# API触发AI电话代理部署：无服务器呼叫中心自动化 > 基于微软call-center-ai，用API一键触发AI拨打电话或接听，支持实时流式交互与断线续传，提供部署参数、超时阈值与监控清单。 ## 元数据 - 路径: /posts/2025/12/02/api-triggered-phone-ai-agent-deployment/ - 发布时间: 2025-12-02T18:38:12+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，手动拨打或接听电话往往消耗大量人力，而微软开源的call-center-ai项目通过单一API接口实现AI代理的无缝电话交互，支持主动外呼或被动接听。这种API-first设计强调通用性，避免了特定提供商如Twilio的深度绑定，而是依赖Azure Communication Services作为电话网关，结合OpenAI GPT模型处理对话逻辑。 核心机制是POST /call端点，传入JSON负载包括bot_company（如"Contoso"）、bot_name（如"Amélie"）、目标phone_number、任务描述（如"帮助客户处理IT支持问题，收集claim信息"）以及可选claim schema（如[{"name":"hardware_info","type":"text"}]）。系统自动分配专用号码，用户拨入即触发bot响应；或API主动发起呼叫，实现自动化外呼。例如，curl命令可一键触发："curl --header 'Content-Type: application/json' --request POST --url https://your-domain/call --data '{"bot_company":"Contoso","bot_name":"Amélie","phone_number":"+11234567890","task":"..."}'"。这种设计确保了低复杂度呼叫（如保险理赔、IT支持）的24/7覆盖，支持多语言（fr-FR、zh-CN等）和自定义语音（Azure Custom Neural Voice）。 部署采用云原生无服务器架构，主要在Azure Container Apps上运行，利用Bicep IaC自动化provision资源。前提包括：创建资源组（如ccai-demo）、Communication Services资源（启用系统托管身份）、购买支持voice/SMS的电话号码。配置config.yaml指定image_version（如ghcr.io/clemlesne/call-center-ai:0.1.0）、Azure OpenAI端点（gpt-4o-mini作为fast模型）、Cognitive Services密钥、Cosmos DB连接串等。执行"make deploy name=my-rg-name"即可部署，日志通过"make logs name=my-rg-name"查看。本地开发用"make deploy-bicep deploy-post" + devtunnel暴露端口，支持hot-reload迭代。 实时语音交互的关键在于流式处理和容错参数。通过App Configuration动态调整feature flags，无需重启：answer_hard_timeout_sec=15（LLM硬超时，避免挂起）、answer_soft_timeout_sec=4（软超时，播放等待音）、phone_silence_timeout_sec=20（静音警告）、vad_threshold=0.5（语音活动检测阈值，0.1-1范围）、vad_silence_timeout_ms=500（静音超时）。STT配置recognition_retry_max=3、recognition_stt_complete_timeout_ms=100，确保识别鲁棒性。断线续传依赖Cosmos DB持久化conversation、claim、reminders和synthesis，用户报告在/report/{phone_number}查看历史，支持RAG via AI Search（index schema含vectors维度1536，用ADA embedding）。 优化落地参数清单： 1. **LLM选择**：fast用gpt-4o-mini（低延迟10-15x成本效益），insights用gpt-4o分析synthesis。 2. **RAG索引**：字段answer/context/question/vectors，确保domain-specific知识注入，如IT术语或保险政策。 3. **Claim Schema**：预定义caller_email/text/datetime/phone_number，支持验证（E164格式）。 4. **Prompt定制**：tts.hello_tpl列表随机选，避免重复；llm.system_tpl注入{date}/{phone_number}/{claim}上下文。 5. **监控指标**（Application Insights）：call.answer.latency（用户语音结束到bot响应时延）、call.aec.droped（回声消除丢帧）、token使用/LLM延迟。设置警报阈值latency>5s。 6. **回滚策略**：feature_flags如slow_llm_for_chat=true fallback慢模型；人工转接via Communication Services；callback_timeout_hour=3自动重呼。 成本估算（1000通10min calls/月，Sweden Central/West Europe）：核心$720（Communication $40、OpenAI $58、Container $160、AI Search $74、Speech $152、Cosmos $234），可选Monitor $343。生产化需vNET/private endpoint增支，但弹性缩放匹配峰谷流量。 风险控制：作为POC，添加单元测试、multi-region Cosmos、CodeQL扫描。私密数据用RAG+Content Safety过滤jailbreak/harm。细调历史通话提升准确率（匿名后用Azure AI Foundry）。 资料来源：https://github.com/microsoft/call-center-ai（README & demo）；相关搜索确认近期热度，无HN深度讨论。 （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。