Комбиниране на инструменти в едно извикване
На тази страница
Обновено на 2 ноември 2026 г. въз основа на документацията на OpenAI: инструментът Code Interpreter вече изисква параметър
container(добавен към всички примери), текстовите входове използват типаinput_text, а уеб търсенето използва инструментаweb_search(web_search_previewвече е остарял инструмент без филтри за домейни). Генерираните файлове се извличат чрез функциитеfichiers_generesиtelechargerот Урок 10. Файловете, прикачени към съобщение, се качват с целuser_data, което OpenAI препоръчва за входни данни на модела (File inputs). Източници: Code Interpreter · Web search.
Комбиниране на инструменти в едно извикване
Досега разглеждахме всеки инструмент поотделно. В производствена среда интересните въпроси рядко имат такава форма. Въпросът „как се представят нашите продажби спрямо пазара?“ изисква извличане на вътрешна цифра, външна цифра и след това тяхното сравнение. Три инструмента, три източника, едно извикване.
Промяната е в това кой решава реда. Вие не програмирате последователността: Вие декларирате наличните инструменти и описвате очаквания резултат, а моделът изгражда собствения си план. Това е удобно, но също така е моментът, който изисква внимание – имплицитният план е план, който не можете да прегледате. Последната част на този урок показва как да си върнете контрола, когато редът наистина има значение.
Принцип на комбинирането
Всички инструменти се декларират в един и същи масив tools и това е целият механизъм: няма API за композиция, има само списък с налични възможности. Моделът прочита Вашата заявка, извежда необходимите стъпки и извиква това, от което се нуждае, в реда, който счита за полезен. Инструмент, който е деклариран, но не е необходим за задачата, просто няма да бъде извикан – това не струва нищо освен няколко токена в неговото описание.
from openai import OpenAI
client = OpenAI()
response = client.responses.create(
model="gpt-5.6-terra",
input="Compare our sales forecasts with market trends, "
"then create a comparison chart.",
tools=[
{"type": "file_search", "vector_store_ids": ["vs_previsions"]},
{"type": "web_search"},
{"type": "code_interpreter", "container": {"type": "auto"}}
]
)
Моделът ще:
- Извлече вътрешните прогнози чрез File Search
- Извлече пазарните тенденции чрез Web Search
- Генерира сравнителна диаграма чрез Code Interpreter
Пълен пример: аналитичен асистент
with open("donnees_ventes.csv", "rb") as f:
fichier = client.files.create(file=f, purpose="user_data")
tools = [
# Търсене във вътрешни документи
{
"type": "file_search",
"vector_store_ids": ["vs_rapports", "vs_objectifs"],
"max_num_results": 10
},
# Уеб търсене за пазарен контекст
{
"type": "web_search",
"search_context_size": "medium"
},
# Изпълнение на код за анализ
{"type": "code_interpreter", "container": {"type": "auto"}},
# Функция за запазване на доклада
{
"type": "function",
"name": "sauvegarder_rapport",
"description": "Save an analysis report to the document system",
"parameters": {
"type": "object",
"properties": {
"titre": {"type": "string"},
"contenu": {"type": "string"},
"categorie": {
"type": "string",
"enum": ["analyse", "prevision", "audit", "comparaison"]
},
"tags": {
"type": "array",
"items": {"type": "string"}
}
},
"required": ["titre", "contenu", "categorie", "tags"],
"additionalProperties": False
},
"strict": True
}
]
response = client.responses.create(
model="gpt-5.6-terra",
input=[{
"role": "user",
"content": [
{"type": "input_text", "text": (
"Based on this sales file: "
"1. Analyze trends over the last 12 months "
"2. Compare with our annual goals (search the docs) "
"3. Search the web for market trends "
"4. Generate a comparison chart "
"5. Write a summary report "
"6. Save the report"
)},
{"type": "input_file", "file_id": fichier.id}
]
}],
tools=tools,
instructions=(
"You are a senior business analyst. "
"Use all tools at your disposal to produce "
"a complete, sourced analysis."
)
)
Управление на цикъла с множество инструменти
Тук съществува асиметрия, която трябва да имате предвид, защото тя определя структурата на Вашия код. Вградените инструменти – Web Search, File Search, Code Interpreter – се изпълняват при OpenAI: моделът ги извиква, получава резултата и продължава, всичко в един цикъл на заявка-отговор. Вашите персонализирани функции обаче се изпълняват от Ваша страна: моделът може само да поиска тяхното изпълнение, след което предава контрола и чака.
Оттук идва и цикълът по-долу. Докато отговорът съдържа извиквания на функции, Вие ги изпълнявате, връщате резултатите и рестартирате. Задайте максимален брой итерации: модел, който безкрайно извиква един и същи инструмент, защото резултатът не го удовлетворява, е рядък, но реален случай, и без предпазна мярка той ще изчерпи бюджета Ви.
import json
def boucle_multi_outils(prompt, tools, fichiers=None, max_tours=15):
"""Function calling loop with multi-tool support."""
content = [{"type": "input_text", "text": prompt}]
if fichiers:
for fid in fichiers:
content.append({"type": "input_file", "file_id": fid})
messages = [{"role": "user", "content": content}]
for tour in range(max_tours):
response = client.responses.create(
model="gpt-5.6-terra",
input=messages,
tools=tools,
instructions="Use the necessary tools to answer completely."
)
# Built-in tools (web_search, file_search, code_interpreter)
# are executed automatically on the server side.
# We only handle custom function_call items.
appels_custom = [
item for item in response.output
if item.type == "function_call"
]
if not appels_custom:
# No custom call: the model is finished
return {
"reponse": response.output_text,
"tours": tour + 1,
"tokens": response.usage.total_tokens
}
# Execute custom functions
resultats = []
for appel in appels_custom:
resultat = dispatcher_fonctions(appel.name, appel.arguments)
resultats.append({
"type": "function_call_output",
"call_id": appel.call_id,
"output": json.dumps(resultat)
})
# Prepare the next turn
messages = response.output + resultats
return {"reponse": "Turn limit reached", "tours": max_tours}
Стратегии за оркестрация
Насочване на реда на инструментите
Автоматичната оркестрация работи добре, стига редът да няма значение. Тя спира да работи, когато една стъпка трябва да информира следващата: търсенето във Вашите документи преди уеб търсенето, например, защото вътрешният речник обуславя релевантността на външната заявка. Системният промпт е лостът – не като техническо ограничение, а като методологическа инструкция, която моделът следва толкова по-добре, колкото по-обоснована е тя.
# Стратегия 1: първо търсене, после действие
instructions_recherche_dabord = (
"Before any action, first search for the necessary information "
"in internal documents and on the web. "
"Do not propose actions until you have gathered all data."
)
# Стратегия 2: анализ на данни, след това обогатяване
instructions_analyse_dabord = (
"Start by analyzing the data with Code Interpreter. "
"Then enrich your conclusions with web searches. "
"Finally, compare with internal documents."
)
# Стратегия 3: кръстосана проверка
instructions_verification = (
"For each important piece of information, verify it in at least two sources: "
"internal documents AND web search. Report any contradictions."
)
Ограничаване на инструментите по стъпка
Противоположният подход е да премахнете избора. Вместо едно извикване с пълен набор от инструменти, Вие разделяте работния поток на няколко извиквания, като всяко декларира само инструмента за конкретната си стъпка. Губите автоматичната оркестрация, но печелите три неща, които имат значение в производствена среда: гарантиран ред, предвидима цена и изолируеми грешки. За критичен поток това е почти винаги правилният компромис.
# Стъпка 1: събиране на данни (без код)
response_collecte = client.responses.create(
model="gpt-5.6-terra",
input="Gather information on Project Alpha",
tools=[
{"type": "file_search", "vector_store_ids": ["vs_projets"]},
{"type": "web_search"}
]
)
# Стъпка 2: анализ със събраните данни
response_analyse = client.responses.create(
model="gpt-5.6-terra",
input=f"Analyze this information and generate charts:\n"
f"{response_collecte.output_text}",
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
Шаблон: агент с много умения
Този последен пример комбинира двата подхода: рутер избира конфигурацията на инструментите въз основа на естеството на заявката, след което оставя модела да оркестрира в рамките на този ограничен обхват. Това е компромисът, който се утвърждава в употреба – достатъчно свобода, за да поеме разнообразието от заявки, достатъчно структура, за да поддържа разходите и поведението предвидими.
class AgentMultiCompetences:
def __init__(self, vector_stores: list[str], fonctions: list[dict]):
self.client = OpenAI()
self.tools = [
{"type": "file_search", "vector_store_ids": vector_stores},
{"type": "web_search", "search_context_size": "medium"},
{"type": "code_interpreter", "container": {"type": "auto"}},
] + fonctions
def traiter(self, requete: str, fichiers: list[str] = None) -> dict:
return boucle_multi_outils(requete, self.tools, fichiers)
# Инстанциране на агента
agent = AgentMultiCompetences(
vector_stores=["vs_docs", "vs_contrats"],
fonctions=[
{
"type": "function",
"name": "envoyer_email",
"description": "Send a notification email",
"parameters": {
"type": "object",
"properties": {
"destinataire": {"type": "string"},
"sujet": {"type": "string"},
"corps": {"type": "string"}
},
"required": ["destinataire", "sujet", "corps"],
"additionalProperties": False
},
"strict": True
},
{
"type": "function",
"name": "creer_tache",
"description": "Create a task in the project manager",
"parameters": {
"type": "object",
"properties": {
"titre": {"type": "string"},
"assignee": {"type": "string"},
"priorite": {"type": "string", "enum": ["basse", "moyenne", "haute"]},
"echeance": {"type": "string"}
},
"required": ["titre", "assignee", "priorite"],
"additionalProperties": False
},
"strict": True
}
]
)
# Сега агентът може да:
# - Търси в документи
# - Търси в уеб
# - Анализира данни
# - Изпраща имейли
# - Създава задачи
resultat = agent.traiter(
"Analyze Q1 sales, compare with goals, "
"and create a task for the sales director if we are behind."
)
Ключови изводи
- Всички инструменти съществуват заедно в един и същи масив
tools - Вградените инструменти се изпълняват от страна на сървъра, персонализираните функции – от страна на клиента
- Моделът автоматично оркестрира реда на извикванията
- Насочвайте стратегията за оркестрация чрез системния промпт
- Внедрете цикъл за обработка на извиквания на персонализирани функции