# 通过 Azure /call API 工程化 AI Agent 主动拨打电话 > 利用 Microsoft Call Center AI 的 /call API 派遣 AI agent 主动拨出电话，支持 GPT-4o-mini 流式语音、RAG 检索、中断感知工具调用，实现呼叫中心 outbound 自动化。 ## 元数据 - 路径: /posts/2025/11/27/ai-agent-outbound-telephony-via-azure-call-api/ - 发布时间: 2025-11-27T20:08:31+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 agent 主动发起 outbound 电话呼叫，能显著提升运营效率，避免人工拨号的低效与疲劳。相较传统 inbound 模式，outbound 通过单一 API 调用即可触发完整对话流程，支持实时流式语音交互、RAG 知识检索及工具调用，确保 agent 在复杂任务中（如保险理赔、IT 支持）保持上下文连贯性和响应敏捷性。该方案的核心在于最小化延迟、处理用户中断，并提供可观测的落地参数。 Microsoft 的 Call Center AI 项目提供了现成实现：通过 POST /call API，AI agent 可直接拨打指定 phone_number 执行 task。例如，IT 支持场景下，payload 可指定 bot_company（如“Contoso”）、bot_name（如“Amélie”）、目标号码、任务描述（如“帮助客户解决数字工作场所问题，并收集理赔信息”），以及 claim schema（如 hardware_info:text, first_seen:datetime）。系统基于 Azure Communication Services 处理呼叫接入，结合 GPT-4o-mini（内部称 gpt-4.1-nano）驱动对话逻辑，支持实时 STT（Speech-to-Text）和 TTS（Text-to-Speech）流式转换，避免传统批处理延迟。 架构上，呼叫事件经 Event Grid 推送到队列，App（Container App 部署）处理 LLM 调用：用户语音经 Cognitive Services STT 转文本，注入 RAG（AI Search 索引，embedding via ADA），LLM 生成响应（含工具调用，如填充 claim 或创建 reminder），再经 TTS 转为语音回传。关键是中断感知：VAD（Voice Activity Detection）阈值默认 0.5，沉默超时 500ms，切断超时 250ms；若用户沉默 20s，agent 发送警告消息。支持断线续传，对话历史存 Cosmos DB，Redis 缓存加速重连。引用项目文档，该系统处理中低复杂度呼叫，24/7 可用，支持多语言（fr-FR, zh-CN 等）和自定义神经语音。 工程落地时，优先优化延迟与可靠性。LLM 侧，使用 gpt-4o-mini 降低 TTFT（Time to First Token），结合 PTU（Provisioned Throughput Units）可减半延迟；配置 answer_soft_timeout_sec=4s（发送等待消息）、answer_hard_timeout_sec=15s（中止并报错）。RAG 检索限 3750 tokens/对话，确保 grounding；工具调用遵循结构化 schema，验证类型（text/datetime/email/phone），生成 to-do lists 和 reminders（如“明日 14:30 跟进事故”）。特征标志（如 App Configuration）动态控制：recording_enabled（需 Storage 容器）、slow_llm_for_chat、recognition_retry_max=3。监控用 Application Insights，追踪 call.answer.latency、aec.droped（回声消除失败）、LLM tokens（OpenLLMetry 语义约定）。 部署清单如下，确保 serverless 弹性： 1. **前提资源**：Azure 资源组（e.g. ccai-demo）、Communication Services（系统托管身份）、购买号码（支持 voice/SMS）。 2. **配置**：config.yaml 指定 LLM endpoint（Azure OpenAI）、Speech 服务、AI Search 索引（字段：answer/context/vectors@1536）。本地用 make install/deploy-bicep；远程 make deploy name=my-rg。 3. **API 触发**：curl POST /call，示例 payload 见上，支持自定义 task/claim。测试用 local.py 无需真实呼叫。 4. **定制**：prompts（如 hello_tpl 多变体增强自然度）、claim schema（添加 incident_description:text）、语言（default_short_code: zh-CN, voice: zh-CN-XiaoqiuNeural）。 5. **监控与回滚**：Insights 仪表盘观 latency/token；若延迟>2s，fallback 人类 agent（transfer）；成本估算 1000x10min calls ~720 USD/mo，优先 Basic SKU。 6. **安全**：Content Safety 过滤（0-7 阈值）、PII 匿名，fine-tune 用历史转录（合规后）。 风险控制：沉默/中断阈值调优防假阳性（vad_threshold 0.4-0.6 测试）；LLM 幻觉用 insights LLM（gpt-4.1）后验校验；生产前加单元测试、multi-region、多 vNET。私有数据讨论需 RAG 最佳实践，Redis 防缓存污染。 实际参数示例（config.yaml 片段）： ``` conversation: initiate: task: "收集 IT 支持 claim，直至问题解决。" claim: - name: hardware_info type: text - name: first_seen type: datetime features: # App Config phone_silence_timeout_sec: 20 vad_threshold: 0.5 ``` 此方案适用于保险/IT/客服 outbound，落地周期数小时。资料来源：Microsoft Call Center AI GitHub（https://github.com/microsoft/call-center-ai），包含 demo 视频与完整部署脚本。 （正文字数：1028） ## 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。