用Telnyx AI电话代理进行实时谈判演练

想象一下，你拿起电话，拨出一个号码，然后与一个扮演招聘经理的AI进行薪资谈判——它会拒绝你的首次报价，用预算限制来还价，最后在你挂断后给你的谈判技巧打分。无需预约模拟面试，无需支付教练费用，也无需与同事尴尬地角色扮演。

这就是AI谈判练习电话——一个用Telnyx Call Control和AI Inference构建的110行Python应用。它提供三个场景（薪资、销售交易、供应商合同），全程语音驱动，每次通话结束后都会给出结构化的表现评分。AI始终扮演角色，适应你的谈判方式，并提供可操作的反馈。

本教程将带你从零开始构建这个应用。克隆代码仓库、配置一个电话号码，几分钟内即可开始练习。

你将构建什么

一个任何人都可以拨打来练习谈判的电话号码：

• 拨入后，Telnyx应答并提供菜单
• 按1选择薪资谈判，2选择销售交易，3选择供应商合同
• AI开始扮演对手角色（招聘经理、企业买家或供应商客户经理），提出开场条件
• 实时谈判：你自然说话，AI以角色身份回应，推拉、还价并适应你的策略
• 挂断后评分：AI从五个维度评估谈判，返回结构化JSON
• 会话记录：每次练习都会被保存，可通过GET /sessions访问

整个过程完全语音驱动：文本转语音朗读AI的台词，你以自然语音回应。模型（通过Telnyx AI Inference提供的Llama 3.3 70B）既处理实时角色扮演，也负责挂断后的评估。

为什么这很有趣

大多数谈判培训工具都是基于文本的聊天机器人或静态视频课程。两者都无法捕捉真实对话的压力——停顿、推拉、必须快速思考的时刻。而这个工具让你在真实的电话中与一个拥有预算、角色和隐藏约束（如“最大15%折扣”或“预算15.5万美元，可灵活至16.5万美元”）的AI交谈。

评分系统让它不仅仅是一次对话。挂断后，AI从五个维度评估你的表现——锚定、让步策略、主动倾听、创造力和自信——以及总体得分和具体的优势与改进点。你可以重复练习同一场景五次，并跟踪自己的进步。

此外，它展示了DTMF+语音模式：应用使用DTMF（按键输入）进行场景选择，语音识别用于谈判本身。这种双输入模式出现在许多真实的IVR工作流中。

前提条件

• Python 3.8+
• 拥有充足余额的Telnyx账户
• Telnyx API密钥
• 已启用语音的Telnyx电话号码
• 配置了Webhook URL的Call Control Application
• ngrok（用于将本地服务器暴露给Telnyx webhooks）

架构

电话呼叫 → Telnyx Call Control（webhook事件）→ Flask应用（app.py，110行）→ 处理各种事件（呼入应答、按键收集、语音对话、挂断评分）→ Telnyx AI Inference（Llama 3.3 70B）→ 评分JSON

应用是一个状态机，包含两个阶段：选择（DTMF菜单）和谈判（语音对话）。每个Telnyx webhook事件驱动下一步操作。挂断后，完整的对话被发送给AI，并带有一个评分提示，返回结构化JSON。

第一步：克隆与配置

git clone https://github.com/team-telnyx/telnyx-code-examples.git
cd telnyx-code-examples/ai-negotiation-practice-phone-python
cp .env.example .env
pip install -r requirements.txt

编辑.env文件，填入你的凭据：

• TELNYX_API_KEY
• TELNYX_PUBLIC_KEY
• AI_MODEL（默认meta-llama/Llama-3.3-70B-Instruct）
• PRACTICE_NUMBER（你的Telnyx号码）

第二步：理解代码

所有代码都在app.py中（110行）。以下是各部分功能。

场景

应用内置三个谈判场景，每个都有角色和隐藏上下文：

• 场景1：招聘经理，预算15.5万美元，可灵活至16.5万美元
• 场景2：企业买家，有竞品报价3.5万美元，预算4.5万美元
• 场景3：供应商客户经理，客户要求减合同40%，最大折扣15%

上下文被注入系统提示，使AI知晓约束，但调用者不知道。你只能通过对话发现对方预算和灵活性。

状态机：选择 → 谈判

Webhook处理程序有两个状态。选择状态收集DTMF数字以选取场景：

if call["state"] == "select":
    client.calls.actions.gather(ccid, input_type="dtmf", timeout_secs=10, min_digits=1, max_digits=1)

当调用者按下1、2或3时，应用加载场景，构建系统提示，让AI生成开场白，然后切换到谈判状态：

if call["state"] == "select":
    scenario = SCENARIOS.get(digits, SCENARIOS["1"])
    call["state"] = "negotiating"
    call["scenario"] = scenario
    call["conversation"] = [{"role": "system", "content": f"You are a {scenario['role']} in a negotiation. {scenario['context']} Stay in character. Be firm but fair. Push back on their first offer. Keep responses under 2 sentences. After 6 exchanges, start wrapping up."}]
    opening = call_inference(call["conversation"] + [{"role": "user", "content": "The negotiation begins. Make your opening position."}])
    call["conversation"].append({"role": "assistant", "content": opening})
    client.calls.actions.speak(ccid, payload=opening, voice="female", language_code="en-US")

在谈判状态中，收集语音并运行对话循环：speak → gather → infer → speak。每轮AI都会看到完整对话历史，从而维持上下文并记住你的出价。

推理辅助函数

def call_inference(messages, max_tokens=200):
    resp = requests.post(INFERENCE_URL, headers={"Authorization": f"Bearer {TELNYX_API_KEY}", "Content-Type": "application/json"},
                         json={"model": AI_MODEL, "messages": messages, "max_tokens": max_tokens, "temperature": 0.7}, timeout=15)
    resp.raise_for_status()
    return resp.json()["choices"][0]["message"]["content"]

使用OpenAI兼容的聊天补全接口调用Telnyx AI Inference。温度设为0.7，比价格报价代理（0.5）更高，因为希望谈判者更有创意和不可预测。

挂断后评分

当调用者挂断时，应用将完整对话发送给AI，并带有一个评分提示：

elif event_type == "call.hangup":
    call = active_calls.pop(ccid, None)
    if call and len(call.get("conversation", [])) > 3:
        score_prompt = [{"role": "system", "content": "Score this negotiation practice. Return JSON: anchoring (1-10), concession_strategy (1-10), active_listening (1-10), creativity (1-10), confidence (1-10), overall (1-10), strengths (list), improvements (list), deal_outcome (string)."},
                        {"role": "user", "content": "\n".join(f"{m['role']}: {m['content']}" for m in call["conversation"] if m["role"] != "system")}]
        try:
            score = json.loads(call_inference(score_prompt, max_tokens=400))
            sessions.append({"scenario": call.get("scenario", {}).get("role"), "score": score, "duration": int(time.time() - call["start"])})
        except Exception:
            pass

AI返回包含五个维度的结构化评分、优势列表、改进列表以及交易结果。应用将其与场景和通话时长一并存储。

访问会话

@app.route("/sessions", methods=["GET"])
def list_sessions():
    return jsonify({"sessions": sessions[-20:]}), 200

访问GET /sessions可查看最近20次练习会话的JSON数据——可用于追踪进步、比较场景或接入分析仪表板。

内存清理

应用包含一个后台线程，定期清理过期的通话状态（默认1小时）。

第三步：运行应用

python app.py

在另一个终端启动ngrok：ngrok http 5000。将ngrok的HTTPS URL（例如https://abc123.ngrok.app/webhooks/voice）配置到Telnyx Call Control Application的Webhook URL中，并将你的Telnyx电话号码分配给该应用。

第四步：拨打并练习

用任何电话拨打你的Telnyx号码。你会听到：“欢迎使用谈判练习！按1进行薪资谈判，按2进行销售交易，按3进行供应商合同。”

按1。AI（扮演招聘经理）可能会说：“感谢来电。我看了你的经验，老实说，这个级别的候选人我们通常提供15.5万美元。我知道你期望18万美元，但鉴于经验差距，我不确定能否达到那个范围。是什么让你觉得自己值这个溢价？”

开始谈判：提出反驳，陈述你的理由。AI会还价、提出约束，最终要么达成一致，要么坚持立场。

挂断后，检查你的评分：curl http://localhost:5000/sessions | python3 -m json.tool。你会看到一个结构化的评分对象，例如：

{
  "scenario": "hiring manager",
  "score": {
    "anchoring": 7,
    "concession_strategy": 5,
    "active_listening": 8,
    "creativity": 6,
    "confidence": 7,
    "overall": 6.6,
    "strengths": ["以18万美元的强势开局", "询问了股权作为基本工资的替代方案"],
    "improvements": ["在基本工资上让步过快", "未探索签约奖金选项"],
    "deal_outcome": "以16.2万美元基本工资+1万美元签约奖金达成"
  },
  "duration": 184
}

自定义场景

SCENARIOS字典是控制面板。微小改变即可产生非常不同的练习会话：

• 添加房地产谈判场景
• 让AI更具攻击性
• 添加多轮评分与趋势追踪
• 通话后通过短信发送评分

投入生产

本例为简化使用内存存储。生产部署应考虑：

• 数据库（如PostgreSQL）替代内存列表
• 更健壮的错误处理
• 身份验证与速率限制
• 多语言支持

现在就开始构建你的AI谈判教练吧！