Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Bez pozivanja prilagođenih funkcija: razumijevanje ograničenja

Lekcija 10 od 14 Ažurirano 29. srpnja 2026. Programer
Na ovoj stranici
  1. Strukturno ograničenje
  2. Točna granica
  3. Izvor ovog ograničenja
  4. Izloži svoje API-je putem MCP poslužitelja
  5. Odvoji istraživanje od djelovanja
  6. Obogati prije, obradi poslije
  7. Ključne točke

Strukturno ograničenje

Ako si navikao/la deklarirati vlastite funkcije i prepustiti modelu da odluči kada će ih pozvati, vrijeme je da promijeniš pristup: Grokov sustav s više agenata ne podržava pozivanje prilagođenih funkcija. To nije detalj konfiguracije; to je arhitektonsko ograničenje koje utječe na način na koji strukturiraš svoju aplikaciju. Bolje je to saznati sada nego nakon što napišeš tri stotine redaka shema funkcija.

Točna granica

Ono što funkcionira jest pet ugrađenih alata iz prethodne lekcije: web_search za pretraživanje weba u stvarnom vremenu, x_search za platformu X, code_execution za pokretanje Pythona, collections_search za tvoje indeksirane kolekcije i Remote MCP za vanjske alate putem protokola MCP. Ništa drugo ne radi. Funkcije definirane u tvom kodu, prilagođene sheme i pozivi tvojim vlastitim API-jima putem mehanizma pozivanja funkcija svi su odbijeni.

Konkretno, donja deklaracija, savršeno valjana sa standardnim modelom, nema učinka u sustavu s više agenata.

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

Izvor ovog ograničenja

Razlog se svodi na koordinaciju. Kod jednog modela petlja pozivanja funkcija je jasna: model zatraži poziv, tvoj kod ga izvrši, vratiš rezultat i model nastavlja. Sada uvedi četiri ili šesnaest agenata koji rade paralelno i pitanja se gomilaju. Tko odlučuje pozvati funkciju? Što ako dva agenta istovremeno pozovu istu funkciju s različitim argumentima? Kako vođa sintetizira rezultate koje su dobili pod-agenti čije rezoniranje nije pratio?

Ugrađeni alati dizajnirani su za ovaj kontekst i znaju se ispravno ponašati kada ih više agenata zatraži odjednom. Tvoje funkcije, međutim, napisane su uz pretpostavku jednog pozivatelja. Ovo ograničenje odražava tu razliku u dizajnu, a ne privremeni nedostatak.

Izloži svoje API-je putem MCP poslužitelja

Najčišće rješenje je uopće ne zaobilaziti ograničenje, već koristiti namijenjena vrata. Ako trebaš pozivati svoje usluge, izloži ih putem MCP poslužitelja: agenti ih tada tretiraju kao izvorne alate, uz potrebno upravljanje istovremenošću. To zahtijeva malo više početnog rada od deklaracije funkcije, ali ostaje jedini način da svoj informacijski sustav uključiš u petlju pretraživanja.

Odvoji istraživanje od djelovanja

Druga strategija, često ispravna kada tvoje funkcije pokreću nuspojave, jest podjela procesa u dva koraka. Više agenata radi ono što najbolje zna – pretražuje i analizira; standardni model preuzima dio koji poziva tvoje API-je.

# 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

Ova separacija ima podcijenjenu prednost: omogućuje ti pregled i validaciju rezultata pretraživanja prije nego što se pokrene nepovratna radnja. Agent koji rezervira stol na temelju neprovjerenog istraživanja rijetko je dobra ideja.

Obogati prije, obradi poslije

Treći pristup, najlakši: pozovi svoje API-je izvan razgovora, uzlazno za obogaćivanje prompta ili silazno za iskorištavanje odgovora. Mnoge potrebe za koje se vjeruje da zahtijevaju pozivanje funkcija zapravo se svode na ubrizgavanje ispravnih podataka u pravom trenutku.

# 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"))

Profil kupca, povijest narudžbi ili proračunska ograničenja ne moraju se dohvaćati putem modela: ti ih već znaš, samo ih proslijedi modelu. Naposljetku, imaj na umu da je API u beta fazi i ovo bi se ograničenje moglo promijeniti – što je još jedan razlog da dio koda s više agenata izoliraš iza sučelja koje možeš evoluirati bez potrebe za ponovnim pisanjem svega.

Ključne točke

  • Pozivanje prilagođenih funkcija nije podržano kod više agenata
  • Rade samo ugrađeni alati (web_search, x_search, code_execution, collections_search, Remote MCP)
  • Koristi Remote MCP za izlaganje vlastitih API-ja agentima
  • Usvoji dvostupanjsku arhitekturu ako trebaš pozivanje funkcija
  • Ovo ograničenje može se promijeniti u budućim verzijama (API beta)