Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Brez klicanja funkcij po meri: razumevanje omejitve

Lekcija 10 od 14 Posodobljeno 29. julij 2026 Razvijalec
Na tej strani
  1. Strukturna omejitev
  2. Natančna meja
  3. Izvor te omejitve
  4. Izpostavi svoje API-je prek strežnika MCP
  5. Loči raziskovanje od ukrepanja
  6. Obogati prej, obdelaj kasneje
  7. Ključne ugotovitve

Strukturna omejitev

Če si vajen deklarirati lastne funkcije in prepustiti modelu, da sam odloči, kdaj jih poklicati, se pripravi na spremembo pristopa: večagentni sistem Grok ne podpira klicanja funkcij po meri. To ni podrobnost konfiguracije, temveč arhitekturna omejitev, ki vpliva na to, kako strukturiraš svojo aplikacijo. Bolje je, da to izveš zdaj, kot da si po napisanju treh sto vrstic shem funkcij.

Natančna meja

Delujejo le pet vgrajenih orodij iz prejšnje lekcije: web_search za iskanje po spletu v realnem času, x_search za platformo X, code_execution za izvajanje kode Python, collections_search za tvoje indeksirane zbirke in Remote MCP za zunanja orodja prek protokola MCP. Nič drugega ne deluje. Funkcije, definirane v tvoji kodi, sheme po meri in klici tvojih API-jev prek mehanizma klicanja funkcij so vsi zavrnjeni.

Natančneje, spodnja deklaracija, ki je popolnoma veljavna pri standardnem modelu, v večagentnem okolju nima učinka.

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

Izvor te omejitve

Razlog se svaja na usklajevanje. Pri enem samem modelu je zanka klicanja funkcij jasna: model zahteva klic, tvoja koda ga izvrši, vrneš rezultat in model nadaljuje. Zdaj pa vpelji štiri ali šestnajst agentov, ki delajo vzporedno, in vprašanja se kopičijo. Kdo se odloči za klic funkcije? Kaj, če dva agenta hkrati pokličeta isto funkcijo z različnimi argumenti? Kako vodja sintetizira rezultate, ki so jih pridobili podrejeni agenti, katerih sklepanja ni sledil?

Vgrajena orodja so zasnovana za ta kontekst in vedo, kako se pravilno obnašati, ko jih hkrati zahteva več agentov. Tvoje funkcije pa so bile napisane ob predpostavki enega samega klicatelja. Ta omejitev odraža to razliko v zasnovi in ni zgolj začasna pomanjkljivost.

Izpostavi svoje API-je prek strežnika MCP

Najčistejša rešitev je, da se omejitve sploh ne poskušaš izogniti, temveč uporabiš namenjena vrata. Če moraš klicati svoje storitve, jih izpostavi prek strežnika MCP: agenti jih nato obravnavajo kot izvorna orodja z potrebnim upravljanjem sočasnosti. To zahteva nekoliko več dela na začetku kot zgolj deklaracija funkcije, vendar ostaja edini način, da svoj informacijski sistem vključiš v zanko iskanja.

Loči raziskovanje od ukrepanja

Druga strategija, ki je pogosto prava, ko tvoje funkcije sprožijo stranske učinke, je razdelitev procesa na dva dela. Večagentni sistem opravi tisto, kar zna najbolje – iskanje in analizo –, standardni model pa prevzame del, ki kliče tvoje API-je.

# 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

Ta ločitev ima podcenjeno prednost: omogoča ti pregled in validacijo rezultatov iskanja, preden se sproži nepovratno dejanje. Agent, ki rezervira mizo na podlagi nepreverjenega raziskovanja, redko dobra ideja.

Obogati prej, obdelaj kasneje

Tretji pristop, najlažji od vseh: kliči svoje API-je zunaj pogovora, bodisi vnaprej za obogatitev poziva ali naknadno za izkoriščanje odgovora. Številne potrebe, za katere meniš, da zahtevajo klicanje funkcij, se v resnici свajajo na vbrizgavanje pravih podatkov ob pravem času.

# 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"))

Profila stranke, zgodovine naročil ali proračunskih omejitev modelu ni treba pridobivati: ti jih že poznaš, zato jih mu preprosto posreduj. Končno imej v mislih, da je API v beta različici in bi se ta omejitev lahko v prihodnosti spremenila – toliko bolj razlog, da del kode z več agenti izoliraš za vmesnikom, ki ga lahko razvijaš, ne da bi moral vse znova napisati.

Ključne ugotovitve

  • Klicanje funkcij po meri z večagentnim sistemom ni podprto.
  • Delujejo le vgrajena orodja (web_search, x_search, code_execution, collections_search, Remote MCP).
  • Za izpostavitev lastnih API-jev agentom uporabi Remote MCP.
  • Sprejmi dvostopenjsko arhitekturo, če potrebuješ klicanje funkcij.
  • Ta omejitev se lahko v prihodnjih različicah spremeni (API je v beta fazi).