# 通过API驱动的AI电话代理：号码配置与实时转录集成 > 基于 Microsoft Call-Center-AI，解析简单 API 发起 outbound calls 的参数配置，支持 inbound bot 直拨与实时对话转录工具集成要点。 ## 元数据 - 路径: /posts/2025/11/23/api-driven-ai-phone-calls-with-configurable-numbers/ - 发布时间: 2025-11-23T00:19:21+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 站点: https://blog.hotdry.top ## 正文 在呼叫中心场景中，传统人工外呼效率低下、成本高企，而通过简单 API 调用即可发起 AI 代理电话，能显著提升自动化水平。Microsoft 的 Call-Center-AI 项目提供了一个完整的解决方案，支持 outbound（外呼）和 inbound（接听）模式，用户只需配置 Azure 电话号码，即可让 AI bot 实时对话、转录并集成外部工具。该方案的核心在于 API 驱动的灵活性，避免了复杂 IVR 系统，适用于保险理赔、IT 支持等低中复杂度任务。 ### API 发起外呼的核心机制 项目通过 POST /call 接口触发 AI 代理拨打电话，参数高度可配置化。典型 curl 请求如下： ```bash curl --header 'Content-Type: application/json' --request POST --url https://xxx/call \ --data '{ "bot_company": "Contoso", "bot_name": "Amélie", "phone_number": "+11234567890", "task": "Help the customer with their digital workplace...", "agent_phone_number": "+33612345678", "claim": [ {"name": "hardware_info", "type": "text"}, {"name": "first_seen", "type": "datetime"}, {"name": "building_location", "type": "text"} ] }' ``` 这里，`bot_company` 和 `bot_name` 定义代理身份，便于个性化提示；`phone_number` 是目标客户号码；`task` 是英文任务描述，作为 LLM system prompt 的核心上下文；`agent_phone_number` 用于可选的人工转接；`claim` schema 支持 text/datetime/email/phone_number 类型，AI 会引导用户填充结构化数据。证据显示，这种 schema 驱动的对话能自动生成 claim、reminders 和 synthesis，确保数据合规。 落地参数建议： - task 长度控制在 100-200 字，聚焦目标（如“收集理赔信息”），避免泛化。 - claim 字段不超过 5-8 个，优先必填项（如姓名、时间），可选 description 辅助 LLM 理解。 - 支持覆盖默认 schema（如 caller_email、caller_name），API 调用时动态覆盖。 对于 inbound，用户拨打配置的 Azure 电话号码，bot 自动接听，使用默认 task（如“Help the customer with their insurance claim”）。 ### 电话号码配置与直拨 bot 关键在于 Azure Communication Services（ACS）资源： 1. 创建资源组（e.g., ccai-rg）。 2. 新建 ACS 资源，同名，启用系统托管身份。 3. 购买电话号码：支持 inbound/outbound，支持 voice/SMS，选择区域（如 West Europe）。 部署后，号码关联 Event Grid → 队列 → App 服务，实现事件驱动。bot 可自定义声音，如 fr-FR-DeniseNeural 或 zh-CN-XiaoqiuNeural，通过 config.yaml 的 `conversation.initiate.lang` 配置，支持多语言检测（pronunciations_en 列表）。 自定义语音：集成 Azure Custom Neural Voice，添加 `custom_voice_endpoint_id`，提升品牌一致性。风险控制：号码需 E164 格式（如 +1xxxxxxxxxx），测试时用免费号码避免费用。 ### 实时对话转录与工具集成 对话流：用户语音 → STT（Cognitive Services，实时）→ LLM（gpt-4o-mini/nano，默认 fast 模型）→ tool calls（如 RAG 查询）→ TTS → ACS 播放。支持流式传输，断线后 resume。 转录存储在 Cosmos DB，包括 messages（action: talk/persona/style/tool_calls）、claim、next action、reminders、synthesis（long/short/satisfaction）。LLM 使用 structured output，过滤 jailbreak，检测有害内容（Content Safety 阈值 0-7）。 工具集成要点： - RAG：AI Search 索引（fields: answer/context/vectors@1536 ADA），每消息搜索 400 tokens。 - Reminders：自动生成 due_date_time，如 “2024-12-11T14:30:00”。 - Feature flags（App Configuration，TTL 60s）：`recording_enabled=true`、`slow_llm_for_chat=false`、`vad_threshold=0.5`。 优化参数清单： | 参数 | 默认值 | 建议调优 | |------|--------|----------| | answer_hard_timeout_sec | 15 | 复杂任务增至 30 | | phone_silence_timeout_sec | 20 | 客服场景 15-25 | | vad_silence_timeout_ms | 500 | 噪声环境 800 | | recognition_retry_max | 3 | ≥3 防误识 | | callback_timeout_hour | 3 | 0 禁用 | 报告接口：`/report/{phone_number}`，展示历史、claim、reminders。 ### 部署与监控落地 部署分 remote（Azure Container Apps，ghcr.io/clemlesne/call-center-ai:main）和 local（Rust/uv Python，devtunnel）。config.yaml 关键： - llm.fast.model: gpt-4o-mini（低成本，高性能）。 - conversation.default_initiate.claim/task：默认 inbound。 - prompts.tts.hello_tpl：多模板随机，提升自然度。 监控：App Insights 追踪 call.answer.latency、aec.dropped；成本估算（1000 calls@10min）：~$720/month，主要 Cosmos RU/s 和 Speech。 回滚策略：feature flags 热更新；PTU 部署 Azure OpenAI 减延迟 50%。 快速上手清单： 1. Azure 准备：资源组、ACS、号码、OpenAI。 2. make deploy name=ccai-rg。 3. 测试 API：curl POST /call。 4. Inbound：拨打号码。 5. 监控：make logs；Insights 仪表盘。 6. 定制：config.yaml → App Config。 来源：https://github.com/microsoft/call-center-ai（POC，非生产）；相关讨论见 CSDN/HN 热度追踪。 此方案参数化强，落地周期短，适用于中小团队快速验证 AI 电话代理。（字数：1256） ## 同分类近期文章 ### [NVIDIA PersonaPlex 双重条件提示工程与全双工架构解析](/posts/2026/04/09/nvidia-personaplex-dual-conditioning-architecture/) - 日期: 2026-04-09T03:04:25+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 深入解析 NVIDIA PersonaPlex 的双流架构设计、文本提示与语音提示的双重条件机制，以及如何在单模型中实现实时全双工对话与角色切换。 ### [ai-hedge-fund：多代理AI对冲基金的架构设计与信号聚合机制](/posts/2026/04/09/multi-agent-ai-hedge-fund-architecture/) - 日期: 2026-04-09T01:49:57+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 深入解析GitHub Trending项目ai-hedge-fund的多代理架构，探讨19个专业角色分工、信号生成管线与风控自动化的工程实现。 ### [tui-use 框架：让 AI Agent 自动化控制终端交互程序](/posts/2026/04/09/tui-use-ai-agent-terminal-automation/) - 日期: 2026-04-09T01:26:00+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 详解 tui-use 框架如何通过 PTY 与 xterm headless 实现 AI agents 对 REPL、数据库 CLI、交互式安装向导等终端程序的自动化控制与集成参数。 ### [tui-use 框架：让 AI Agent 自动化控制终端交互程序](/posts/2026/04/09/tui-use-ai-agent-terminal-automation-framework/) - 日期: 2026-04-09T01:26:00+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 详解 tui-use 框架如何通过 PTY 与 xterm headless 实现 AI agents 对 REPL、数据库 CLI、交互式安装向导等终端程序的自动化控制与集成参数。 ### [LiteRT-LM C++ 推理运行时：边缘设备的量化、算子融合与内存管理实践](/posts/2026/04/08/litert-lm-cpp-inference-runtime-quantization-fusion-memory/) - 日期: 2026-04-08T21:52:31+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 深入解析 LiteRT-LM 在边缘设备上的 C++ 推理运行时，聚焦量化策略配置、算子融合模式与内存管理的工程化实践参数。