Комбиниране на разсъждения и инструменти
На тази страница
По-нататъшно развитие с разширени инструменти
Вече знаете как да комбинирате разсъжденията с изпълнение на код и уеб търсене. Този урок разглежда разширени комбинации: стратегическо свързване на инструменти във верига, използване на разсъждения за тяхното управление и изграждане на наистина автономни работни потоци.
Разсъждението като двигател на инструментите
Разликата между модел, който отговаря без да мисли, и модел за разсъждения, който използва инструменти, е фундаментална. Започвайки от ниво на усилие medium – което OpenAI препоръчва винаги, когато планирането има значение – моделът може да планира кои инструменти да използва и в какъв ред, да оценява резултатите от всеки инструмент, преди да продължи, да адаптира стратегията си, когато даден инструмент не върне очакваното, и да комбинира изходите в кохерентно заключение. Конкретно, той не просто изпълнява код, когато го помолите: той обмисля проблема, решава, че кодът е най-добрият начин за решаването му, пише подходящия код, анализира резултата и след това решава дали да продължи по-нататък. Нюансът може да изглежда тънък; той променя всичко в работен поток с четири инструмента, където едно лошо първоначално решение се предава чак до края.
От страна на API, два механизма推动 тази логика напред. При извикването на функции (function calling), OpenAI препоръчва връщането на елементите за разсъждение, генерирани с последното извикване към модела, в допълнение към резултата от функцията: това поддържа модела фокусиран върху това, което е планирал. При Програмно извикване на инструменти (Programmatic Tool Calling), моделът пише JavaScript програма, изпълнявана в изолирана среда, която координира извикванията на инструменти и филтрира междинните резултати. Накрая, в ChatGPT Work и Codex, Ultra разпределя най-тежките задачи между под-агенти, цената за което е значително по-висока консумация.
Три шаблона за комбинация
Първият шаблон – Търсене, след това Анализ, след това Код – отговаря на пазарни анализи и бенчмаркове, тоест ситуации, при които данните все още не са във ваше притежание.
“Потърсете пазарните дялове на топ 5 доставчика на облачни услуги в Европа през 2025 г. След това, въз основа на тези данни, създайте стълбовидна диаграма и изчислете коефициента на пазарна концентрация (индекс HHI). Интерпретирайте резултата.”
След това моделът свързва четири различни фази във верига.
- Търсене в уеб за събиране на данни
- Разсъждение относно надеждността на източниците
- Изпълнение на код за диаграмата и изчислението
- Разсъждение относно икономическата интерпретация
Втората фаза е тази, която хората забравят, когато пишат подкана (prompt), а тя е именно тази, която ви предпазва от изграждане на индекс HHI върху приблизителни цифри.
Вторият шаблон обръща отправната точка: той започва с вашите данни, за да ги обогати отвън – Данни, Код, Търсене, Синтез.
“Ето моя файл с продажби по държави (CSV). Изчислете темпа на растеж по държави, след това потърсете темпа на растеж на БВП на всяка държава за същия период. Идентифицирайте държавите, където нашият растеж надвишава растежа на БВП (надминаване), и тези, където е обратното.”
Третият шаблон, итеративен код с разсъждения, използва способността на модела да пише код, да анализира резултата, да открие проблем и да пренапише – всичко автоматично. Можете дори да посочите резервния метод.
“Ето набор от данни за транзакции (CSV). Открийте статистически аномалии. Ако първият метод (z-оценка) не даде ясни резултати, опитайте метода на междуквартилния обхват. Изберете най-релевантния метод и обяснете защо.”
Възвръщане на контрола над инструментите
Позволяването на модела да решава е удобно, но понякога вече знаете кой инструмент е подходящ – и казването му е по-ефективно от оставянето му да изследва. Следователно можете да го ограничите: “Без търсене в уеб, анализирайте само данните в прикачения файл и ми дайте заключенията си изключително въз основа на тези данни” или “Не изпълнявайте код за този въпрос. Разсъждавайте само въз основа на информацията, която предоставям.”
За дълги работни потоци вмъкнете контролни точки, вместо да стартирате всичко на един блок: “Стъпка 1: изчислете основните метрики и ми покажете резултатите, преди да продължите. Стъпка 2 (след моето валидиране): обогатете с уеб данни. Стъпка 3: изгответе окончателния доклад.” Това ви позволява да спрете процеса, преди грешка да се разпространи до скъпи стъпки.
Визуализации, изискващи преценка
Комбинацията от разсъждения плюс изпълнение на код блести особено когато самата визуализация предполага решения: какъв тип диаграма, какви прагове, какво открояване.
“Ето моите данни за ефективност (Excel). Създайте табло на една страница със: (1) най-подходящата диаграма за всяка метрика – изберете типа диаграма сами въз основа на естеството на данните, (2) автоматично открояване на аномалии, (3) цветова схема зелено/жълто/червено въз основа на прагове, които ще определите въз основа на разпределението на данните.”
Моделът разсъждава за оптималния тип диаграма метрика по метрика, изчислява статистически релевантни прагове, вместо да ги измисля, и произвежда съответния код. Това е точно работата, която един анализатор би свършил, преди да отвори редактора си.
Ваш ред
Пълен работен поток. Тествайте този работен поток на високо ниво на разсъждение (High в Chat, high в API).
“Ще ви дам CSV файл с месечни разходи по категории за 24 месеца. Искам:
- Идентифицирайте 3-те категории с най-висок ръст (изчисление в Python)
- За всяка от тях потърсете дали това е национална тенденция или е специфично за моя случай (уеб търсене)
- Изгответе сравнителна диаграма: моите разходи спрямо националната тенденция (Python)
- Напишете обобщение с препоръки (чисто разсъждение) Представете резултата от всяка стъпка.”
По време на упражнението наблюдавайте какво се случва, когато изпълнението на код се провали. Моделът може да опита отново самостоятелно, което е добре; но ако проблемът е във вашите данни, никакво пренаписване няма да го оправи: проверете файла, вместо да рестартирате. И ако заявката стане твърде тежка, разбийте я на стъпки, валидирани една по една.
Официални източници: Модели за разсъждения (OpenAI API: нива на усилие, връщане на елементи за разсъждение при извиквания на функции) · Програмно извикване на инструменти · Анализ на данни с ChatGPT (изпълнение на код в ChatGPT) · Модели (Ultra)
Ключови изводи
- При достатъчно ниво на усилие, разсъждението управлява инструментите стратегически, а не механично
- Три ключови шаблона: търсене, анализ и след това код; данни, код и след това търсене; итеративен код
- От страна на API, връщайте елементите за разсъждение заедно с резултатите от функциите и обмислете Програмното извикване на инструменти
- Можете да принудите или ограничите използването на инструменти въз основа на вашите нужди
- Вмъкнете контролни точки в дългите работни потоци, за да запазите контрол