Архитектура на агента: цикълът на разсъждение и инструменти
На тази страница
Обновено на 3 ноември 2026 г.: Във функцията
rechercher_produitключоветеprixиstockлипсваха в кавички, което предизвикваше грешкаNameErrorпри първото извикване на инструмента.
Архитектура на агента: цикълът на разсъждение и инструменти
За да изградите ефективни агенти, трябва да разберете тяхната вътрешна архитектура. Един агент на OpenAI работи на базата на цикъл на разсъждение: той получава задача, мисли, използва инструмент, наблюдава резултата и след това решава дали е приключил или трябва да продължи. Всичко, което правите впоследствие – деклариране на инструменти, задаване на ограничения, оркестриране на множество агенти – се гради върху този цикъл.
Животен цикъл на агента
Всяко изпълнение следва шест стъпки:
- Получаване: Агентът получава съобщението от потребителя и системните инструкции.
- Разсъждение: Моделът анализира заявката и решава кое е следващото действие.
- Извикване на инструмент: При необходимост агентът извиква един или повече инструменти.
- Наблюдение: Агентът получава резултатите от инструментите.
- Решение: Агентът решава дали да продължи (връщане към стъпка 2) или да отговори.
- Отговор: Агентът генерира крайния си отговор.
Ключов момент е цикълът между стъпки 2 и 5, който може да се изпълни многократно. Един агент може да верижно изпълни 5, 10 или дори 20 извиквания на инструменти, преди да даде окончателен отговор, без Вие да пишете нито ред код за оркестрация. Примерът по-долу демонстрира това: декларирани са два независими инструмента и моделът сам решава как да ги свърже във верига.
from agents import Agent, Runner, function_tool
@function_tool
def rechercher_produit(nom: str) -> str:
"""Searches for a product in the catalog."""
# Simulation - in production, call your database
catalogue = {
"laptop-pro": {"prix": 1299, "stock": 45},
"tablet-air": {"prix": 599, "stock": 120},
}
produit = catalogue.get(nom)
if produit:
return f"Produit {nom}: {produit['prix']}€, stock: {produit['stock']}"
return f"Produit {nom} non trouvé"
@function_tool
def calculer_remise(prix: float, pourcentage: float) -> str:
"""Calculates the price after discount."""
prix_final = prix * (1 - pourcentage / 100)
return f"Prix après {pourcentage}% de remise : {prix_final:.2f}€"
agent = Agent(
name="Sales Agent",
instructions="You help customers find products and calculate discounts.",
tools=[rechercher_produit, calculer_remise],
model="gpt-5.6-terra",
)
# The agent will: 1) find the product, 2) calculate the discount, 3) respond
result = Runner.run_sync(
agent,
"What is the price of the laptop-pro with a 15% discount?"
)
print(result.final_output)
Въпросът изисква две операции, които не са изрично свързани в кода. Агентът автоматично прави две последователни извиквания на инструменти: първо rechercher_produit, след което calculer_remise с получената цена. Това верижно изпълнение е решение на модела, а не Ваша инструкция.
Вътрешна структура: елементи и съобщения
API за отговори (Responses API) структурира всяко взаимодействие като елементи (items). Прегледът им Ви показва какво всъщност е извършил Вашият агент. В разговора се появяват три типа:
message: текстово съобщение (от потребителя или от агента)function_call: извикване на инструмент, решено от агентаfunction_call_output: резултатът, върнат от инструмента
result = Runner.run_sync(agent, "Find the tablet-air")
# Inspect the reasoning steps
for item in result.raw_responses:
print(f"Type: {type(item).__name__}")
# You'll see: message input → function_call → function_call_output → message output
Направете си навик да проследявате този цикъл винаги, когато агентът генерира неочакван отговор. В девет от десет случая аномалията се крие в function_call с неочаквани аргументи.
Паралелни срещу последователни извиквания
Не всички стъпки зависят една от друга. Когато две извиквания са независими, агентът може да реши да ги изпълни паралелно.
@function_tool
def obtenir_meteo(ville: str) -> str:
"""Gets the current weather for a city."""
meteos = {"Paris": "18°C, sunny", "Lyon": "16°C, cloudy"}
return meteos.get(ville, "Data unavailable")
agent = Agent(
name="Travel Agent",
instructions="You help plan trips.",
tools=[obtenir_meteo, rechercher_produit],
model="gpt-5.6-terra",
)
# The agent will call obtenir_meteo("Paris") and obtenir_meteo("Lyon") in parallel
result = Runner.run_sync(
agent,
"What's the weather in Paris and Lyon?"
)
Времето в Лион не зависи от това в Париж: SDK автоматично обработва паралелизма и стартира двете извиквания едновременно, намалявайки латентността. Сравнете това с горния пример за продажби, където изчислението на отстъпката трябваше да изчака цената: там последователността се налага сама.
Параметърът max_turns
Един автономен цикъл в най-лошия случай може никога да не спре: агентът извиква инструмент, резултатът го подтиква да извика друг и така нататък. Защитният механизъм е един единствен параметър.
result = Runner.run_sync(
agent,
"Full catalog analysis",
max_turns=10 # Maximum 10 loop iterations
)
Ако агентът достигне лимита, той спира с резултатите, получени до този момент. В производствена среда това е съществена мярка за безопасност: ограничава както времето за отговор, така и разходите.
Ключови изводи
- Агентът работи в цикъл: разсъждение → инструмент → наблюдение → решение
- Този цикъл може да се изпълни многократно, преди да бъде генериран отговор
- Моделът автоматично решава кои инструменти да извика и в какъв ред
- Независимите извиквания на инструменти се изпълняват паралелно
max_turnsограничава броя на итерациите от съображения за безопасност