Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Työkalut ja funktiokutsut äänessä

Oppitunti 5 / 14 Päivitetty 29. heinäkuuta 2026 Keskitasoinen
Tällä sivulla
  1. Agentti, joka toimii, ei vain puhu
  2. Viisi työkalutyyppiä
  3. Funktiokutsun koko kierto
  4. Kun useita funktioita laukaistaan samanaikaisesti
  5. Äänelle ominaiset rajoitukset
  6. Keskeiset asiat

Agentti, joka toimii, ei vain puhu

Ääniavustaja, joka osaa vain jutella, törmää nopeasti seinään: se vastaa kohteliaasti kysymykseen “Missä tilaukseni on?” tietämättä asiasta mitään. Voice Agentin todellinen arvo piilee sen kyvyssä toimia keskellä keskustelua (kysyä tietokannasta, suorittaa verkkohaku, kutsua liiketoiminnan rajapintaa tai tavoittaa MCP-palvelin) ja lukea tulos ääneen ikään kuin mitään erikoista ei olisi tapahtunut.

Viisi työkalutyyppiä

Verkkohaku on yksinkertaisimmillaan parametriton:

{ "type": "web_search" }

Tällöin agentti hakee tietoa verkosta reaaliajassa, mikä kattaa faktaa vaativat kysymykset, uutiset ja kaiken datan, joka muuttuu liian usein mahtuakseen kehotteeseen.

X-haku toimii samalla tavalla, mutta siinä on mahdollisuus rajoittaa haku tiettyihin tileihin:

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

Parametri allowed_x_handles on valinnainen, mutta se muuttaa työkalun luonnetta. Ilman sitä agentti etsii koko alustalta; sen kanssa agentista tulee puhemies, joka lainaa vain virallisia julkaisujasi.

Tiedostohaku kohdistuu vektoroitujen dokumenttien kokoelmiin, kuten käyttöoppaisiin, menettelyohjeisiin ja tuotedokumentaatioon:

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

Mukautetut funktiot avaavat oven omiin järjestelmiisi. Tämä on työkalutyyppi, jota tulet käyttämään useimmiten, ja sen määrittely kannattaa tehdä huolella:

{
  "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"]
  }
}

Voit yhdistää CRM:n, ERP-järjestelmän, kalenterin tai sisäisen tietokannan samalla tavalla. Lopuksi MCP-palvelimet tarjoavat pääsyn standardoituihin työkaluihin Model Context Protocolin kautta, joten sinun ei tarvitse kirjoittaa integraatiota uudelleen jokaista palvelua varten:

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

Funktiokutsun koko kierto

Kun agentti päättää kutsua funktion, se ei suorita sitä itse: se pyytää sinua tekemään sen, ja sovelluksesi hoitaa työn. Argumentit virtaavat ensin tapahtuman response.function_call_arguments.delta kautta. Sen jälkeen tapahtuma response.function_call_arguments.done merkitsee pyynnön päättymisen ja antaa sinulle call_id:n sekä täydelliset argumentit. Sinun tehtäväsi on suorittaa funktio ja palauttaa tulos tyypin function_call_output sisältävänä conversation.item.create-viestinä:

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

Yksi viimeinen vaihe on ehdottoman tärkeä, ja juuri sen ihmiset usein unohtavat: lähetä response.create, jotta agentti voi sisällyttää tuloksen puhevasteeseensa. Ilman tätä tulos kyllä saapuu keskusteluun, mutta mitään ei tapahdu. Käyttäjä kuulee hiljaisuutta, ja sinä jäät etsimään vikaa väärästä paikasta.

Kun useita funktioita laukaistaan samanaikaisesti

Malli voi hyvin päättää kutsua kaksi tai kolme funktiota yhtä aikaa, esimerkiksi tarkistaakseen tilauksen ja etsiäkseen toimitusaikataulun. Tällöin vastaanotat useita function_call_arguments.done-tapahtumia, joista jokaisella on oma call_id:nsä. Suorita ne kaikki, mielellään rinnakkain, jotta viiveet eivät kasaudu, lähetä jokainen tulos omassa conversation.item.create-viestissään ja lähetä aivan lopuksi yksi ainut response.create. Jos lähetät yhden response.create:n kutakin funktiota kohden, se laukaisisi yhtä monta kilpailevaa äänivastetta, ja agentti alkaisi puhua itsensä päälle.

// Vastaanota ja suorita kaikki funktiot
const results = await Promise.all(
  pendingCalls.map(call => executeFunction(call))
);

// Lähetä kaikki tulokset
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)
    }
  }));
}

// Käynnistä vaste
ws.send(JSON.stringify({ type: "response.create" }));

Äänelle ominaiset rajoitukset

Se, mikä tekstikäyttöliittymässä jää huomaamatta, paljastuu äänessä välittömästi, alkaen ajasta. Kukaan ei odota keskustelun keskellä enempää kuin kolmesta viiteen sekuntia. Tämän jälkeen käyttäjät luulevat yhteyden katkenneen ja alkavat puhua. Jos funktiosi kysyy hitaasta järjestelmästä, pyydä agenttia sanomaan odotusfraasi kutsun aikana kuolleen ilman sijaan.

Tulosten koolla on yhtä suuri merkitys. Agentin on tiivistettävä ääneen kaikki, mitä sille annat, ja neljänkymmenen tilauksen lista tuottaa joko loputtoman luettelon tai karkean yhteenvedon. Palauta jäsenneltyä dataa, mutta pidä se olennaisessa. Kiinnitä huomiota myös kunkin funktion kuvaukseen, sillä se on ainoa asia, johon malli tukeutuu valintaa tehdessään: epämääräinen kuvaus kuten “käsittelee tilauksia” saa sen epäröimään tai valitsemaan väärän työkalun. Varaudu myös epäonnistumisiin. Kun funktio kaatuu, palauta selkeä virheilmoitus kenttään output äläkä jätä sitä tyhjäksi, muuten agentti keksii vastauksen tietämättä kutsun epäonnistuneen.

Keskeiset asiat

  • Voice Agent tukee viittä työkalutyyppiä: verkkohaku, X-haku, tiedostohaku, funktiot ja MCP
  • Funktiokutsu etenee neljän vaiheen kautta: vastaanota argumentit, suorita funktio, palauta tulos ja käynnistä vaste
  • Rinnakkaiset kutsut ovat mahdollisia: suorita kaikki, lähetä kaikki ja lähetä lopuksi yksi response.create
  • Äänessä funktion vasteaika on kriittinen: tavoittele alle 3 sekunnin aikaa