Агент с многоетапен цикъл на разсъждение
На тази страница
Агент с многоетапен цикъл на разсъждение
Най-мощните агенти не спират след едно единствено извикване на инструмент. Те свързват множество стъпки на разсъждение, коригират стратегията си въз основа на резултатите и повтарят процеса, докато постигнат целта си. В този урок ще научите как да изградите такива многоетапни агенти. Примерите използват семейството модели GPT-5.6: докато предишното поколение изискваше превключване между модели за активиране на разсъждението, сега Вие контролирате това поведение чрез настройката за усилие (effort) на избрания от Вас модел.
Шаблонът „Планиране-Изпълнение“
Многоетапният агент започва със създаване на план, след което изпълнява всяка стъпка. Това разделяне е умишлено: планиращият агент няма достъп до инструменти и произвежда типизирана структура, докато изпълнителят получава този план като пътна карта и просто го следва. Една неясна заявка като „подгответе тримесечния преглед за ключовите клиенти“ се превръща в конкретна последователност от действия – заявка към CRM системата, генериране на отчет, изпращане на имейл – преди да бъде предприето каквото и да е действие.
from agents import Agent, Runner, function_tool
from pydantic import BaseModel
import json
class PlanAction(BaseModel):
steps: list[str]
objective: str
planner_agent = Agent(
name="Planner",
instructions="""You receive a complex task. Break it down into simple, ordered steps.
Each step must be a concrete, actionable item.""",
model="gpt-5.6-sol", # Advanced reasoning for planning
output_type=PlanAction,
)
@function_tool
def search_crm(query: str) -> str:
"""Searches the CRM for customer information."""
return json.dumps({"customers": [
{"name": "Acme Corp", "revenue": 500000, "contract": "Enterprise"},
{"name": "TechStart", "revenue": 50000, "contract": "Starter"},
]})
@function_tool
def generate_report(title: str, content: str) -> str:
"""Generates a formatted report."""
return f"Report '{title}' generated successfully ({len(content)} characters)"
@function_tool
def send_email(recipient: str, subject: str, body: str) -> str:
"""Sends an email."""
return f"Email sent to {recipient}: {subject}"
executor_agent = Agent(
name="Executor",
instructions="""You execute tasks step by step.
Use available tools to complete each step.
If a step fails, try an alternative approach.""",
tools=[search_crm, generate_report, send_email],
model="gpt-5.6-terra",
)
async def process_complex_task(task: str):
# Step 1: Plan
plan = await Runner.run(planner_agent, task)
print(f"Plan: {plan.final_output.steps}")
# Step 2: Execute with the plan as context
execution_instructions = f"""Execute the following steps in order:
{chr(10).join(f'{i+1}. {e}' for i, e in enumerate(plan.final_output.steps))}
Objective: {plan.final_output.objective}"""
result = await Runner.run(executor_agent, execution_instructions)
return result.final_output
Самокоригиращ се агент
Планирането не е достатъчно: в реалния свят инструментите се провалят. Втората форма на цикъл позволява на агента да открива собствените си грешки и да ги коригира. Всичко зависи от един често пренебрегван детайл – инструментът не хвърля изключение; той връща четимо съобщение за грешка. Агентът го прочита, осъзнава, че е пропуснал клаузата FROM, презаписва заявката си и опитва отново, в рамките на лимита от три опита, зададен в инструкциите му.
from agents import Agent, Runner, function_tool
@function_tool
def execute_sql_query(sql: str) -> str:
"""Executes an SQL query on the database."""
# Simulation: some queries fail
if "DROP" in sql.upper():
return "ERROR: Destructive queries are forbidden."
if "SELECT" in sql.upper() and "FROM" not in sql.upper():
return "ERROR: Invalid SQL syntax - missing FROM."
return json.dumps({
"columns": ["name", "monthly_revenue", "region"],
"rows": [
["Acme Corp", 45000, "Île-de-France"],
["TechStart", 12000, "Rhône-Alpes"],
],
"result_count": 2
})
analyst_agent = Agent(
name="Data Analyst",
instructions="""You analyze data by executing SQL queries.
If a query fails:
1. Analyze the error message
2. Correct the query
3. Retry
Maximum 3 attempts per query.
Never use DROP, DELETE, or TRUNCATE.""",
tools=[execute_sql_query],
model="gpt-5.6-terra",
max_turns=10, # Enough turns for corrections
)
result = Runner.run_sync(
analyst_agent,
"What is the total revenue by region?"
)
Забележете, че забраната за деструктивни заявки се появява на две места: в инструкциите и в кода на инструмента. Инструкцията насочва модела, но само проверката на страната на сървъра в инструмента гарантира, че команда като DROP TABLE никога няма да премине.
Шаблон: Верига от специализирани агенти
За сложни работни потоци свържете няколко специализирани агента, вместо да натоварвате един единствен агент с всяка отговорност. Всяка връзка има ясна роля: събирачът набира суровия материал, анализаторът – оборудван с модел за разсъждение – идентифицира тенденциите, а писателят форматира изхода. Ползата е както образователна, така и оперативна: когато крайният отчет разочарова, Вие веднага знаете кой от трите агента трябва да поправите.
from agents import Agent, Runner
collection_agent = Agent(
name="Data Collector",
instructions="Collect all data necessary for the analysis.",
tools=[search_crm, execute_sql_query],
model="gpt-5.6-terra",
)
analysis_agent = Agent(
name="Analyst",
instructions="Analyze the collected data and identify trends.",
model="gpt-5.6-sol", # Advanced reasoning for analysis
)
writing_agent = Agent(
name="Writer",
instructions="""Write a clear, structured report in English
based on the provided analysis. Format: introduction, key points, recommendations.""",
model="gpt-5.6-terra",
)
async def analysis_pipeline(question: str):
# Step 1: Collect data
data = await Runner.run(collection_agent, question)
# Step 2: Analyze
analysis = await Runner.run(
analysis_agent,
f"Analyze this data: {data.final_output}"
)
# Step 3: Write the report
report = await Runner.run(
writing_agent,
f"Write a report based on this analysis: {analysis.final_output}"
)
return report.final_output
Контрол на дълбочината на разсъждението
Всички тези цикли споделят една черта: те може никога да не спрат. Параметърът max_turns е Вашата основна защита и Вие го настройвате въз основа на амбициозността на задачата. Три хода са достатъчни за агент, от който се очаква да отговори от първия опит; двадесет и пет са необходими за проучване, което прави заявки към множество източници, преди да стигне до заключение.
# Conservative agent: few turns
simple_agent = Agent(
name="Simple Agent",
instructions="Answer in a single turn if possible.",
model="gpt-5.6-terra",
)
result = await Runner.run(simple_agent, "Simple question", max_turns=3)
# Complex agent: many turns
research_agent = Agent(
name="Deep Researcher",
instructions="Explore all angles before concluding.",
tools=[search_crm, execute_sql_query],
model="gpt-5.6-terra",
)
result = await Runner.run(research_agent, "Complete Q1 analysis", max_turns=25)
Задайте тази стойност, като наблюдавате Вашите следи (traces), а не чрез предположения: ако действителните Ви изпълнения приключват за шест хода, лимит от двадесет и пет не защитава от нищо.
Ключови изводи
- Шаблонът „планиране-изпълнение“ разделя планирането (модел за разсъждение) от изпълнението
- Самокоригиращият се агент анализира грешките си и адаптира стратегията си
- Веригите от специализирани агенти позволяват сложни и поддържаеми работни потоци
max_turnsконтролира дълбочината на разсъждението и предпазва от безкрайни цикли- Запазете възможностите за разширено разсъждение за планиране и анализ