Ir al contenido principal
Español— Elegir un idioma
Menú

Sin llamada a funciones personalizadas: comprensión de la limitación

Lección 10 de 14 Actualizado el 29 de julio de 2026 Desarrollador
En esta página
  1. Una limitación estructural
  2. El límite exacto
  3. El origen de esta restricción
  4. Expón tus API mediante un servidor MCP
  5. Separa la investigación de la acción
  6. Enriquece antes, procesa después
  7. Puntos clave

Una limitación estructural

Si estás acostumbrado a declarar tus propias funciones y dejar que el modelo decida cuándo llamarlas, prepárate para cambiar tu enfoque: el sistema multiagente de Grok no admite la llamada a funciones personalizadas. Esto no es un detalle de configuración; es una restricción arquitectónica que afecta a cómo estructuras tu aplicación. Es mejor descubrirlo ahora que después de haber escrito trescientas líneas de esquemas de funciones.

El límite exacto

Lo que funciona son las cinco herramientas integradas de la lección anterior: web_search para búsquedas web en tiempo real, x_search para la plataforma X, code_execution para ejecutar Python, collections_search para tus colecciones indexadas y Remote MCP para herramientas externas mediante el protocolo MCP. Nada más funciona. Las funciones definidas en tu código, los esquemas personalizados y las llamadas a tus propias API a través del mecanismo de llamada a funciones son rechazados.

En concreto, la siguiente declaración, perfectamente válida con un modelo estándar, no tiene ningún efecto en el modo multiagente.

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

El origen de esta restricción

La razón se reduce a la coordinación. Con un único modelo, el bucle de llamada a funciones es claro: el modelo solicita una llamada, tu código la ejecuta, devuelves el resultado y el modelo continúa. Ahora introduce cuatro o dieciséis agentes trabajando en paralelo y las preguntas se acumulan. ¿Quién decide llamar a la función? ¿Qué ocurre si dos agentes llaman a la misma función simultáneamente con argumentos diferentes? ¿Cómo sintetiza el líder los resultados obtenidos por subagentes cuyo razonamiento no ha seguido?

Las herramientas integradas están diseñadas para este contexto y saben cómo comportarse correctamente cuando varios agentes las solicitan a la vez. Tus funciones, sin embargo, fueron escritas asumiendo un único llamador. Esta limitación refleja esa diferencia de diseño más que una carencia temporal.

Expón tus API mediante un servidor MCP

La solución más limpia es no intentar sortearla en absoluto, sino utilizar la puerta prevista. Si necesitas llamar a tus propios servicios, expónlos mediante un servidor MCP: los agentes los gestionarán entonces como herramientas nativas, con la gestión de concurrencia necesaria. Requiere un poco más de trabajo inicial que una declaración de función, pero sigue siendo la única forma de introducir tu sistema de información en el bucle de búsqueda.

Separa la investigación de la acción

Segunda estrategia, a menudo la correcta cuando tus funciones desencadenan efectos secundarios: divide el proceso en dos. El sistema multiagente hace lo que sabe hacer, buscar y analizar; un modelo estándar se hace cargo de la parte que llama a tus 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

Esta separación tiene una ventaja subestimada: te permite inspeccionar y validar el resultado de la búsqueda antes de desencadenar una acción irreversible. Un agente que reserve una mesa basándose en una investigación no verificada rara vez es una buena idea.

Enriquece antes, procesa después

Tercer enfoque, el más ligero: llama a tus API fuera de la conversación, aguas arriba para enriquecer el prompt o aguas abajo para explotar la respuesta. Muchas necesidades que se cree que requieren llamada a funciones se reducen en realidad a inyectar los datos correctos en el momento adecuado.

# 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"))

El perfil del cliente, el historial de pedidos o las restricciones presupuestarias no necesitan ser recuperados por el modelo: ya los conoces, solo tienes que facilitárselos. Por último, ten en cuenta que la API está en beta y esta limitación podría evolucionar; razón de más para aislar la parte multiagente de tu código tras una interfaz que puedas evolucionar sin tener que reescribirlo todo.

Puntos clave

  • La llamada a funciones personalizadas no está admitida con multiagente
  • Solo funcionan las herramientas integradas (web_search, x_search, code_execution, collections_search, Remote MCP)
  • Utiliza Remote MCP para exponer tus propias API a los agentes
  • Adopta una arquitectura en dos pasos si necesitas llamada a funciones
  • Esta limitación podría evolucionar en versiones futuras (API en beta)