Премини към основното съдържание
Български— Изберете език
Меню

Агент с многоетапен цикъл на разсъждение

Урок 15 от 25 Обновен 29 юли 2026 г. Програмист
На тази страница
  1. Агент с многоетапен цикъл на разсъждение
  2. Шаблонът „Планиране-Изпълнение“
  3. Самокоригиращ се агент
  4. Шаблон: Верига от специализирани агенти
  5. Контрол на дълбочината на разсъждението
  6. Ключови изводи

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_turns контролира дълбочината на разсъждението и предпазва от безкрайни цикли
  • Запазете възможностите за разширено разсъждение за планиране и анализ