, ειδήσεις και οποιαδήποτε δεδομένα αλλάζουν πολύ συχνά για να ζουν μέσα σε ένα prompt.

Η αναζήτηση X λειτουργεί με τον ίδιο τρόπο, με την επιλογή περιορισμού της σε συγκεκριμένους λογαριασμούς:

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

Η παράμετρος allowed_x_handles είναι προαιρετική, αλλά αλλάζει τη φύση του εργαλείου. Χωρίς αυτήν, ο πράκτορας αναζητά σε όλη την πλατφόρμα· με αυτήν, ο πράκτορας γίνεται εκπρόσωπος που παραθέτει μόνο τις επίσημες αναρτήσεις σας.

Η αναζήτηση αρχείων ερωτά συλλογές διανυσματοποιημένων εγγράφων, όπως τα εγχειρίδιά σας, τις διαδικασίες και την τεκμηρίωση προϊόντων:

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

Οι προσαρμοσμένες συναρτήσεις ανοίγουν την πόρτα στα δικά σας συστήματα. Αυτό είναι το είδος του εργαλείου που θα χρησιμοποιείτε συχνότερα, και αξίζει να το δηλώσετε προσεκτικά:

{
  "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"]
  }
}

Μπορείτε να συνδέσετε ένα CRM, ένα ERP, ένα ημερολόγιο ή μια εσωτερική βάση δεδομένων με τον ίδιο τρόπο. Τέλος, οι διακομιστές MCP παρέχουν πρόσβαση σε τυποποιημένα εργαλεία μέσω του Model Context Protocol, ώστε να μην χρειάζεται να ξαναγράφετε μια ενσωμάτωση για κάθε υπηρεσία:

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

Ο πλήρης κύκλος κλήσης συνάρτησης

Όταν ο πράκτορας αποφασίζει να καλέσει μια συνάρτηση, δεν την εκτελεί ο ίδιος: σας ζητά να το κάνετε εσείς, και η εφαρμογή σας κάνει τη δουλειά. Τα ορίσματα αρχικά ρέουν μέσω του response.function_call_arguments.delta. Στη συνέχεια, το συμβάν response.function_call_arguments.done σηματοδοτεί το τέλος του αιτήματος και σας παρέχει το call_id μαζί με τα πλήρη ορίσματα. Εναπόκειται σε εσάς να εκτελέσετε τη συνάρτηση και στη συνέχεια να επιστρέψετε το αποτέλεσμα ως conversation.item.create τύπου function_call_output:

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

Ένα τελευταίο βήμα είναι απαραίτητο, και είναι αυτό που οι άνθρωποι ξεχνούν: στείλτε response.create ώστε ο πράκτορας να ενσωματώσει το αποτέλεσμα στην προφορική απάντησή του. Χωρίς αυτό, το αποτέλεσμα φτάνει όντως στη συνομιλία αλλά δεν συμβαίνει τίποτα. Ο χρήστης ακούει σιωπή, και εσείς ψάχνετε το σφάλμα στο λάθος σημείο.

Όταν ενεργοποιούνται πολλές συναρτήσεις ταυτόχρονα

Το μοντέλο μπορεί κάλλιστα να αποφασίσει να καλέσει δύο ή τρεις συναρτήσεις ταυτόχρονα, για παράδειγμα για να ελέγξει μια παραγγελία και να αναζητήσει το πρόγραμμα παράδοσης. Λαμβάνετε τότε πολλά συμβάντα function_call_arguments.done, το καθένα με το δικό του call_id. Εκτελέστε τα όλα, παράλληλα αν μπορείτε ώστε οι καθυστερήσεις να μην αθροίζονται, υποβάλετε κάθε αποτέλεσμα στο δικό του conversation.item.create και στείλτε ένα μοναδικό response.create στο πολύ τέλος. Ένα response.create ανά συνάρτηση θα πυροδοτούσε τόσες ανταγωνιστικές φωνητικές αποκρίσεις, και ο πράκτορας θα άρχιζε να μιλάει πάνω από τον εαυτό του.

// 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" }));

Περιορισμοί συγκεκριμένοι στη φωνή

Αυτό που περνά απαρατήρητο σε μια διεπαφή κειμένου γίνεται κραυγαλέο στην ομιλία, ξεκινώντας από τον χρόνο. Κανείς δεν περιμένει περισσότερο από τρία έως πέντε δευτερόλεπτα στη μέση μιας συνομιλίας. Πέρα από αυτό, οι χρήστες νομίζουν ότι η γραμμή έχει πέσει και αρχίζουν να μιλούν. Αν η συνάρτησή σας ερωτά ένα αργό σύστημα, ζητήστε από τον πράκτορα να πει μια φράση αναμονής κατά τη διάρκεια της κλήσης αντί να αφήνει νεκρό αέρα.

Το μέγεθος των αποτελεσμάτων έχει εξίσου σημασία. Ο πράκτορας πρέπει να συνοψίζει προφορικά ό,τι του δίνετε, και μια λίστα σαράντα παραγγελιών παράγει είτε μια ατελείωτη απαγγελία είτε μια πρόχειρη σύνοψη. Επιστρέψτε δομημένα δεδομένα, αλλά κρατήστε μόνο ό,τι έχει σημασία. Προσέξτε επίσης την περιγραφή κάθε συνάρτησης, καθώς είναι το μόνο στοιχείο στο οποίο βασίζεται το μοντέλο για να επιλέξει: μια ασαφής περιγραφή όπως «διαχειρίζεται παραγγελίες» το κάνει να διστάζει ή να επιλέγει το λάθος εργαλείο. Και προβλέψτε την αποτυχία. Όταν μια συνάρτηση καταρρέει, επιστρέψτε ένα ρητό μήνυμα σφάλματος στο output αντί για τίποτα, διαφορετικά ο πράκτορας θα αυτοσχεδιάσει μια απάντηση χωρίς να γνωρίζει ότι η κλήση απέτυχε.

Βασικά σημεία

  • Ο Voice Agent υποστηρίζει πέντε τύπους εργαλείων: αναζήτηση στον ιστό, αναζήτηση X, αναζήτηση αρχείων, συναρτήσεις και MCP
  • Μια κλήση συνάρτησης περνά από τέσσερα βήματα: λήψη των ορισμάτων, εκτέλεση της συνάρτησης, επιστροφή του αποτελέσματος και ενεργοποίηση της απόκρισης
  • Οι παράλληλες κλήσεις είναι εφικτές: εκτελέστε τα πάντα, υποβάλετε τα πάντα και στη συνέχεια στείλτε ένα μοναδικό response.create
  • Στη φωνητική επικοινωνία, ο χρόνος απόκρισης της συνάρτησης είναι κρίσιμος: στοχεύστε σε λιγότερο από 3 δευτερόλεπτα