Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Nincs egyéni függvényhívás: a korlát megértése

10. lecke 14 közül Frissítve 2026. július 29. Fejlesztő
Ezen az oldalon
  1. Strukturális korlát
  2. A pontos határvonal
  3. Honnan ered ez a korlát?
  4. API-jaid közzététele MCP-szerveren keresztül
  5. A kutatás és a cselekvés szétválasztása
  6. Előzetes dúsítás, utólagos feldolgozás
  7. Főbb megállapítások

Strukturális korlát

Ha hozzászoktál, hogy saját függvényeket definiálsz, és a modellre bízod, mikor hívja meg őket, itt az ideje, hogy változtass a megközelítéseden: Grok többügynökös rendszere nem támogatja az egyéni függvényhívást. Ez nem csupán egy konfigurációs részlet, hanem egy olyan architektúrális kényszer, amely alapvetően meghatározza az alkalmazásod felépítését. Jobb most szembesülni vele, mint miután már megírtál háromszáz sor függvénysémát.

A pontos határvonal

Csak az előző leckében bemutatott öt beépített eszköz működik: a web_search a valós idejű webes kereséshez, az x_search az X platformhoz, a code_execution Python-kód futtatásához, a collections_search az indexelt gyűjteményeidhez, valamint a Remote MCP a külső eszközök MCP protokollon keresztüli eléréséhez. Semmi más nem működik. A kódodban definiált függvényeket, az egyéni sémákat és a saját API-jaidnak a függvényhívási mechanizmuson keresztüli meghívását a rendszer mind visszautasítja.

Konkrétabban: az alábbi deklaráció, amely egy szabványos modellel teljesen érvényes, többügynökös módban hatástalan.

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

Honnan ered ez a korlát?

Az ok a koordinációban keresendő. Egyetlen modell esetén a függvényhívási ciklus egyértelmű: a modell kér egy hívást, a kódod végrehajtja, visszaadod az eredményt, és a modell folytatja a munkát. Most képzelj el négy vagy tizenhat párhuzamosan dolgozó ügynököt, és máris felmerülnek a kérdések. Melyikük döntse el, mikor hívja meg a függvényt? Mi történik, ha két ügynök egyszerre hívja meg ugyanazt a függvényt eltérő argumentumokkal? Hogyan szintetizálja a vezető az olyan alügynökök által kapott eredményeket, amelyek gondolatmenetét nem követte nyomon?

A beépített eszközöket erre a környezetre tervezték, és tudják, hogyan viselkedjenek helyesen, ha több ügynök is egyszerre kéri őket. Ezzel szemben a te függvényeidet úgy írtad meg, hogy egyetlen hívót feltételeznek. Ez a korlát ezt a tervezési különbséget tükrözi, nem pedig egy átmeneti hiányosságot.

API-jaid közzététele MCP-szerveren keresztül

A legtisztább megoldás nem a kerülőút keresése, hanem a megfelelő ajtó használata. Ha saját szolgáltatásaidat kell meghívnod, tedd őket elérhetővé egy MCP-szerveren keresztül: az ügynökök így natív eszközként kezelik őket, a szükséges konkurenciakezeléssel együtt. Ez kezdetben több munkát igényel, mint egy egyszerű függvénydeklaráció, de ez az egyetlen módja annak, hogy az információs rendszeredet bevonjad a keresési ciklusba.

A kutatás és a cselekvés szétválasztása

A második stratégia – amely gyakran a helyes választás, ha a függvényeid mellékhatásokat váltanak ki – a folyamat két részre osztása. A többügynökös rendszer azt csinálja, amihez ért: keres és elemez; majd egy szabványos modell veszi át az irányítást az API-hívásokat igénylő részhez.

# 1. lépés: többügynökös kutatás
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

# 2. lépés: cselekvés szabványos modellel + függvényhívással
# Használj grok-4.5-öt vagy egy másik, függvényhívást támogató modellt

Ennek a szétválasztásnak van egy alábecsült előnye: lehetővé teszi, hogy ellenőrizd és validáld a keresés eredményét, mielőtt visszafordíthatatlan cselekvést indítanál. Ritkán jó ötlet, ha egy ügynök asztalt foglal ellenőrizetlen kutatási eredmények alapján.

Előzetes dúsítás, utólagos feldolgozás

A harmadik megközelítés a legkönnyebb: hívd meg az API-jaidat a beszélgetésen kívül, előfeldolgozásként a prompt dúsítására, vagy utófeldolgozásként a válasz kiaknázására. Sok olyan igény, amelyről azt hiszed, hogy függvényhívást igényel, valójában arra redukálódik, hogy a megfelelő adatot a megfelelő időpontban injektáld be.

# Előfeldolgozás: kontextus dúsítása
user_data = my_api.get_user_profile(user_id)
context = f"User profile: {user_data}"

# Többügynökös rendszer dúsított kontextussal
chat.append(user(f"{context}\n\nAnalyze options matching this profile"))

Az ügyfélprofilnak, rendelési előzményeknek vagy költségvetési korlátoknak nem kell, hogy a modell retrievingelje őket: te már ismered ezeket, csak add meg neki. Végül ne feledd, hogy az API még béta verzióban van, és ez a korlát a jövőben változhat – éppen ezért érdemes a kódod többügynökös részét egy olyan interfész mögé rejteni, amelyet később átírás nélkül is fejleszthetsz.

Főbb megállapítások

  • Az egyéni függvényhívás nem támogatott többügynökös módban
  • Csak a beépített eszközök működnek (web_search, x_search, code_execution, collections_search, Remote MCP)
  • Használd a Remote MCP-t saját API-jaid ügynökök számára történő elérhetővé tételéhez
  • Alkalmazz kétlépéses architektúrát, ha függvényhívásra van szükséged
  • Ez a korlát a jövőbeli verziókban változhat (API béta)