背景
在使用 OpenCode 这样的 AI Agent 平台时，Agent 可以写代码、读文件、搜文档、部署服务，但有一个根本的能力空白：它不能打电话。
想象这些场景：
- Agent 帮你完成了代码部署，需要通知王经理 —— 你只能自己拿起手机
- Agent 从数据库里找到了一批欠费用户，需要逐一确认 —— 你手动拨号
- Agent 检测到服务器宕机，想通知运维 —— 它只能发文字消息
Agent 不缺信息，缺的是触达真人的通道。电话仍然是最高优先级的通知方式 —— 微信可能静音，邮件可能淹没，但电话铃响，对方一定会接。
于是我写了
功能
Phone Agent 是一个 MCP Server，跑在连接了 Android 手机的 Linux 机器上，向 OpenCode Agent 暴露 7 个工具：
| MCP Tool | 功能 | 典型场景 |
|---|---|---|
phone_dial | 拨号 + 预生成开场白 TTS | 任何电话的第一步 |
phone_converse | 多轮自主对话（LLM 驱动） | 确认出席、通知延期、收集信息 |
phone_ask | 单轮：问 → 录 → 识别 → 提取 | 简单的是/否问题 |
phone_speak | 单向 TTS 播放 | 纯通知，不需要回复 |
phone_check | 查询通话状态 | 拨号前确认、挂断后确认 |
phone_hangup | 挂断 | 结束时调用 |
phone_filler | 播放预生成的垫话 | 桥接 TTS 生成延迟 |
Agent 只需要组合这些工具就可以完成完整的通话任务：
phone_dial(number, opening="您好，我是XX公司的AI助手...")
→ 拨号 + TTS 后台生成，接通瞬间播放
phone_converse(goal="确认明天评审会出席", skip_opening=true)
→ LLM 自主对话：录 → 识别 → 决策 → TTS → 回复 → 循环
phone_hangup()
→ 挂断，Agent 总结对话结果架构设计
整体架构
┌──────────────────────────────────────────────────────┐
│ OpenCode Agent │
│ phone_dial / hangup / check / speak / ask / converse │
└─────────────────────┬────────────────────────────────┘
│ MCP stdio (JSON-RPC)
┌─────────────────────▼────────────────────────────────┐
│ phone_call_mcp.py (688行) │
│ ├─ 拨号调度 → ADB am start CALL │
│ ├─ 对话引擎 → DeepSeek API 方向盘 │
│ ├─ 语音合成 → edge-tts (云端) / espeak-ng (本地) │
│ ├─ 语音识别 → faster-whisper tiny │
│ ├─ 录音控制 → WebRTC VAD + parecord │
│ ├─ 回声管理 → 5次重试清除 loopback │
│ └─ 蓝牙管理 → HSP 自动重连 │
└──────┬──────────────────────────┬────────────────────┘
│ │
┌───▼────┐ ┌──────▼──────┐
│ ADB │ │ 蓝牙 HSP │
│ (拨号) │ │ paplay 上行 │
└────────┘ │ parecord 下行│
└─────────────┘为什么是 MCP？
OpenCode 本身没有「打电话」的能力，但它有 MCP 扩展机制。我把整个电话能力包装成一个 MCP Server：
- Agent 不需要知道蓝牙、ADB、PulseAudio 的存在 —— 它只需要调用工具
- 对话决策在远端 LLM 完成 —— Agent 只负责编排，不参与每轮决定
- Skill 提供使用指南 ——
phone-callSkill 告诉 Agent 什么时候用哪个工具、怎么组合
双引擎设计：API + 本地各司其职
对话决策 (方向盘) → DeepSeek API → 约 1 秒延迟，语义理解强
简单提取 (辅助) → 本地 1.5B LM → 更快的结构化提取
TTS → edge-tts → 2-5 秒，后台并行生成
ASR → whisper tiny → 1-3 秒，速度优先为什么不用纯本地？ 1.5B 的本地模型做多轮对话决策不稳定，容易陷入重复提问。DeepSeek API 做方向盘，本地模型做简单提取，各做自己擅长的。
为什么用 whisper tiny 而不是 small？ 实测 tiny 转写日常中文对话准确率 90% 以上，但比 small 快 3-5 倍。电话场景需要「够用就好」的转写速度，而不是精准字幕。
关键技术
四层停止机制
多轮对话最大的坑是「不知道什么时候停」。Phone Agent 实现了四层防御：
| 层 | 机制 | 触发条件 |
|---|---|---|
1. 模型 done | LLM 判断对话完成 | 信息收集完毕 / 对方拒绝 / 对话结束 |
| 2. 关键词 | 检测推脱/拒绝语 | ”帮你记”、“打错”、“稍后联系”、“尽快” 等 25 个以上关键词 |
| 3. 去重 | 连续两轮相同回复 | ”喂？” → “喂？“（对方不配合） |
| 4. max_turns | 硬上限 | 安全网，防止死循环 |
经过 184 条多场景模拟对话测试，停止准确率达到 98%。模型 done 是第一道线，关键词是安全网 —— 模型有时会被”我帮你记一下”这类委婉拒绝骗过去，关键词层补上这个缺口。
两段式开场：零延迟通话
一个容易被忽略但体验差距巨大的细节：TTS 生成需要 2-5 秒。如果接通后才开始生成 TTS，对方会听到 2-5 秒的沉默，以为是骚扰电话直接挂掉。
解决方案：
phone_dial(number, opening="您好，我是...")
│
├── 拨号中 (ringing) ───→ 后台生成 opening TTS
│
└── 对方接听 ───→ 检测 state=ACTIVE ───→ 立即播放 TTS开场白在拨号振铃期间后台生成，对方接通的瞬间就听到声音 —— 就像真人打电话一样自然。后续对话通过 phone_converse(skip_opening=true) 无缝衔接。
TTS 间隙填补
录音结束后，LLM 决策 + TTS 生成需要 3-8 秒。如果对方在这期间听不到任何声音，会以为断线。
解决：录音结束 2 秒后，如果 TTS 还没生成完，自动播放预录的垫话「请稍等，让我思考一下」。如果 TTS 在垫话期间完成，等垫话播完再切入 TTS —— 不抢话、不重叠、不断线。
第一轮永远不播垫话（对方刚接电话，垫话显得突兀）。
「不知道就说不知道」
LLM 最大的问题之一是幻觉——被问到不知道的信息时会编造答案。在电话场景里这尤其危险。
Phone Agent 在 System Prompt 里明确要求：
遇到你不知道的信息，诚实说”这个我不确定，我确认后再回复您”，返回 done，reason 写 “callback: 需要确认XXX后再回电”。
Agent 拿到 done_reason: "callback:..." 后会告知用户需要查证，然后带着确认后的信息重拨。
如何使用
1. 硬件准备
- 一台 Linux 电脑（蓝牙 + USB）
- 一台 Android 手机（已 root，已测试 Xiaomi 22041216C / Android 14 / MTK Dimensity 8100）
- USB 数据线连接电脑和手机
2. 蓝牙配对 (HSP)
bluetoothctl pair F8:AB:82:92:08:76
bluetoothctl trust F8:AB:82:92:08:76
pactl list cards short | grep bluez # 确认识别HSP（Headset Profile）是关键——它能提供双向 8kHz 语音通路。A2DP 只能单向放音乐，不能录音。
3. 安装依赖
pip install mcp edge-tts webrtcvad
apt install pulseaudio pulseaudio-module-bluetooth ffmpeg
pip install faster-whisper # ASR4. 生成垫话音频
python3 gen_fillers.py5. 配置 MCP Server
git clone https://github.com/7emotions/phone-agent.git在 opencode.jsonc 中添加：
"phone-call": {
"type": "local",
"command": ["python3", "/path/to/phone_call_mcp.py"],
"enabled": true,
"timeout": 300000,
"environment": {
"PHONE_CONVERSE_BACKEND": "api",
"PHONE_TTS_BACKEND": "edge",
"PHONE_LLM_URL": "https://api.deepseek.com/chat/completions",
"PHONE_LLM_KEY": "sk-xxx",
"PHONE_LLM_MODEL": "deepseek-chat",
"PHONE_LLM_CONTEXT": "你是XX公司的AI助手。",
"PHONE_BT_MAC": "F8:AB:82:92:08:76",
"PHONE_BT_CARD": "bluez_card.F8_AB_82_92_08_76",
"PHONE_BT_SINK": "bluez_sink.F8_AB_82_92_08_76.headset_audio_gateway",
"PHONE_BT_SOURCE": "bluez_source.F8_AB_82_92_08_76.headset_audio_gateway",
"PHONE_ADB": "/path/to/adb"
}
}6. 安装 Agent Skill
将仓库里的 skill-phone-call.md 复制到 ~/.agents/skills/phone-call/SKILL.md，重启 OpenCode。
7. 使用
配置完成后，Agent 就获得了打电话能力。对它说：
“帮我打电话给 138xxxx，确认他明天下午能否参加评审会”
Agent 会自动：
- 调用
phone_dial拨号，附带预生成的「你好，我是 XX 公司 AI 助手…」开场白 - 调用
phone_converse进行多轮对话 - 在对话完成后挂断
- 从返回的
transcripts中提取信息，用自然语言回复你
对话演示
一段真实通话记录（对方为某公司客服）：
Agent: 您好，我是南京青赋驭境的AI助手，想跟您确认一下
明天下午的评审会您这边能参加吗？
Caller: 现上评审会是吧？请问具体是哪个部门或者项目的会议呢？
Agent: 是明天下午的线上评审会，具体是南京青赋驭境的项目评审会。
Caller: 嗯，收到了，我会尽快帮您确认一下是否能参加的。
→ 触发停止（关键词："尽快"）— 对方表达了帮忙意愿但未承诺另一段成功回电流程：
Agent: 您好，刚才关于XXX的问题，我已经确认了，请问您现在方便吗？
Caller: 方便的，你说。
Agent: 根据我们的记录，您在系统中的状态是XXX，所以需要您...
Caller: 好的，明白了，我马上去处理。
→ 触发停止（模型 done）— 信息传达清楚，对方已承诺局限与后续计划
当前局限：
- 需要 root 手机：ADB 拨号不要求 root，但蓝牙 HSP profile 管理在非 root 设备上有限制
- 仅限中文：whisper 支持多语言，但 System Prompt 和 filler 目前只写中文
- Linux 单机部署：MCP 要求 stdio 通道，不能远程调用
- 单路通话：HSP 只能处理一路双向音频，不能同时打两个电话
- 需要 USB 连接：ADB over WiFi 也可以，但有线更稳定
计划中的改进：
- 支持 ADB over WiFi，摆脱 USB 线
- 多语言支持（英文 System Prompt + 英文 filler）
- 回电调度：从
done_reason提取待确认事项，自动创建回电任务 - GPU 加速 whisper（CUDA / Apple Silicon）
- 通话录音存档，供 Agent 回顾历史对话
结语
phone-agent 给 AI Agent 装上了一个真正的「嘴巴」和「耳朵」——不是模拟的，是真实能打通电话的。
它的核心价值不在于技术多么复杂（688 行 Python），而在于打通了 Agent 到真人之间的最后一公里。Agent 能写代码、能搜文档、能部署服务，但在此之前，它需要一个人类来替它打电话。现在不需要了。
如果你也在用 OpenCode 或其他支持 MCP 的 AI Agent 平台，欢迎尝试。项目开源在 GitHub，MIT 协议。