🏷️ Function Calling

让RAG长出脑子：Agentic RAG的多步推理实践

文章指出传统单轮 RAG 在处理复合问题时存在检索不足或幻觉的缺陷，提出通过 Agentic RAG（多步推理）来解决。核心思路是将 LLM 从被动应答升级为主动调度的指挥官，利用 ReAct（推理-行动循环）机制，自主决定检索次数和工具调用。文中详细展示了如何封装检索工具、执行函数（含权限过滤、混合检索）以及编写多步推理循环代码，实现复杂问题的精准回答。

如何构建 AI 语音代理：全流程指南

文章揭示了构建语音代理的核心要素：并非追求最强模型，而是建立低延迟的实时管道。作者阐述了三种主流架构，并详细拆解了链条式流程中 STT（听力）、LLM（大脑）、TTS（嘴巴）、检索（记忆）与执行（手）这五个关键组件的选型、调优与避坑指南，强调对话设计的重要性。

Agent 工程的四个深坑：Demo 到生产没有捷径

作者分享了将 AI Agent 从 Demo 推向生产环境过程中遇到的四个“深坑”：Function Calling 的不可预测性需加代码校验兜底；多步任务必须引入状态机和 checkpoint 防止重复执行或死无对证；记忆管理需分层以解决 token 爆炸和“丢失中间”问题；权限控制是最大风险，需防范 prompt injection 并建立分级审计机制。

OpenAI Agents SDK 新增沙盒支持：定义 Agent 交付工作的标准方式

文章介绍了 OpenAI 在 Agents SDK 中新增的一体化沙盒支持功能。作者通过对比早期的 Structured Outputs 和自定义 Shell 工具，阐述了内置原生工具在模型分布和性能上的优势。新功能通过分离编排层与计算层，利用隔离环境安全地处理代码执行、文件操作和浏览器自动化等任务，确保 Agent 能够交付可追踪、可恢复且安全的工作成果，如 PR、迁移和数据分析报告。