Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Vícekrokové pracovní postupy: model jako dirigent

Lekce 6 z 12 Aktualizováno 5. listopadu 2026 Mírně pokročilý
Na této stránce
  1. Orchestrování složitých úkolů s vysokou úrovní uvažování
  2. Co je vícekrokový pracovní postup?
  3. Technika meta-promptu
  4. Proč vysoká úroveň uvažování vyniká v orchestraci
  5. Dvě rozšíření: ChatGPT Work a API
  6. Tři pracovní postupy, které můžeš použít tak, jak jsou
  7. Teď jsi na řadě ty
  8. Klíčové poznatky

Orchestrování složitých úkolů s vysokou úrovní uvažování

Odpovědět na jednorázovou otázku je jedna věc; řídit celý proces je věc druhá. Model nastavený na vysokou úroveň uvažování dokáže řetězit více kroků při zachování kontextu a fungovat jako skutečný dirigent pro vaše opakující se procesy. Tato lekce ti ukáže, jak popsat pracovní postup tak, aby se provedl od začátku do konce bez ztráty soudržnosti.

Co je vícekrokový pracovní postup?

Vícekrokový pracovní postup je posloupnost úkolů, kde každý krok závisí na výstupu toho předchozího: shromáždit surová data, vyčistit je a strukturovat, analyzovat trendy, vytvořit zprávu s doporučeními a následně vygenerovat souhrnný e-mail pro tým. Tradičně je každých z těchto pěti kroků manuálních a ty přenášíš kontext z jednoho do druhého. Díky vysoké úrovni uvažování popíšeš celý proces jednou a model každý krok provede tak, že naváže na to, co vytvořil v kroku předchozím.

Technika meta-promptu

Meta-prompt je prompt, který popisuje celý proces, nikoliv izolovaný úkol. Poskytuje modelu globální pohled na to, čeho chceš dosáhnout, což mění vše: protože model ví, kam směřuje, kalibruje každý krok s ohledem na ten následující. Zde je standardní struktura, kterou můžeš přizpůsobit svému vlastnímu procesu.

„Provedeš následující kroky v pořadí:

Krok 1 — Analyzuj přiložená data o prodeji a identifikuj 3 nejúspěšnější a 3 nejméně úspěšné produkty.

Krok 2 — U každého neprosperujícího produktu identifikuj pravděpodobné příčiny křížovou referencí s daty o spokojenosti zákazníků.

Krok 3 — Navrhni pro každý neprosperující produkt akční plán o 3 bodech s měřitelnými KPI.

Krok 4 — Vše naformátuj do strukturované zprávy s 5řádkovým exekutivním shrnutím v úvodu.

Před přechodem k dalšímu kroku prezentuj výsledek každého kroku a označ jakékoli neočekávané výsledky.”

Tato poslední věta si zaslouží tvou pozornost. Není třeba říkat modelu, aby „přemýšlel krok za krokem“ – to už dělá samo. Požadavek na výstup každého kroku ti však umožní zachytit chybu dříve, než kontaminuje vše, co následuje. V pětikrokovém pracovním postupu tě chyba ve druhém kroku, kterou objevíš příliš pozdě, připraví o celý výsledek úsilí.

Proč vysoká úroveň uvažování vyniká v orchestraci

Při dlouhém pracovním postupu hrozí u rychlé úrovně uvažování ztráta nitě z jednoho kroku na druhý. Vyšší úroveň (High v Chatu, high v API, což dokumentace OpenAI doporučuje pro hluboké plánování) dává modelu čas udržet si přehled o svých průběžných závěrech, ověřit konzistenci napříč kroky a přizpůsobit další postup podle získaných výsledků. Explicitně po modelu požaduj, aby označil situaci, kdy krok přinese neočekávaný výsledek, místo aby pokračoval dál, jako by se nic nestalo. Právě toto chování odlišuje orchestraci od prostého řetězení.

Tato flexibilita umožňuje podmíněné pracovní postupy, kde zpracování závisí na tom, co model pozoruje: „Pokud má produkt míru reklamací vyšší než 10 %, klasifikuj jej jako vysokou prioritu a navrhni okamžitý akční plán. V opačném případě jej klasifikuj pro monitorování a navrhni měsíční follow-up.“ Model aplikuje podmínku produkt po produktu a odpovídajícím způsobem přizpůsobí své zpracování, aniž bys musel cokoli předem třídit.

Dvě rozšíření: ChatGPT Work a API

Prompt není jedinou cestou. V ChatGPT je zážitek Work navržen specificky pro dlouhé, vícekrokové úkoly, jejichž výsledkem je konkrétní výstup: dokument, tabulka, prezentace nebo zpráva. Pro nejnáročnější úkoly jeho nastavení Ultra rozděluje práci mezi pod-agenty, kteří postupují paralelně, když se úkol rozpadne na nezávislé části; spotřebuje výrazně více prostředků a většina úkolů jej nepotřebuje. Na straně vývojáře funkce Programmatic Tool Calling v API Responses přiměje model napsat program v JavaScriptu, který se spustí v izolovaném prostředí, volá nástroje pracovního postupu (v případě potřeby je paralelizuje) a filtruje průběžné výsledky před jejich vrácením modelu.

Orchestrace v ChatGPT nebo přes API Dva sloupce. V ChatGPT: meta-prompt popisující celý proces, ChatGPT Work pro dlouhé úkoly a výstupy, Ultra pro rozdělení práce mezi pod-agenty. V API: střední až vysoké úsilí pro plánování, nástroje deklarované v požadavku, Programmatic Tool Calling pro orchestraci nástrojů prostřednictvím kódu. VÍCEKROKOVÉ PRACOVNÍ POSTUPY Orchestrace v ChatGPT nebo přes API V ChatGPT Meta-prompt Celý proces s podmínkami Work Dlouhé úkoly a výstupy Ultra Pod-agenti paralelně V API Úsilí střední až vysoké pro plánování Nástroje Deklarované v požadavku Programmatic Tool Calling Program orchestruje nástroje Požaduj výstup každého kroku: chyba zachycená včas nekontaminuje to, co následuje.
Na základě nápovědy OpenAI a průvodců API (listopad 2026).

Tři pracovní postupy, které můžeš použít tak, jak jsou

Konkurenční zpravodajství je pro toto cvičení obzvláště vhodné: model přečte tři poskytnuté články o konkurenci, extrahuje klíčová oznámení – produkty, ceny, partnerství – porovná je s tvým aktuálním umístěním na trhu, identifikuje hrozby a příležitosti a následně vytvoří briefing pro vedení.

Příprava na schůzky následuje stejnou logiku aplikovanou na vaše interní dokumenty: analyzuj zápis z poslední schůzky, identifikuj probíhající úkoly a jejich stav, připrav agendu pro příští schůzku, navrhn body diskuse pro každé téma a vygeneruj odpovídající pozvánku e-mailem.

Nakonec měsíční reportování kombinuje výpočty a analýzu: analyzuj data za měsíc z Excelového souboru, porovnej je s předchozím měsícem a rozpočtem, identifikuj významné odchylky přesahující 5 %, analyzuj příčiny každé odchylky a poté vytvoř zprávu s grafy a doporučeními.

Teď jsi na řadě ty

Vytvoř si vlastní. Vyber si opakující se proces ve své práci a transformuj jej. Nejprve si sepis každý krok, který aktuálně provádíš manuálně, poté odhal podmíněná rozhodnutí typu „pokud X, pak Y“, která děláš automaticky – právě ta oddělují rigidní pracovní postup od užitečného. Dále napiš meta-prompt, který popisuje celý proces, a otestuj jej na vysoké úrovni uvažování; pokud se kvalita zastaví na místě, zvýš ji o stupeň.

Začni jednoduše, se třemi nebo čtyřmi kroky, a složitost postupně zvyšuj. Když se proces prodlouží a kvalita klesne, rozděl jej na pod-postupy, místo abys tlačil na pilu. Také se ujisti, že každý krok je jasný a soběstačný – pokud musí model hádat, co od daného kroku očekáváš, výsledek bude náhodný a s ním i celý pracovní postup. A konečně, skutečně si přečti průběžné výsledky. Mnoho uživatelů se dívá pouze na finální výstup a míjí pointu: v dobře navrženém pracovním postupu jsou často zjištění z kroků 2 a 3 poučnější než zpráva, která je shrnuje.

Oficiální zdroje: Reasoning models (OpenAI API: úrovně úsilí a případy použití) · Reasoning best practices (jednoduché instrukce, přesný cíl) · Programmatic Tool Calling · ChatGPT Work and Codex (Work pro dlouhé úkoly) · Models (Ultra)

Klíčové poznatky

  • Vysoká úroveň uvažování pomáhá modelu orchestrovat vícekrokový proces bez ztráty nitě
  • Použij meta-prompt k popisu celého procesu s podmínkami (if/then) pro adaptivní pracovní postupy
  • ChatGPT Work zvládá dlouhé úkoly; v API orchestrace nástrojů probíhá prostřednictvím kódu pomocí Programmatic Tool Calling
  • Ultra v Work a Codex rozděluje práci mezi pod-agenty: vyhraď jej pro náročné, dělitelné úkoly
  • Požaduj výstup každého kroku, nikoliv „krok za krokem“ přemýšlení; začni jednoduše a složitost postupně zvyšuj