Pāriet uz galveno saturu
Latviešu— Izvēlēties valodu
Izvēlne

Nav pielāgotu funkciju izsaukumu: ierobežojuma izpratne

Nodarbība 10 no 14 Atjaunota 2026. gada 29. jūlijs Programmētājs
Šajā lapā
  1. Strukturāls ierobežojums
  2. Precīzā robeža
  3. No kurienes rodas šis ierobežojums
  4. Eksponē savus API, izmantojot MCP serveri
  5. Atdali pētniecību no darbības
  6. Bagātini pirms, apstrādā pēc
  7. Galvenās atziņas

Strukturāls ierobežojums

Ja esi pieradis deklarēt savas funkcijas un ļaut modelim lemt, kad tās izsaukt, sagatavojies mainīt pieeju: Grok daudzagentu sistēma neatbalsta pielāgotu funkciju izsaukumu. Tas nav tikai konfigurācijas jautājums; tas ir arhitektūras ierobežojums, kas ietekmē tavas lietotnes uzbūvi. Labāk to uzzināt tagad, nevis pēc trīs simtu funkciju shēmu rindu uzrakstīšanas.

Precīzā robeža

Darbojas tikai pieci iepriekšējā nodarbībā apskatītie iebūvētie rīki: web_search reāllaika meklēšanai tīmeklī, x_search platformai X, code_execution Python kodu izpildei, collections_search tavām indeksētajām kolekcijām un Remote MCP ārējiem rīkiem, izmantojot MCP protokolu. Nekas cits nedarbojas. Funkcijas, kas definētas tavā kodā, pielāgotas shēmas un izsaukumi uz taviem pašu API, izmantojot funkciju izsaukuma mehānismu, tiek noraidīti.

Konkrēti, turpmāk redzamā deklarācija, kas ir pilnīgi derīga standarta modelim, daudzagentu režīmā nedod nekādu efektu.

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

No kurienes rodas šis ierobežojums

Iemesls slēpjas koordinācijā. Ar vienu modeli funkciju izsaukuma cikls ir skaidrs: models pieprasa izsaukumu, tavs kods to izpilda, tu atgriez rezultātu un models turpina darbu. Tagad ievies četrus vai sešpadsmit aģentus, kas strādā paralēli, un rodas virkne jautājumu. Kurš nolemj izsaukt funkciju? Kas notiek, ja divi aģenti vienlaikus izsauc vienu un to pašu funkciju ar dažādiem argumentiem? Kā līderis apkopo rezultātus, ko ieguvuši apakšaģenti, kuru spriešanas gaitu tas nav izsekojis?

Iebūvētie rīki ir projektēti tieši šim kontekstam un zina, kā pareizi uzvesties, kad vairāki aģenti tos pieprasa vienlaicīgi. Savukārt tavas funkcijas ir rakstītas, pieņemot vienu izsauktāju. Šis ierobežojums atspoguļo šo projektēšanas atšķirību, nevis ir tikai pagaidu trūkums.

Eksponē savus API, izmantojot MCP serveri

Tīrākais risinājums ir nemēģināt to apiet, bet gan izmantot paredzēto ceļu. Ja tev jāizsauc savi servisi, eksponē tos, izmantojot MCP serveri: tad aģenti ar tiem strādā kā ar natīviem rīkiem, nodrošinot nepieciešamo vienlaicīguma pārvaldību. Sākumā tas prasa nedaudz vairāk darba nekā funkcijas deklarēšana, taču tas paliek vienīgais veids, kā iekļaut savu informācijas sistēmu meklēšanas ciklā.

Atdali pētniecību no darbības

Otrā stratēģija, kas bieži ir pareizā izvēle, ja tavas funkcijas izraisa blakusparādības, ir procesa sadalīšana divos posmos. Daudzagentu sistēma dara to, ko prot vislabāk – meklē un analizē; standarta models pārņem daļu, kas izsauc tavus 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

Šai atdalīšanai ir nepietiekami novērtēta priekšrocība: tā ļauj pārbaudīt un apstiprināt meklēšanas rezultātu pirms neatgriezeniskas darbības veikšanas. Aģents, kas rezervē galdiņu, balstoties uz nepārbaudītu pētniecību, reti ir laba ideja.

Bagātini pirms, apstrādā pēc

Trešā pieeja, kas ir visvieglāk īstenojama: izsauc savus API ārpus sarunas – augšupplūsmā, lai bagātinātu uzvedni, vai lejupplūsmā, lai izmantotu atbildi. Daudzas vajadzības, par kurām tiek uzskatīts, ka tām nepieciešams funkciju izsaukums, patiesībā reducējas uz pareizu datu ievadīšanu īstajā brīdī.

# 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"))

Klienta profilam, pasūtījumu vēsturei vai budžeta ierobežojumiem nav jābūt modeļa iegūtiem: tu tos jau zini, vienkārši nodod tos modelim. Visbeidzot, paturi prātā, ka API atrodas beta versijā un šis ierobežojums var mainīties – tas ir vēl lielāks iemesls izolēt daudzagentu kodu daļu aiz saskarnes, ko vari attīstīt, nepārrakstot visu sistēmu.

Galvenās atziņas

  • Pielāgots funkciju izsaukums daudzagentu režīmā netiek atbalstīts.
  • Darbojas tikai iebūvētie rīki (web_search, x_search, code_execution, collections_search, Remote MCP).
  • Izmanto Remote MCP, lai eksponētu savus API aģentiem.
  • Pieņem divu posmu arhitektūru, ja tev nepieciešams funkciju izsaukums.
  • Šis ierobežojums var mainīties nākamajās versijās (API beta).