Brak wywoływania funkcji niestandardowych: zrozumienie ograniczenia
Na tej stronie
Ograniczenie strukturalne
Jeśli przyzwyczaiłeś się do deklarowania własnych funkcji i pozwalania modelowi decydować, kiedy je wywołać, przygotuj się na zmianę podejścia: system multi-agent Grok nie obsługuje wywoływania funkcji niestandardowych. Nie jest to szczegół konfiguracji, lecz ograniczenie architektoniczne wpływające na sposób strukturyzacji aplikacji. Lepiej dowiedzieć się o tym teraz niż po napisaniu trzystu linii schematów funkcji.
Dokładne granice
Działają tylko pięć wbudowanych narzędzi z poprzedniej lekcji: web_search do wyszukiwania w sieci w czasie rzeczywistym, x_search dla platformy X, code_execution do uruchamiania kodu Python, collections_search dla Twoich indeksowanych kolekcji oraz Remote MCP do narzędzi zewnętrznych przez protokół MCP. Nic więcej nie działa. Funkcje zdefiniowane w Twoim kodzie, niestandardowe schematy i wywołania własnych interfejsów API za pomocą mechanizmu wywoływania funkcji są odrzucane.
Konkretnie, poniższa deklaracja, całkowicie poprawna w przypadku standardowego modelu, nie przynosi żadnego efektu w trybie multi-agent.
# DOES NOT WORK with multi-agent
tools = [
{
"type": "function",
"function": {
"name": "get_weather",
"description": "Get the weather",
"parameters": {"type": "object", "properties": {"city": {"type": "string"}}}
}
}
]
Źródło tego ograniczenia
Powód sprowadza się do koordynacji. Przy pojedynczym modelu pętla wywoływania funkcji jest jasna: model żąda wywołania, Twój kod je wykonuje, zwracasz wynik, a model kontynuuje pracę. Wprowadź teraz czterech lub szesnastu agentów pracujących równolegle, a pytania zaczną się piętrzyć. Kto decyduje o wywołaniu funkcji? Co się stanie, jeśli dwaj agenci wywołają tę samą funkcję jednocześnie z różnymi argumentami? W jaki sposób lider syntetyzuje wyniki uzyskane przez podagentów, których toku rozumowania nie śledził?
Wbudowane narzędzia zostały zaprojektowane z myślą o tym kontekście i wiedzą, jak zachować się poprawnie, gdy wielu agentów żąda ich użycia jednocześnie. Twoje funkcje zostały natomiast napisane z założeniem jednego wywołującego. Ograniczenie to odzwierciedla tę różnicę w projekcie, a nie tymczasowy niedobór.
Udostępnij swoje API przez serwer MCP
Najczystszym rozwiązaniem nie jest szukanie obejścia, lecz skorzystanie z przewidzianej drogi. Jeśli musisz wywoływać własne usługi, udostępnij je przez serwer MCP: agenci będą wtedy obsługiwać je jak narzędzia natywne, z niezbędnym zarządzaniem współbieżnością. Wymaga to nieco więcej pracy na początku niż deklaracja funkcji, ale pozostaje jedynym sposobem na wprowadzenie Twojego systemu informacyjnego do pętli wyszukiwania.
Oddziel badania od działania
Druga strategia, często właściwa, gdy Twoje funkcje wywołują skutki uboczne, polega na podziale procesu na dwa etapy. Multi-agent robi to, co potrafi najlepiej – szuka i analizuje; standardowy model przejmuje część odpowiedzialną za wywoływanie Twoich interfejsów 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
To rozdzielenie ma niedocenianą zaletę: pozwala sprawdzić i zwalidować wynik wyszukiwania przed uruchomieniem nieodwracalnego działania. Agent rezerwujący stolik na podstawie niesprawdzonych badań rzadko jest dobrym pomysłem.
Wzbogać wcześniej, przetwórz później
Trzecie podejście, najlżejsze: wywołuj swoje interfejsy API poza konwersacją – wcześniej, aby wzbogacić monit, lub później, aby wykorzystać odpowiedź. Wiele potrzeb, które wydają się wymagać wywoływania funkcji, w rzeczywistości sprowadza się do wstrzyknięcia właściwych danych we właściwym momencie.
# 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 klienta, historia zamówień czy ograniczenia budżetowe nie muszą być pobierane przez model: Ty już je znasz, więc po prostu mu je przekaż. Na koniec pamiętaj, że API znajduje się w fazie beta i ograniczenie to może ulec zmianie – tym bardziej warto odizolować część kodu odpowiedzialną za multi-agent za interfejsem, który będziesz mógł rozwijać bez konieczności przepisywania wszystkiego od nowa.
Kluczowe wnioski
- Wywoływanie funkcji niestandardowych nie jest obsługiwane w trybie multi-agent
- Działają tylko wbudowane narzędzia (web_search, x_search, code_execution, collections_search, Remote MCP)
- Użyj Remote MCP, aby udostępnić własne interfejsy API agentom
- Przyjmij architekturę dwuetapową, jeśli potrzebujesz wywoływania funkcji
- Ograniczenie to może ulec zmianie w przyszłych wersjach (API w fazie beta)