Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Pipeline s více nástroji

Lekce 13 z 14 Aktualizováno 29. července 2026 Vývojář
Na této stránce
  1. Orchestrování nástrojů v sekvenci
  2. Architektura pipeline
  3. Příklad: pipeline konkurenční inteligence
  4. Provádění pipeline
  5. Kombinace serverových a klientských nástrojů v pipeline
  6. Vzor: fan-out / fan-in
  7. Zvládání selhání v pipeline
  8. Klíčové poznatky

Orchestrování nástrojů v sekvenci

Agent pro počasí z předchozí lekce používal nezávislé nástroje. V pipeline s více nástroji výsledky z jednoho nástroje napájejí další volání. Model tuto sekvenci orchestruje automaticky – tvým úkolem je poskytnout nástroje a provádět volání.

Architektura pipeline

Typická pipeline následuje toto schéma:

Search → Analysis → Action → Notification

Každý krok produkuje data, která spotřebuje ten následující. Model tuto orchestraci zvládá přirozeně díky kontextu konverzace.

Příklad: pipeline konkurenční inteligence

Představ si pipeline, která monitoruje ceny konkurence a generuje report:

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"]
            }
        }
    }
]

Provádění pipeline

Když se uživatel zeptá: „Analyzuj ceny CompetitorX pro našich 5 nejprodávanějších produktů a pošli report obchodnímu týmu“, model orchestruje:

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", ...)

Každé kolo využívá výsledky z toho předchozího. Model přirozeně předává data z jednoho nástroje do druhého.

Kombinace serverových a klientských nástrojů v pipeline

Nejsilnější pipeline kombinují serverové a klientské nástroje:

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": { ... }
        }
    }
]

Tok: model provede vyhledávání na webu (automaticky na straně serveru), poté zavolá tvou funkci pro extrakci (na straně klienta) a nakonec uloží data do CRM (na straně klienta).

Vzor: fan-out / fan-in

Některé pipeline vyžadují vzor fan-out (více paralelních volání), po kterém následuje fan-in (agregace výsledků):

         ┌→ scrape_site_A ─┐
Request ─┤→ scrape_site_B ─┤→ aggregate_results → generate_report
         └→ scrape_site_C ─┘

Model to zvládá přirozeně pomocí paralelních volání:

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={...})

Zvládání selhání v pipeline

Robustní pipeline řeší selhání v každém kroku:

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
    }

Pokud krok selže, model může:

  • Zkusit to znovu s upravenými parametry
  • Krok přeskočit a pokračovat s částečnými daty
  • Informovat uživatele a požádat o pokyny

Klíčové poznatky

  • Pipeline s více nástroji řetězí výsledky z jednoho nástroje do druhého
  • Model orchestruje sekvenci automaticky díky kontextu
  • Vzor fan-out/fan-in kombinuje paralelní volání a agregaci
  • Pro hybridní pipeline kombinuj serverové nástroje (web_search) a klientské nástroje (tvé funkce)
  • V každém kroku řeš selhání pomocí opakování a záložních řešení
  • Každý nástroj v pipeline musí mít jasnou, jedinou odpovědnost