用Telnyx AI電話代理進行即時談判演練

想象一下，你拿起電話，撥出一個號碼，然後與一個扮演招聘經理的AI進行薪資談判——它會拒絕你的首次報價，用預算限制來還價，最後在你結束通話後給你的談判技巧打分。無需預約模擬面試，無需支付教練費用，也無需與同事尷尬地角色扮演。

這就是AI談判練習電話——一個用Telnyx Call Control和AI Inference構建的110行Python應用。它提供三個場景（薪資、銷售交易、供應商合同），全程語音驅動，每次通話結束後都會給出結構化的表現評分。AI始終扮演角色，適應你的談判方式，並提供可操作的反饋。

本教程將帶你從零開始構建這個應用。克隆程式碼倉庫、配置一個電話號碼，幾分鐘內即可開始練習。

你將構建什麼

一個任何人都可以撥打來練習談判的電話號碼：

• 撥入後，Telnyx應答並提供選單
• 按1選擇薪資談判，2選擇銷售交易，3選擇供應商合同
• AI開始扮演對手角色（招聘經理、企業買家或供應商客戶經理），提出開場條件
• 即時談判：你自然說話，AI以角色身份回應，推拉、還價並適應你的策略
• 結束通話後評分：AI從五個維度評估談判，返回結構化JSON
• 會話記錄：每次練習都會被儲存，可透過GET /sessions訪問

整個過程完全語音驅動：文本轉語音朗讀AI的臺詞，你以自然語音回應。模型（透過Telnyx AI Inference提供的Llama 3.3 70B）既處理即時角色扮演，也負責結束通話後的評估。

為什麼這很有趣

大多數談判培訓工具都是基於文本的聊天機器人或靜態影片課程。兩者都無法捕捉真實對話的壓力——停頓、推拉、必須快速思考的時刻。而這個工具讓你在真實的電話中與一個擁有預算、角色和隱藏約束（如“最大15%折扣”或“預算15.5萬美元，可靈活至16.5萬美元”）的AI交談。

評分系統讓它不僅僅是一次對話。結束通話後，AI從五個維度評估你的表現——錨定、讓步策略、主動傾聽、創造力和自信——以及總體得分和具體的優勢與改進點。你可以重複練習同一場景五次，並跟蹤自己的進步。

此外，它展示了DTMF+語音模式：應用使用DTMF（按鍵輸入）進行場景選擇，語音識別用於談判本身。這種雙輸入模式出現在許多真實的IVR工作流中。

前提條件

• Python 3.8+
• 擁有充足餘額的Telnyx賬戶
• Telnyx API金鑰
• 已啟用語音的Telnyx電話號碼
• 配置了Webhook URL的Call Control Application
• ngrok（用於將本地伺服器暴露給Telnyx webhooks）

架構

電話呼叫 → Telnyx Call Control（webhook事件）→ Flask應用（app.py，110行）→ 處理各種事件（呼入應答、按鍵收集、語音對話、結束通話評分）→ Telnyx AI Inference（Llama 3.3 70B）→ 評分JSON

應用是一個狀態機，包含兩個階段：選擇（DTMF選單）和談判（語音對話）。每個Telnyx webhook事件驅動下一步操作。結束通話後，完整的對話被髮送給AI，並帶有一個評分提示，返回結構化JSON。

第一步：克隆與配置

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

編輯.env檔案，填入你的憑據：

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

第二步：理解程式碼

所有程式碼都在app.py中（110行）。以下是各部分功能。

場景

應用內建三個談判場景，每個都有角色和隱藏上下文：

• 場景1：招聘經理，預算15.5萬美元，可靈活至16.5萬美元
• 場景2：企業買家，有競品報價3.5萬美元，預算4.5萬美元
• 場景3：供應商客戶經理，客戶要求減合同40%，最大折扣15%

上下文被注入系統提示，使AI知曉約束，但呼叫者不知道。你只能透過對話發現對方預算和靈活性。

狀態機：選擇 → 談判

Webhook處理程序有兩個狀態。選擇狀態收集DTMF數字以選取場景：

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

當呼叫者按下1、2或3時，應用載入場景，構建系統提示，讓AI生成開場白，然後切換到談判狀態：

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")

在談判狀態中，收集語音並執行對話迴圈：speak → gather → infer → speak。每輪AI都會看到完整對話歷史，從而維持上下文並記住你的出價。

推理輔助函式

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相容的聊天補全介面呼叫Telnyx AI Inference。溫度設為0.7，比價格報價代理（0.5）更高，因為希望談判者更有創意和不可預測。

結束通話後評分

當呼叫者結束通話時，應用將完整對話傳送給AI，並帶有一個評分提示：

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返回包含五個維度的結構化評分、優勢列表、改進列表以及交易結果。應用將其與場景和通話時長一併儲存。

訪問會話

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

訪問GET /sessions可檢視最近20次練習會話的JSON資料——可用於追蹤進步、比較場景或接入分析儀表板。

記憶體清理

應用包含一個後臺執行緒，定期清理過期的通話狀態（預設1小時）。

第三步：執行應用

python app.py

在另一個終端啟動ngrok：ngrok http 5000。將ngrok的HTTPS URL（例如https://abc123.ngrok.app/webhooks/voice）配置到Telnyx Call Control Application的Webhook URL中，並將你的Telnyx電話號碼分配給該應用。

第四步：撥打併練習

用任何電話撥打你的Telnyx號碼。你會聽到：“歡迎使用談判練習！按1進行薪資談判，按2進行銷售交易，按3進行供應商合同。”

按1。AI（扮演招聘經理）可能會說：“感謝來電。我看了你的經驗，老實說，這個級別的候選人我們通常提供15.5萬美元。我知道你期望18萬美元，但鑑於經驗差距，我不確定能否達到那個範圍。是什麼讓你覺得自己值這個溢價？”

開始談判：提出反駁，陳述你的理由。AI會還價、提出約束，最終要麼達成一致，要麼堅持立場。

結束通話後，檢查你的評分：curl http://localhost:5000/sessions | python3 -m json.tool。你會看到一個結構化的評分物件，例如：

{
  "scenario": "hiring manager",
  "score": {
    "anchoring": 7,
    "concession_strategy": 5,
    "active_listening": 8,
    "creativity": 6,
    "confidence": 7,
    "overall": 6.6,
    "strengths": ["以18萬美元的強勢開局", "詢問了股權作為基本工資的替代方案"],
    "improvements": ["在基本工資上讓步過快", "未探索簽約獎金選項"],
    "deal_outcome": "以16.2萬美元基本工資+1萬美元簽約獎金達成"
  },
  "duration": 184
}

自定義場景

SCENARIOS字典是控制面板。微小改變即可產生非常不同的練習會話：

• 新增房地產談判場景
• 讓AI更具攻擊性
• 新增多輪評分與趨勢追蹤
• 通話後透過簡訊傳送評分

投入生產

本例為簡化使用記憶體儲存。生產部署應考慮：

• 資料庫（如PostgreSQL）替代記憶體列表
• 更健壯的錯誤處理
• 身份驗證與速率限制
• 多語言支援

現在就開始構建你的AI談判教練吧！