Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Sem Chamada de Funções Personalizadas: Compreender a Limitação

Aula 10 de 14 Atualizada a 29 de julho de 2026 Programador
Nesta página
  1. Uma Limitação Estrutural
  2. O Limite Exato
  3. A Origem Desta Restrição
  4. Exponha as Suas APIs através de um Servidor MCP
  5. Separe a Pesquisa da Ação
  6. Enriqueça Antes, Processe Depois
  7. Pontos-chave

Uma Limitação Estrutural

Se está habituado a declarar as suas próprias funções e a deixar que o modelo decida quando as invocar, prepare-se para alterar a sua abordagem: o sistema multiagente do Grok não suporta a chamada de funções personalizadas. Isto não é um pormenor de configuração; é uma restrição arquitetónica que afeta a forma como estrutura a sua aplicação. É melhor descobrir isto agora do que depois de escrever trezentas linhas de esquemas de funções.

O Limite Exato

O que funciona são as cinco ferramentas integradas da lição anterior: web_search para pesquisa na Web em tempo real, x_search para a plataforma X, code_execution para executar Python, collections_search para as suas coleções indexadas e o MCP Remoto para ferramentas externas via protocolo MCP. Nada mais funciona. Funções definidas no seu código, esquemas personalizados e chamadas às suas próprias APIs através do mecanismo de chamada de funções são todos recusados.

Especificamente, a declaração abaixo, perfeitamente válida com um modelo padrão, não tem qualquer efeito no modo multiagente.

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

A Origem Desta Restrição

A razão resume-se à coordenação. Com um único modelo, o ciclo de chamada de funções é claro: o modelo solicita uma chamada, o seu código executa-a, devolve o resultado e o modelo continua. Agora, introduza quatro ou dezasseis agentes a trabalhar em paralelo e as questões acumulam-se. Qual deles decide invocar a função? E se dois agentes invocarem a mesma função simultaneamente com argumentos diferentes? Como é que o líder sintetiza os resultados obtidos por subagentes cujo raciocínio não acompanhou?

As ferramentas integradas foram concebidas para este contexto e sabem como se comportar corretamente quando vários agentes as solicitam em simultâneo. As suas funções, no entanto, foram escritas assumindo um único chamador. Esta limitação reflete essa diferença de conceção e não uma falha temporária.

Exponha as Suas APIs através de um Servidor MCP

A solução mais limpa não é contornar o problema, mas sim utilizar a porta correta. Se precisar de chamar os seus próprios serviços, exponha-os através de um servidor MCP: os agentes tratam-nos então como ferramentas nativas, com a gestão de concorrência necessária. Dá um pouco mais de trabalho inicial do que uma declaração de função, mas continua a ser a única forma de integrar o seu sistema de informação no ciclo de pesquisa.

Separe a Pesquisa da Ação

Segunda estratégia, muitas vezes a correta quando as suas funções desencadeiam efeitos secundários: divida o processo em duas etapas. O sistema multiagente faz o que sabe fazer, pesquisar e analisar; um modelo padrão assume a parte que chama as suas APIs.

# 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

Esta separação tem uma vantagem subestimada: permite-lhe inspecionar e validar o resultado da pesquisa antes de desencadear uma ação irreversível. Um agente a reservar uma mesa com base numa pesquisa não verificada raramente é uma boa ideia.

Enriqueça Antes, Processe Depois

Terceira abordagem, a mais ligeira: chame as suas APIs fora da conversa, a montante para enriquecer o prompt ou a jusante para explorar a resposta. Muitas necessidades que se julga exigirem chamada de funções resumem-se, na verdade, a injetar os dados certos no momento certo.

# 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"))

O perfil do cliente, o histórico de encomendas ou as restrições orçamentais não precisam de ser recuperados pelo modelo: você já os conhece, basta fornecê-los. Por fim, tenha em mente que a API está em versão beta e esta limitação poderá evoluir — mais uma razão para isolar a parte multiagente do seu código atrás de uma interface que possa evoluir sem reescrever tudo.

Pontos-chave

  • A chamada de funções personalizadas não é suportada com multiagente
  • Apenas as ferramentas integradas (web_search, x_search, code_execution, collections_search, Remote MCP) funcionam
  • Utilize o Remote MCP para expor as suas próprias APIs aos agentes
  • Adote uma arquitetura em duas etapas se necessitar de chamada de funções
  • Esta limitação poderá evoluir em versões futuras (API em beta)