Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Kombinér ræsonnement og værktøjer

Lektion 10 af 12 Opdateret 5. november 2026 Mellem
På denne side
  1. Gå videre med avancerede værktøjer
  2. Ræsonnement som værktøjsdriver
  3. Tre kombinationsmønstre
  4. Genvind kontrollen over værktøjer
  5. Visualiseringer, der kræver dømmekraft
  6. Din tur
  7. Vigtige pointer

Gå videre med avancerede værktøjer

Du ved nu, hvordan du kombinerer ræsonnement med kodeeksekvering og websøgning. Denne lektion udforsker avancerede kombinationer: strategisk kædning af værktøjer, brug af ræsonnement til at styre dem og opbygning af truly autonome arbejdsgange.

Ræsonnement som værktøjsdriver

Forskellen mellem en model, der svarer uden at tænke, og en ræsonnerende model, der bruger værktøjer, er fundamental. Ved at starte på et medium indsatsniveau – hvilket OpenAI anbefaler, når planlægning er afgørende – kan modellen planlægge, hvilke værktøjer der skal bruges og i hvilken rækkefølge, evaluere resultaterne af hvert værktøj, før den fortsætter, tilpasse sin strategi, hvis et værktøj ikke returnerer det forventede, og kombinere outputs til en sammenhængende konklusion. Konkret udfører den ikke bare kode, når du beder om det: den gennemtænker problemet, beslutter, at kode er den bedste løsning, skriver den passende kode, analyserer resultatet og beslutter derefter, om den skal gå videre. Nuancen kan virke subtil; den ændrer alt i en fire-trins arbejdsgang, hvor en dårlig indledende beslutning forplanter sig hele vejen til slutningen.

På API-siden fremmes denne logik af to mekanismer. Ved funktionkald anbefaler OpenAI at returnere de ræsonnements-elementer, der blev produceret sammen med det sidste kald til modellen, udover funktionsresultatet: dette holder modellen på sporet i forhold til dens oprindelige plan. Med Programmatisk værktøjskald skriver modellen et JavaScript-program, der eksekveres i et isoleret miljø, og som orchestrerer værktøjskald og filtrerer mellemresultater. Endelig fordeler Ultra i ChatGPT Work og Codex de tungeste opgaver blandt under-agenter, dog til prisen af et markant højere forbrug.

Tre måder at kæde værktøjer på Tre kolonner. Søg først: start fra nettet, bedøm kilder, beregn og plot derefter. Dine data først: start fra din fil, beregn i Python, sammenlign derefter med nettet. Iterativ kode: prøv en metode, evaluér resultatet, skift til fallback-metoden. KOMBINATIONSMØNSTRE Tre måder at kæde værktøjer på Søg først Start Nettet Næste Bedøm kilder Slut Beregn og lav diagram Dine data først Start Din fil Næste Python-beregninger Slut Sammenlign med nettet Iterativ kode Start En første metode Næste Evalueret resultat Slut Fallback-metode Returnér i API'et ræsonnements-elementer sammen med resultatet af hver funktion.
Baseret på OpenAI API Reasoning models-guiden og OpenAI Help Center (november 2026).

Tre kombinationsmønstre

Det første mønster – Søg, derefter Analysér, derefter Kode – passer til markedsanalyser og benchmarks, altså situationer hvor data endnu ikke findes i dit eje.

“Søg efter markedsandele for de 5 største cloud-udbydere i Europa i 2025. Opret derefter et søjlediagram baseret på disse data og beregn markedskoncentrationsraten (HHI-indeks). Fortolk resultatet.”

Modellen kæder herefter fire distinkte faser.

  1. Søg på nettet for at indsamle data
  2. Ræsonnér om kildernes pålidelighed
  3. Eksekvér kode til diagrammet og beregningen
  4. Ræsonnér om den økonomiske fortolkning

Den anden fase er den, folk ofte glemmer, når de skriver prompten, men det er netop den, der forhindrer dig i at bygge et HHI-indeks på omtrentlige tal.

Det andet mønster vender startpunktet om: det begynder med dine data for at berige dem udefra – Data, Kode, Søg, Syntese.

“Her er min salgsfil pr. land (CSV). Beregn vækstraten pr. land, søg derefter efter BNP-vækstraten for hvert land i samme periode. Identificér lande, hvor vores vækst overstiger BNP-væksten (outperformance), og dem hvor det modsatte er tilfældet.”

Det tredje mønster, iterativ kode med ræsonnement, udnytter modellens evne til at skrive kode, analysere resultatet, spotte et problem og omskrive – helt automatisk. Du kan endda specificere fallback-metoden.

“Her er et transaktionssæt (CSV). Detektér statistiske anomalier. Hvis den første metode (z-score) ikke giver klare resultater, så prøv metoden med interkvartilafstand. Vælg den mest relevante metode og forklar hvorfor.”

Genvind kontrollen over værktøjer

At lade modellen beslutte er bekvemt, men nogle gange ved du allerede, hvilket værktøj der passer bedst – og at fortælle den det er mere effektivt end at lade den eksperimentere. Du kan derfor begrænse den: “Uden at søge på nettet, analysér kun dataene i den vedhæftede fil og giv mig dine konklusioner udelukkende baseret på disse data,” eller “Eksekvér ikke kode for dette spørgsmål. Ræsonnér kun baseret på den information, jeg giver.”

Til lange arbejdsgange bør du indsætte kontrolpunkter i stedet for at køre det hele i én blok: “Trin 1: beregn basismetrikker og vis mig resultaterne før du fortsætter. Trin 2 (efter min validering): berig med webdata. Trin 3: producer den endelige rapport.” Dette sikrer, at du kan stoppe processen, før en fejl forplanter sig til dyre trin.

Visualiseringer, der kræver dømmekraft

Kombinationen af ræsonnement plus kodeeksekvering skinner særligt, når selve visualiseringen indebærer beslutninger: hvilken diagramtype, hvilke tærskler, hvilken fremhævning.

“Her er mine performance-data (Excel). Opret et dashboard på én side med: (1) det mest relevante diagram for hver metrik – vælg selv diagramtypen baseret på dataenes natur, (2) automatisk fremhævning af anomalier, (3) en grøn/gul/rød farvekode baseret på tærskler, som du selv fastsætter ud fra datafordelingen.”

Modellen ræsonnerer over den optimale diagramtype metrik for metrik, beregner statistisk relevante tærskler i stedet for at opfinde dem, og producerer den tilsvarende kode. Dette er præcis det arbejde, en analytiker ville udføre, før vedkommende åbner sin editor.

Din tur

En komplet arbejdsgang. Test denne arbejdsgang på et højt ræsonnementsniveau (High i Chat, high i API’et).

“Jeg giver dig en CSV-fil med månedlige udgifter pr. kategori over 24 måneder. Jeg ønsker:

  1. Identificér de 3 kategorier med den højeste stigning (beregning i Python)
  2. For hver kategori, søg efter om dette er en national trend eller specifik for min sag (websøgning)
  3. Producer et sammenlignende diagram: mine udgifter vs. den nationale trend (Python)
  4. Skriv et sammendrag med anbefalinger (rent ræsonnement) Præsenter resultatet af hvert trin.”

Under øvelsen skal du observere, hvad der sker, når kodeeksekveringen fejler. Modellen kan forsøge igen af sig selv, hvilket er positivt; men hvis problemet ligger i dine data, vil ingen omskrivning løse det: tjek filen i stedet for at genstarte. Og hvis forespørgslen bliver for tung, så opdel den i trin, der valideres ét ad gangen.

Officielle kilder: Reasoning models (OpenAI API: indsatsniveauer, returnering af ræsonnements-elementer ved funktionskald) · Programmatic Tool Calling · Data analysis with ChatGPT (kodeeksekvering i ChatGPT) · Models (Ultra)

Vigtige pointer

  • Ved et tilstrækkeligt indsatsniveau styrer ræsonnement værktøjer strategisk, ikke mekanisk
  • Tre nøglemønstre: søg, analysér derefter kode; data, kode derefter søg; iterativ kode
  • På API-siden: returnér ræsonnements-elementer sammen med funktionsresultater, og overvej Programmatisk værktøjskald
  • Du kan tvinge eller begrænse brugen af værktøjer baseret på dine behov
  • Indsæt kontrolpunkter i lange arbejdsgange for at bevare kontrollen