在呼叫中心场景中，API触发AI代理拨打电话（outbound calls）与直接呼叫配置号码接入bot（inbound direct bot handling）是两种互补的自动化模式。前者适用于主动任务分发，如预约确认或故障排查；后者则优化被动响应，如客户自助咨询。通过Azure Communication Services与OpenAI的集成，二者可无缝结合工具调用，形成闭环自动化，显著降低人力成本并提升响应时效。
API驱动外呼的核心机制与参数优化
API外呼的核心是通过POST /call端点触发，传入JSON payload，包括bot_company、bot_name、phone_number、task描述及claim schema。该模式下，系统使用Azure Communication Services创建呼叫会话，事件通过Event Grid推送到队列，app容器处理STT（Speech-to-Text）转录、LLM推理（gpt-4o-mini优先，fallback至gpt-4o）、TTS（Text-to-Speech）合成，并实时流式传输音频。
关键参数配置聚焦实时性和鲁棒性：
- vad_threshold: 0.5（Voice Activity Detection阈值，范围0.1-1）：平衡灵敏度与误触发，低值易捕获弱语音但增假阳性；实际部署中，从0.5起步，根据噪音环境A/B测试至0.4-0.6。
- vad_silence_timeout_ms: 500 / vad_cutoff_timeout_ms: 250：静音检测窗口，前者触发结束检测，后者切断；针对长停顿场景（如思考），延长至800ms可减中断，提升自然流。
- answer_soft_timeout_sec: 4 / answer_hard_timeout_sec: 15：LLM响应软硬超时，前者插播“稍等”提示，后者fallback错误；结合PTU（Provisioned Throughput Units）部署gpt-4o-mini，TTFT（Time to First Token）可降至2s内。
- phone_silence_timeout_sec: 20：用户静音警告阈值，防挂机；集成reminders机制，超时后生成跟进todo，如“24h后回调”。
claim schema定义结构化输出，例如：
[
{"name": "hardware_info", "type": "text"},
{"name": "first_seen", "type": "datetime"},
{"name": "building_location", "type": "text"}
]
LLM遵循JSON模式输出，确保数据验证（E164手机号、ISO datetime），存入Cosmos DB。工具调用集成RAG（AI Search embeddings via text-embedding-3-large），检索内部文档，增强领域知识。
落地清单：
- 配置config.yaml：llm.fast.model="gpt-4o-mini"，conversation.initiate.task="收集IT支持claim"。
- 部署Bicep模板：make deploy name=ccai-rg，确保Communication Services号码支持inbound/outbound。
- 测试curl：
curl -X POST https://your-app/call \
-H 'Content-Type: application/json' \
-d '{"bot_company":"Contoso","bot_name":"Amélie","phone_number":"+11234567890","task":"IT支持故障排查","claim":[...] }'
- 监控Application Insights：call.answer.latency<5s，call.aec.droped=0（回声消除）。
直接bot内呼的接入与差异化处理
inbound模式下，用户直拨bot号码，Communication Services回调app处理事件流，无需API触发。差异在于会话初始化：默认task从config.yaml加载，claim schema可选覆盖。系统自动检测语言（fr-FR/zh-CN等），切换TTS voice如fr-FR-DeniseNeural，支持custom_voice_endpoint_id集成品牌语音。
优化参数强调容错：
- recognition_retry_max: 3 / recognition_stt_complete_timeout_ms: 100：STT重试上限与完成超时，防网络抖动丢帧。
- callback_timeout_hour: 3：断线续传窗口，Redis缓存历史messages/next action。
- recording_enabled: true：Azure Storage录音，container="recordings"，用于QA与fine-tuning。
工具调用扩展：LLM支持function calling生成reminders/synthesis，如{"next":{"action":"case_closed","justification":"..."}}。历史对话fine-tune LLM，提升个性化（e.g., satisfaction: "high"）。
部署差异：
| 模式 |
触发 |
初始化 |
适用场景 |
| Outbound |
API POST |
Payload覆盖 |
主动分发、批量 |
| Inbound |
拨号 |
Config默认 |
自助咨询、24/7 |
监控清单：
- 指标：custom metrics如call.aec.missed（回声失败），目标<1%。
- 日志：OpenLLMetry追踪prompt/token，警报LLM hallucinations。
- 回滚：feature flags via App Configuration，ttl_sec=60s热更新。
集成工具调用与风险阈值
二者结合工具调用（如RAG search、DB upsert），实现端到端自动化。风险阈值：
- Moderation：OpenAI Content Filters score>4（hate/sexual等），阻断jailbreak。
- 成本：1000通10min calls~$720，优化nano model减10-15x。
- 隐私：PII anonymization前fine-tune，multi-region Cosmos RU/s=1000。
实际参数调优：从demo起步，模拟100通calls，迭代vad/timeout至latency<3s，claim fill rate>95%。
此方案已在保险/IT支持验证，断线续传确保UX，工具集成闭环任务。参考Microsoft call-center-ai GitHub仓库，一句描述其POC性质与Azure依赖。