Премини към основното съдържание
Български— Изберете език
Меню

Многоинструментален конвейер

Урок 13 от 14 Обновен 29 юли 2026 г. Програмист
На тази страница
  1. Оркестриране на инструменти в последователност
  2. Архитектура на конвейера
  3. Пример: конвейер за конкурентно разузнаване
  4. Изпълнение на конвейера
  5. Комбиниране на сървърни и клиентски инструменти в конвейер
  6. Шаблон: разпръскване / събиране (fan-out / fan-in)
  7. Обработка на грешки в конвейер
  8. Ключови изводи

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