语音智能体最致命的体验 bug,不是听不懂,是冷场。
你问一句,它要调个工具查数据,这一查,耳机里就空了三五秒。人耳对沉默极度敏感,空一下信任就掉一截。Google 这篇官方教程,把病根和药方都讲透了。
核心就一句话:工具调用必须非阻塞(non-blocking,不卡住主对话流)。gemini-3.8-live 这种流式模型能边说边想,你让它"先吐字、后台查、查完插进来",对话就不会断。ADK(Agent Development Kit,Google 的开源智能体框架)把这套调度封装成了两种模式。
第一种是"预填充":模型边生成开场白,后台已经把工具跑完,听众完全无感。第二种是"中途插入":长任务进行中,状态更新直接顶进当前语音流。
我看过太多团队死磕"大模型更聪明",却栽在调度这种脏活上。Google 这次等于明说:语音 Agent 的胜负手在编排层,不在模型智商。
想抄作业的注意:非阻塞的前提是你的工具本身够快。接个三秒才返结果的外部接口,再好的调度也救不回冷场。