Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Nessuna Chiamata di Funzione Personalizzata: Comprendere la Limitazione

Lezione 10 di 14 Aggiornata il 29 luglio 2026 Sviluppatore
In questa pagina
  1. Una Limitazione Strutturale
  2. Il Confine Esatto
  3. Da Dove Nasce Questo Vincolo
  4. Esponi le Tue API Tramite un Server MCP
  5. Separa la Ricerca dall’Azione
  6. Arricchisci Prima, Elaborazione Dopo
  7. Punti chiave

Una Limitazione Strutturale

Se sei abituato a dichiarare le tue funzioni e lasciare che il modello decida quando chiamarle, preparati a cambiare approccio: il sistema multi-agente di Grok non supporta la chiamata di funzioni personalizzate. Non si tratta di un dettaglio di configurazione, ma di un vincolo architetturale che influenza il modo in cui strutturi la tua applicazione. È meglio scoprirlo ora piuttosto che dopo aver scritto trecento righe di schemi di funzioni.

Il Confine Esatto

Funzionano solo i cinque strumenti integrati della lezione precedente: web_search per la ricerca web in tempo reale, x_search per la piattaforma X, code_execution per eseguire Python, collections_search per le tue collezioni indicizzate e Remote MCP per gli strumenti esterni tramite il protocollo MCP. Nient’altro funziona. Le funzioni definite nel tuo codice, gli schemi personalizzati e le chiamate alle tue API tramite il meccanismo di function calling vengono tutti rifiutati.

Nello specifico, la dichiarazione seguente, perfettamente valida con un modello standard, non ha alcun effetto in modalità multi-agente.

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

Da Dove Nasce Questo Vincolo

La ragione risiede nel coordinamento. Con un singolo modello, il ciclo di chiamata delle funzioni è chiaro: il modello richiede una chiamata, il tuo codice la esegue, restituisci il risultato e il modello prosegue. Introduci ora quattro o sedici agenti che lavorano in parallelo e le domande si accumulano. Chi decide di chiamare la funzione? Cosa succede se due agenti chiamano la stessa funzione simultaneamente con argomenti diversi? Come fa il leader a sintetizzare i risultati ottenuti da sotto-agenti il cui ragionamento non ha seguito?

Gli strumenti integrati sono progettati per questo contesto e sanno come comportarsi correttamente quando più agenti li richiedono contemporaneamente. Le tue funzioni, invece, sono state scritte presupponendo un unico chiamante. Questa limitazione riflette tale differenza di progettazione piuttosto che una carenza temporanea.

Esponi le Tue API Tramite un Server MCP

La soluzione più pulita consiste nel non aggirare affatto il problema, ma nell’utilizzare la porta prevista. Se devi chiamare i tuoi servizi, esponili tramite un server MCP: gli agenti li gestiranno quindi come strumenti nativi, con la necessaria gestione della concorrenza. Richiede un po’ più di lavoro iniziale rispetto alla dichiarazione di una funzione, ma rimane l’unico modo per inserire il tuo sistema informativo nel ciclo di ricerca.

Separa la Ricerca dall’Azione

La seconda strategia, spesso quella giusta quando le tue funzioni attivano effetti collaterali, consiste nel dividere il processo in due fasi. Il multi-agente fa ciò che sa fare meglio, cercare e analizzare; un modello standard subentra per la parte che chiama le tue 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

Questa separazione offre un vantaggio sottovalutato: ti permette di ispezionare e convalidare il risultato della ricerca prima che venga attivata un’azione irreversibile. Un agente che prenota un tavolo basandosi su una ricerca non verificata è raramente una buona idea.

Arricchisci Prima, Elaborazione Dopo

Il terzo approccio, il più leggero, consiste nel chiamare le tue API al di fuori della conversazione, a monte per arricchire il prompt o a valle per sfruttare la risposta. Molte esigenze che si crede richiedano la chiamata di funzioni si riducono in realtà all’iniezione dei dati giusti al momento giusto.

# 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"))

Il profilo del cliente, la cronologia degli ordini o i vincoli di budget non devono essere recuperati dal modello: li conosci già, devi solo fornirglieli. Infine, tieni presente che l’API è in beta e questa limitazione potrebbe evolversi: motivo in più per isolare la parte multi-agente del tuo codice dietro un’interfaccia che puoi far evolvere senza riscrivere tutto.

Punti chiave

  • La chiamata di funzioni personalizzate non è supportata con il multi-agente
  • Funzionano solo gli strumenti integrati (web_search, x_search, code_execution, collections_search, Remote MCP)
  • Usa Remote MCP per esporre le tue API agli agenti
  • Adotta un’architettura in due fasi se hai bisogno della chiamata di funzioni
  • Questa limitazione potrebbe evolversi nelle versioni future (API in beta)