Alati i pozivanje funkcija u glasovnom načinu
Na ovoj stranici
Agent koji djeluje, a ne samo govori
Glasovni asistent koji samo razgovara ubrzo naiđe na zid: ljubazno odgovara na pitanje „Gdje je moja narudžba?“, a da pritom ništa ne zna. Prava vrijednost glasovnog agenta leži u njegovoj sposobnosti da poduzme radnju usred razgovora (upit bazi podataka, pokretanje web pretrage, poziv poslovnom API-ju ili dohvat MCP poslužitelja) te da naglas pročita rezultat kao da se ništa nije dogodilo.
Pet vrsta alata
Web pretraga u svom najjednostavnijem obliku ne zahtijeva parametre:
{ "type": "web_search" }
Agent tada živo pretražuje web, što pokriva činjenična pitanja, vijesti i sve podatke koji se previše često mijenjaju da bi bili sadržani u promptu.
Pretraga platforme X funkcionira na isti način, s opcijom ograničavanja na određene račune:
{
"type": "x_search",
"allowed_x_handles": ["corsen_ai"]
}
Parametar allowed_x_handles nije obavezan, ali mijenja prirodu alata. Bez njega agent pretražuje cijelu platformu; s njim agent postaje glasnogovornik koji citira isključivo vaše službene objave.
Pretraga datoteka upućuje upite zbirkama vektoriziranih dokumenata, poput vaših priručnika, postupaka i produkcijske dokumentacije:
{
"type": "file_search",
"vector_store_ids": ["vs_abc123"],
"max_num_results": 10
}
Prilagođene funkcije otvaraju vrata tvojim vlastitim sustavima. Ovo je vrsta alata koju ćeš najčešće koristiti i vrijedi je pažljivo definirati:
{
"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"]
}
}
Na isti način možeš povezati CRM, ERP, kalendar ili internu bazu podataka. Konačno, MCP poslužitelji omogućuju pristup standardiziranim alatima putem Model Context Protokola, tako da ne moraš iznova pisati integraciju za svaku uslugu:
{
"type": "mcp",
"server_url": "https://mcp.example.com/sse",
"server_label": "My MCP server"
}
Cijeli ciklus poziva funkcije
Kada agent odluči pozvati funkciju, on je ne pokreće sam: traži od tebe da to učiniš, a tvoja aplikacija obavlja posao. Argumenti se prvo streamaju kroz response.function_call_arguments.delta. Zatim događaj response.function_call_arguments.done označava kraj zahtjeva i daje ti call_id zajedno s potpunim argumentima. Na tebi je da pokreneš funkciju, a zatim vratiš rezultat kao conversation.item.create tipa function_call_output:
{
"type": "conversation.item.create",
"item": {
"type": "function_call_output",
"call_id": "call_abc123",
"output": "{\"status\": \"shipped\", \"delivery_date\": \"2026-04-05\"}"
}
}
Posljednji korak je ključan, a ljudi ga često zaborave: pošalji response.create kako bi agent ugradio rezultat u svoj glasovni odgovor. Bez toga rezultat tehnički stiže u razgovor, ali se ništa ne događa. Korisnik čuje tišinu, a ti tražiš grešku na pogrešnom mjestu.
Kada se istovremeno pokrene više funkcija
Model može odlučiti pozvati dvije ili tri funkcije odjednom, primjerice radi provjere narudžbe i pregleda rasporeda dostave. Tada primaš nekoliko događaja function_call_arguments.done, svaki sa svojim call_id. Pokreni ih sve, paralelno ako je moguće kako se kašnjenja ne bi zbrajala, pošalji svaki rezultat u vlastitom conversation.item.create i na samom kraju pošalji jedan jedini response.create. Slanje response.create za svaku funkciju zasebno izazvalo bi toliko konkurentskih glasovnih odgovora i agent bi počeo govoriti sam preko sebe.
// Primanje i pokretanje svih funkcija
const results = await Promise.all(
pendingCalls.map(call => executeFunction(call))
);
// Slanje svih rezultata
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)
}
}));
}
// Pokretanje odgovora
ws.send(JSON.stringify({ type: "response.create" }));
Ograničenja specifična za glas
Ono što prolazi nezapaženo u tekstualnom sučelju postaje očito u govoru, počevši od vremena. Nitko ne čeka više od tri do pet sekundi usred razgovora. Nakon toga korisnici misle da je veza prekinuta i počinju govoriti. Ako tvoja funkcija upućuje upit sporom sustavu, neka agent izgovori frazu za čekanje tijekom poziva umjesto da ostavi mrtvu tišinu.
Veličina rezultata jednako je važna. Agent mora naglas sažeti sve što mu pošalješ, a popis od četrdeset narudžbi rezultira ili beskrajnim recitalom ili grubim sažetkom. Vrati strukturirane podatke, ali zadrži samo ono što je bitno. Također pazi na opis svake funkcije jer je to jedino na što se model oslanja pri odabiru: nejasan opis poput „rukovanje narudžbama“ navodi ga na oklijevanje ili odabir pogrešnog alata. I planiraj neuspjeh. Kada funkcija zakaže, vrati eksplicitnu poruku o grešci u output umjesto ničega, inače će agent improvizirati odgovor ne znajući da je poziv propao.
Ključne točke
- Glasovni agent podržava pet vrsta alata: web pretragu, pretragu platforme X, pretragu datoteka, funkcije i MCP
- Poziv funkcije prolazi kroz četiri koraka: primitak argumenata, pokretanje funkcije, povrat rezultata i okidanje odgovora
- Paralelni pozivi su mogući: pokreni sve, pošalji sve, a zatim pošalji jedan
response.create - U glasovnom načinu vrijeme odgovora funkcije je kritično: ciljaj na manje od 3 sekunde