Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Verktyg och funktionsanrop i röstläge

Lektion 5 av 14 Uppdaterad 29 juli 2026 Medelnivå
På denna sida
  1. En agent som agerar, inte bara pratar
  2. De fem typerna av verktyg
  3. Den fullständiga cykeln för funktionsanrop
  4. När flera funktioner utlöses samtidigt
  5. Begränsningar specifika för röst
  6. Viktiga punkter

En agent som agerar, inte bara pratar

En röstassistent som bara kan chatta stöter snart på en vägg: den svarar artigt på “Var är min beställning?” utan att veta något. Det verkliga värdet med Voice Agent ligger i dess förmåga att agera mitt i en konversation (fråga en databas, köra en webbsökning, anropa ett företags-API eller nå en MCP-server) och sedan läsa upp resultatet som om inget hänt.

De fem typerna av verktyg

Webbsökning tar, i sin enklaste form, inga parametrar:

{ "type": "web_search" }

Agenten söker då live på webben, vilket täcker faktiska frågor, nyheter och all data som ändras för ofta för att finnas i en prompt.

X-sökning fungerar på samma sätt, med möjlighet att begränsa sökningen till vissa konton:

{
  "type": "x_search",
  "allowed_x_handles": ["corsen_ai"]
}

Parametern allowed_x_handles är valfri, men den ändrar vad verktyget gör. Utan den söker agenten på hela plattformen; med den blir agenten en talesperson som endast citerar dina officiella inlägg.

Filsökning frågar samlingar av vektoriserade dokument, såsom dina manualer, procedurer och produktdokumentation:

{
  "type": "file_search",
  "vector_store_ids": ["vs_abc123"],
  "max_num_results": 10
}

Anpassade funktioner öppnar dörren till dina egna system. Det här är den typ av verktyg du kommer använda mest, och det är värt att deklarera dem noggrant:

{
  "type": "function",
  "name": "check_order",
  "description": "Checks the status of a customer order",
  "parameters": {
    "type": "object",
    "properties": {
      "order_number": {
        "type": "string",
        "description": "The order number, in the format CMD-XXXX"
      }
    },
    "required": ["order_number"]
  }
}

Du kan koppla ett CRM, ett ERP, en kalender eller en intern databas på samma sätt. Slutligen ger MCP-servrar tillgång till standardiserade verktyg via Model Context Protocol, så att du slipper skriva om en integration för varje tjänst:

{
  "type": "mcp",
  "server_url": "https://mcp.example.com/sse",
  "server_label": "My MCP server"
}

Den fullständiga cykeln för funktionsanrop

När agenten bestämmer sig för att anropa en funktion kör den den inte själv: den ber dig göra det, och din app utför arbetet. Argumenten strömmas först in via response.function_call_arguments.delta. Därefter markerar händelsen response.function_call_arguments.done slutet på begäran och ger dig call_id tillsammans med de kompletta argumenten. Det är upp till dig att köra funktionen och sedan returnera resultatet som ett conversation.item.create av typen function_call_output:

{
  "type": "conversation.item.create",
  "item": {
    "type": "function_call_output",
    "call_id": "call_abc123",
    "output": "{\"status\": \"shipped\", \"delivery_date\": \"2026-04-05\"}"
  }
}

Ett sista steg är avgörande, och det är det folk glömmer: skicka response.create så att agenten kan väva in resultatet i sitt talade svar. Utan detta når visserligen resultatet konversationen, men inget händer. Användaren hör tystnad, och du börjar leta efter felet på fel ställe.

När flera funktioner utlöses samtidigt

Modellen kan mycket väl besluta sig för att anropa två eller tre funktioner samtidigt, till exempel för att kontrollera en beställning och slå upp leveransschema. Du receives då flera function_call_arguments.done-händelser, var och en med sitt eget call_id. Kör dem alla, parallellt om möjligt så att latenserna inte adderas, skicka in varje resultat i sitt eget conversation.item.create, och skicka en enda response.create allra sist. Ett response.create per funktion skulle utlösa lika många konkurrerande röstsvar, och agenten skulle börja prata över sig själv.

// Ta emot och kör alla funktioner
const results = await Promise.all(
  pendingCalls.map(call => executeFunction(call))
);

// Skicka in alla resultat
for (const result of results) {
  ws.send(JSON.stringify({
    type: "conversation.item.create",
    item: {
      type: "function_call_output",
      call_id: result.callId,
      output: JSON.stringify(result.data)
    }
  }));
}

// Utlös svaret
ws.send(JSON.stringify({ type: "response.create" }));

Begränsningar specifika för röst

Det som går obemärkt förbi i ett textgränssnitt blir glaring i tal, börjande med tid. Ingen väntar mer än tre till fem sekunder mitt i en konversation. Därefter tror användarna att linjen har brutits och börjar prata. Om din funktion frågar ett långsamt system, låt agenten säga en väntfras under anropet istället för att lämna det tyst.

Storleken på resultaten är lika viktig. Agenten måste sammanfatta högt allt du ger den, och en lista på fyrtio beställningar ger antingen en oändlig uppräkning eller en grov sammanfattning. Returnera strukturerad data, men håll dig till det som är viktigt. Var också försiktig med varje funktions beskrivning, eftersom det är det enda modellen förlitar sig på för att välja: en vag beskrivning som “hanterar beställningar” får den att tveka eller välja fel verktyg. Och planera för misslyckanden. När en funktion kraschar, returnera ett explicit felmeddelande i output snarare än ingenting, annars kommer agenten att improvisera ett svar utan att veta att anropet misslyckades.

Viktiga punkter

  • Voice Agent stöder fem typer av verktyg: webbsökning, X-sökning, filsökning, funktioner och MCP
  • Ett funktionsanrop går igenom fyra steg: ta emot argumenten, kör funktionen, returnera resultatet och utlös svaret
  • Parallella anrop är möjliga: kör allt, skicka in allt och skicka sedan en enda response.create
  • I röstläge är svarstiden för funktioner avgörande: sikta på under 3 sekunder