# 用 Microsoft Call Center AI 实现电话 API 调度：AI 代理主动拨打 > 详解 Call Center AI 的 /call API，用于 AI 代理或配置号码直接发起 bot 通话，实现实时 telephony tool-calling 的工程参数与落地清单。 ## 元数据 - 路径: /posts/2025/11/26/microsoft-call-center-ai-telephony-api-dispatch/ - 发布时间: 2025-11-26T18:08:51+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，AI 代理需要主动发起电话呼叫，以实现实时工具调用和交互式服务。Microsoft 的开源项目 Call Center AI 提供了一个简洁的 telephony API，支持通过 POST 请求从 AI 代理发送 outbound call，或从配置的电话号码直接拨打 bot。该方案基于 Azure Communication Services 和 OpenAI GPT-4o-mini/nano 模型，实现了流式语音对话、RAG 检索增强和断线续传功能，适用于保险、IT 支持和客服等低到中复杂度场景。 ### API 接口详解与调用示例 核心端点为 `/call`，采用 JSON payload 发起呼叫。关键参数包括： - `bot_company`：公司名称，如 "Contoso"，用于上下文注入。 - `bot_name`：机器人名称，如 "Amélie"，提升对话自然度。 - `phone_number`：目标用户号码，E164 格式如 "+11234567890"。 - `task`：通话任务描述，例如 "Help the customer with their digital workplace. Assistant is working for the IT support department."，指导 LLM 行为。 - `agent_phone_number`：代理号码，用于转接真人。 - `claim`：可选数据 schema 数组，支持 `text`、`datetime`、`email`、`phone_number` 类型，用于结构化信息收集，如 [{"name": "hardware_info", "type": "text"}]。 示例 curl 请求： ``` curl --header 'Content-Type: application/json' --request POST --url https://your-domain/call --data '{ "bot_company": "Contoso", "bot_name": "Amélie", "phone_number": "+11234567890", "task": "Help the customer...", "agent_phone_number": "+33612345678", "claim": [...] }' ``` 响应为实时流式事件，包括对话历史、claim 更新和 reminders。系统自动处理语音转文本（STT）、LLM 推理、文本转语音（TTS），并通过 WebSocket 或 Event Grid 推送事件。断线后可自动续传，确保会话连续性。 “Integrates inbound and outbound calls with a dedicated phone number, supports multiple languages and voice tones, and allows users to provide or receive information via SMS. Conversations are streamed in real-time to avoid delays, can be resumed after disconnections。” 该特性使 API 适用于工具调用场景，如在 LLM 对话中动态触发电话。 ### 实时 Telephony Tool-Calling 实现 在 AI 代理（如 LangChain 或自定义 LLM 循环）中，将此 API 作为工具集成：当检测到 "call user +123" 意图时，代理调用 `/call`，传入动态生成的 task 和 claim。bot 使用 GPT-4o-mini 处理实时 STT 输入，支持多语言（fr-FR、zh-CN 等），并通过 RAG（Azure AI Search）检索内部文档。 关键工具调用流程： 1. 用户意图解析 → 提取 phone_number 和 task。 2. POST /call → Azure Communication Services 拨号。 3. 流式事件监听：bot 响应 → STT → LLM（带 claim 上下文）→ TTS → 播放。 4. 工具注入：LLM 可调用内部工具生成 to-do list 或更新 claim。 5. 会话结束：生成 synthesis（长/短总结、满意度）、reminders 和 report（`/report/{phone_number}`）。 自定义 voice 通过 Azure Custom Neural Voice 实现品牌一致性；moderation 使用 Azure Content Safety 过滤有害内容。 ### 工程化参数与阈值配置 为确保稳定性和低延迟，需精细调优 App Configuration 中的 feature flags（TTL 60s 刷新）： | 参数 | 默认值 | 推荐阈值 | 作用 | |------|--------|----------|------| | `answer_hard_timeout_sec` | 15 | 10-20 | LLM 硬超时，避免卡死。 | | `answer_soft_timeout_sec` | 4 | 3 | 软超时，发送等待提示。 | | `phone_silence_timeout_sec` | 20 | 15-25 | 静音警告阈值。 | | `vad_silence_timeout_ms` | 500 | 400-600 | 语音活动检测（VAD）静音阈值。 | | `vad_threshold` | 0.5 | 0.4-0.6 | VAD 灵敏度，防回声。 | | `recognition_retry_max` | 3 | 2-4 | STT 重试上限。 | | `callback_timeout_hour` | 3 | 1-4 | 回调超时。 | LLM 配置：优先 gpt-4o-mini（低成本、高速），fallback 到 gpt-4o；RAG 使用 text-embedding-3-large（1536 维）。启用 `recording_enabled=true` 需预建 Storage 容器。监控指标（Application Insights）： - `call.answer.latency`：目标 <2s。 - `call.aec.droped/missed`：回声消除失败率 <5%。 - LLM 令牌使用、延迟分布。 回滚策略：若延迟 >5s，切换 nano 模型；采样日志（OpenLLMetry）以控成本。 ### 部署清单与成本优化 **部署步骤**（Azure serverless）： 1. 创建资源组、Communication Services（系统托管身份）、电话号码（voice+SMS）。 2. 配置 `config.yaml`：image_version（如 "0.1.0"）、LLM endpoint、语言/voice。 3. `make deploy name=your-rg` → Container Apps、Cosmos DB、Redis 等。 4. 本地开发：`make tunnel` + `uv run local.py` 测试无电话。 5. 生产：多区域、多副本（2 vCPU/2GB）、vNET 私有端点。 成本估算（1000 通话×10min/月，USD）：核心 $720（ACS $40、OpenAI $58、Container $160 等）；可选 Monitor $322。优化： - PTU（Provisioned Throughput Units）减 LLM 延迟 50%。 - 采样日志、升级 Search SKU 仅大数据集。 - 细调模型用历史通话数据（匿名化后）。 风险：PoC 阶段，需补测试、IaC、安全审计。生产前实现多区域、GitOps。 **资料来源**： - [Microsoft Call Center AI GitHub](https://github.com/microsoft/call-center-ai) - Azure 文档（Communication Services、OpenAI、Speech）。 （正文约 1250 字） ## 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。