Многоинструментален конвейер
На тази страница
Оркестриране на инструменти в последователност
Агентът за времето от предишния урок използваше независими инструменти. При многоинструментален конвейер резултатите от един инструмент захранват следващото извикване. Моделът автоматично оркестрира последователността – Вашата роля е да предоставите инструментите и да изпълните извикванията.
Архитектура на конвейера
Типичният конвейер следва тази схема:
Търсене → Анализ → Действие → Известяване
Всяка стъпка произвежда данни, които се консумират от следващата. Моделът обработва това оркестриране естествено благодарение на контекста на разговора.
Пример: конвейер за конкурентно разузнаване
Представете си конвейер, който следи цените на конкурентите и генерира отчет:
tools = [
{
"type": "function",
"function": {
"name": "scrape_competitor_prices",
"description": "Retrieve current prices from a competitor "
"for a list of products. Returns an array "
"of {product, price, availability}.",
"parameters": {
"type": "object",
"properties": {
"competitor": {
"type": "string",
"description": "Competitor name"
},
"products": {
"type": "array",
"items": {"type": "string"},
"description": "List of products to check"
}
},
"required": ["competitor", "products"]
}
}
},
{
"type": "function",
"function": {
"name": "compare_with_our_prices",
"description": "Compare competitor prices with our prices. "
"Returns percentage gaps and adjustment "
"recommendations.",
"parameters": {
"type": "object",
"properties": {
"competitor_prices": {
"type": "array",
"items": {
"type": "object",
"properties": {
"product": {"type": "string"},
"price": {"type": "number"}
}
}
}
},
"required": ["competitor_prices"]
}
}
},
{
"type": "function",
"function": {
"name": "generate_report",
"description": "Generate a PDF report with the benchmark "
"analysis results. Returns the report URL.",
"parameters": {
"type": "object",
"properties": {
"title": {"type": "string"},
"data": {"type": "object"},
"format": {
"type": "string",
"enum": ["pdf", "csv", "json"]
}
},
"required": ["title", "data"]
}
}
},
{
"type": "function",
"function": {
"name": "send_notification",
"description": "Send an email or Slack notification "
"with a summary and a link to the report.",
"parameters": {
"type": "object",
"properties": {
"channel": {
"type": "string",
"enum": ["email", "slack"]
},
"recipient": {"type": "string"},
"message": {"type": "string"},
"attachment_url": {"type": "string"}
},
"required": ["channel", "recipient", "message"]
}
}
}
]
Изпълнение на конвейера
Когато потребителят поиска: „Анализирай цените на CompetitorX за нашите топ 5 продукта и изпрати отчета на екипа по продажбите“, моделът оркестрира следното:
Turn 1 : scrape_competitor_prices(competitor="CompetitorX", products=[...])
Turn 2 : compare_with_our_prices(competitor_prices=[results from turn 1])
Turn 3 : generate_report(title="CompetitorX Price Monitoring", data={...})
Turn 4 : send_notification(channel="slack", recipient="#sales", ...)
Всяка стъпка използва резултатите от предишната. Моделът естествено предава данни от един инструмент към следващия.
Комбиниране на сървърни и клиентски инструменти в конвейер
Най-мощните конвейери комбинират сървърни и клиентски инструменти:
tools = [
{"type": "web_search"}, # Server: web search
{
"type": "function",
"function": {
"name": "extract_data",
"description": "Extract structured data from raw text",
"parameters": { ... }
}
},
{
"type": "function",
"function": {
"name": "save_to_crm",
"description": "Save extracted data to the CRM",
"parameters": { ... }
}
}
]
Поток: моделът извършва уеб търсене (автоматично от страна на сървъра), след това извиква Вашата функция за извличане (от страна на клиента) и накрая запазва данните в CRM системата (от страна на клиента).
Шаблон: разпръскване / събиране (fan-out / fan-in)
Някои конвейери изискват шаблон fan-out (множество паралелни извиквания), последван от fan-in (агрегиране на резултатите):
┌→ scrape_site_A ─┐
Request ─┤→ scrape_site_B ─┤→ aggregate_results → generate_report
└→ scrape_site_C ─┘
Моделът обработва това естествено чрез паралелни извиквания:
Turn 1 : [scrape_site_A, scrape_site_B, scrape_site_C] (parallel)
Turn 2 : aggregate_results(data=[result_A, result_B, result_C])
Turn 3 : generate_report(aggregated_data={...})
Обработка на грешки в конвейер
Един надежден конвейер обработва грешките на всяка стъпка:
def execute_with_retry(name, args, max_retries=2):
for attempt in range(max_retries + 1):
try:
result = execute_function(name, args)
if "error" not in result:
return result
except Exception:
pass
if attempt < max_retries:
time.sleep(1) # Wait before retry
return {
"error": f"Failed after {max_retries + 1} attempts",
"function": name,
"partial_data": None
}
Когато дадена стъпка се провали, моделът може:
- Да опита отново с коригирани параметри
- Да пропусне стъпката и да продължи с частични данни
- Да информира потребителя и да поиска инструкции
Ключови изводи
- Многоинструменталният конвейер свързва резултатите от един инструмент със следващия
- Моделът автоматично оркестрира последователността благодарение на контекста
- Шаблонът fan-out/fan-in комбинира паралелни извиквания и агрегиране
- Комбинирайте сървърни инструменти (web_search) и клиентски инструменти (Вашите функции) за хибридни конвейери
- Обработвайте грешките на всяка стъпка чрез повторни опити и резервни механизми
- Всеки инструмент в конвейера трябва да има ясна, единствена отговорност