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。
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：
- 用户意图解析 → 提取 phone_number 和 task。
- POST /call → Azure Communication Services 拨号。
- 流式事件监听：bot 响应 → STT → LLM（带 claim 上下文）→ TTS → 播放。
- 工具注入：LLM 可调用内部工具生成 to-do list 或更新 claim。
- 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）：
- 创建资源组、Communication Services（系统托管身份）、电话号码（voice+SMS）。
- 配置
config.yaml：image_version（如 "0.1.0"）、LLM endpoint、语言/voice。
make deploy name=your-rg → Container Apps、Cosmos DB、Redis 等。- 本地开发：
make tunnel + uv run local.py 测试无电话。
- 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：
（正文约 1250 字）