Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Usuzování, spouštění kódu a vyhledávání na webu: Automatizované pracovní postupy

Lekce 7 z 12 Aktualizováno 5. listopadu 2026 Mírně pokročilý
Na této stránce
  1. Když se usuzování potká s nástroji
  2. Tři doplňkové role
  3. Jak se model rozhoduje použít nástroj
  4. Co kombinace umožňuje
  5. Povolení a ovládání nástrojů
  6. Teď jsi na řadě
  7. Klíčové poznatky

Když se usuzování potká s nástroji

Spojení pokročilého usuzování se spouštěním kódu a vyhledáváním na webu promění jazykový model v agenta schopného počítat, hledat a syntetizovat výsledky do jediného závěru. Tato lekce ti ukáže, jak využít tuto synergii. Nejprve poznámka k terminologii: v ChatGPT se spouštění kódu nazývá Data Analysis (Analýza dat) a hledání Search (Hledání); v API jde o nástroje Code Interpreter a Web Search. Předchozí generace vyhrazovaly tuto roli specializovaným modelům pro usuzování, jako je o3; dnes je to nastavení dostupné pro každý model.

Tři doplňkové role

Prvním pilířem je samotný model. Na vysoké úrovni usuzování funguje jako mozek: usuzuje, plánuje, rozhoduje, které kroky podniknout, a orchestruje celý proces.

Spouštění kódu slouží jako ruce. Spouští Python v izolovaném prostředí, což mu umožňuje manipulovat s tvými soubory Excel, CSV nebo JSON, provádět složité výpočty, vytvářet grafy a vizualizace a čistit nebo transformovat data před analýzou. Vyhledávání na webu funguje jako oči: poskytuje přístup k informacím v reálném čase, ať už potřebuješ aktuální data, ověření faktů, informace získané z více zdrojů, nebo přístup k veřejným webovým stránkám a databázím.

Jak se model rozhoduje použít nástroj

Obvykle nemusíš nástroj pojmenovávat: model sám detekuje, kdy je potřeba výpočet nebo aktuální informace, a nástroj zavolá ve správný okamžik. Pokud preferuješ konkrétní nástroj, řekni to: „proveď výpočet v Pythonu“, „vyhledej na webu“. Na straně API jde Responses API ještě dál s Programmatic Tool Calling (Programatické volání nástrojů): model napíše program v JavaScriptu, který se spustí v izolovaném prostředí, zavolá nástroje – potenciálně paralelně – a filtruje průběžné výsledky, místo aby je volal jeden po druhém.

Požadavek na komplexní finanční analýzu tuto sekvenci dobře ilustruje.

„Zde jsou moje prodejní data za posledních 12 měsíců (Excel). Analyzuj trendy, vypočítej průměrný měsíční růst, předpověz prodej na další 3 měsíce a vyhledej na webu odvětvové prognózy pro srovnání. Vypracuj zprávu s grafy.”

Model pak může tuto sekvenci provést, aniž bys ji musel rozepisovat; přesné pořadí se u jednotlivých požadavků liší.

Usuzování mezi nástroji Čtyři kroky ve smyčce: usuzuj, abys pochopil a naplánoval; počítej v Pythonu na svých souborech; hledej na webu aktuální data; uzavři porovnáním a napsáním. Usuzování se vrací mezi každým voláním nástroje, aby rozhodlo o dalším kroku. KÓD A VYHLEDÁVÁNÍ NA WEBU Usuzování mezi nástroji 1 Usuzuj Pochop a naplánuj 2 Počítej Python na tvých souborech 3 Hledej Aktuální data z webu 4 Uzavři Porovnej, napiš Usuzování se vrací mezi každým voláním nástroje, aby rozhodlo o dalším kroku Prostředí Python nemá přístup k webu: externí data přicházejí prostřednictvím hledání.
Na základě článků z centra nápovědy OpenAI o Data Analysis a Web Search (listopad 2026).
  1. Usuzování: Pochopení struktury problému
  2. Spuštění kódu: Načtení souboru Excel, výpočet trendů, vytvoření projekcí
  3. Vyhledávání na webu: Nalezení odvětvových prognóz
  4. Usuzování: Porovnání výsledků a vyvození závěrů
  5. Spuštění kódu: Generování grafů
  6. Usuzování: Napsání závěrečné zprávy

Všimni si střídání: usuzování neprobíhá jen na začátku; vrací se mezi každým voláním nástroje, aby rozhodlo o dalším kroku. Právě tento rytmus odlišuje agenta od prostého vykonavatele.

Co kombinace umožňuje

Automatizované benchmarking je nejbezprostřednějším případem použití, protože vyžaduje porovnání tvých údajů s externími daty.

„Zde jsou metriky finanční výkonnosti mé společnosti (soubor Excel). Vyhledej na webu průměrné finanční poměry v našem sektoru (B2B SaaS v Evropě) a porovnej je s našimi. Vytvoř srovnávací tabulku s barevným kódováním: zelená, pokud jsme nad průměrem, červená, pokud pod.”

Konkurenční zpravodajství získává nový rozměr, když je podloženo tvými vlastními daty: místo pouhého sbírání oznámení měříš jejich dopad.

„Vyhledej nejnovější oznámení od našich 3 konkurentů (Konkurent A, Konkurent B, Konkurent C) za posledních 30 dní. Zkříž je s našimi daty o webovém provozu (přiložený soubor CSV), abys zjistil, zda jejich oznámení ovlivnila náš provoz.”

Třetím typickým případem použití je zpráva řízená daty s vizualizacemi, kde spouštění kódu odvede hlavní práci na tvých interních datech.

„Zde jsou naše data z oblasti lidských zdrojů (soubor Excel). Vypočítej míru fluktuace podle oddělení, průměrné náklady na náhradu (předpoklad: 6 měsíců platu) a promítni dopad na rozpočet. Vygeneruj graf pro každé oddělení a souhrnnou tabulku.”

Povolení a ovládání nástrojů

V ChatGPT se Data Analysis aktivuje vždy, když to soubor nebo výpočet vyžaduje; v podnikovém pracovním prostoru si ověř, že ji administrátor nevypnul. Vyhledávání na webu se spustí, když model detekuje potřebu aktuálních informací, a můžeš jej vynutit tlačítkem + a následně Search. Na straně API jsou oba nástroje deklarovány v požadavku. Co se týče úrovně usuzování, OpenAI kategorizuje používání nástrojů a hledání jako low, když je prioritou rychlost, a doporučuje medium, kdykoli záleží na plánování a úsudku – což je případ pracovních postupů s více nástroji.

Tyto nástroje mají jasné hranice, které musíš znát. Prostředí Python pro Data Analysis nemá přístup k internetu: pracuje pouze se soubory, které mu poskytneš, a externí data musí přijít prostřednictvím hledání nebo tvých vlastních importů. Doby odezvy se výrazně zvyšují, když jsou kombinovány všechny tři složky, a kvóty se spotřebovávají rychleji, zejména na vyšších úrovních usuzování.

Teď jsi na řadě

Všechny tři stavební kameny dohromady. Otestuj plnou kombinaci na případu, kde jsou usuzování, kód i hledání nezbytné.

„Zde je soubor CSV s mými měsíčními výdaji za 12 měsíců. (1) Analyzuj trendy v Pythonu a vygeneruj graf. (2) Vyhledej na webu míru inflace ve Francii pro každý odpovídající měsíc. (3) Vypočítej moje výdaje očištěné o inflaci. (4) Vypracuj zprávu porovnávající nominální a reálné výdaje.”

Pokud nemáš po ruce soubor CSV, požádej model, aby nejprve vygeneroval realistický. Během cvičení měj na paměti tři reflexy. Ověřuj výpočty: špatný vzorec, který se čistě provede, je stále špatný vzorec. Křížově kontroluj zdroje hledání, protože výsledky mohou být zastaralé nebo nepřesné. A stahuj generované soubory – grafy, tabulky – před uzavřením konverzace. Jedna poslední rada platí pro vše: i když model spravuje své vlastní nástroje, složité pracovní postupy přinášejí lepší výsledky, když jsou rozděleny do kroků, než když jsou nacpány do jednoho obřího promptu.

Oficiální zdroje: Data analysis with ChatGPT (Centrum nápovědy OpenAI: izolovaný Python, žádný přístup k webu) · Searching the web with ChatGPT · Code Interpreter a Web search (nástroje API) · Programmatic Tool Calling · Reasoning models (úrovně úsilí a nástroje)

Klíčové poznatky

  • Vysoká úroveň usuzování autonomně kombinuje myšlení, spouštění kódu a vyhledávání na webu
  • Model automaticky rozhoduje, kdy použít který nástroj; na straně API umožňuje Programmatic Tool Calling orchestraci nástrojů prostřednictvím kódu
  • Spouštění kódu (Data Analysis, Code Interpreter) manipuluje se soubory a vytváří grafy bez přístupu k webu; hledání přináší aktuální informace
  • Pro pracovní postupy s více nástroji začni s medium, úrovní, kterou OpenAI doporučuje, když záleží na plánování
  • Vždy ověřuj výsledky – nástroje zesilují jak výkon, tak riziko chyby