Sem Chamada de Funções Personalizadas: Compreender a Limitação
Nesta página
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)