Flertrins-workflows: modellen som dirigent
På denne side
Orkestrering af komplekse opgaver med høj ræsonnementsevne
Det er én ting at besvare et enkeltstående spørgsmål; det er noget helt andet at styre en hel proces. En model indstillet til et højt ræsonnementniveau kan kæde flere trin sammen, mens den bevarer konteksten, og fungere som en ægte dirigent for dine tilbagevendende processer. Denne lektion viser dig, hvordan du beskriver en workflow, så den udføres fra start til slut uden at miste sammenhængen undervejs.
Hvad er en flertrins-workflow?
En flertrins-workflow er en sekvens af opgaver, hvor hvert trin afhænger af outputtet fra det foregående: indsamling af rådata, rensning og strukturering af dataene, analyse af tendenser, udarbejdelse af en rapport med anbefalinger og derefter generering af en opsummerende e-mail til teamet. Traditionelt er hvert af disse fem trin manuelt, og du skal selv bære konteksten fra det ene til det næste. Med høj ræsonnementsevne beskriver du hele processen én gang, og modellen udfører hvert trin ved at bygge videre på det, den producerede i det foregående.
Meta-prompt-teknikken
En meta-prompt er en prompt, der beskriver en hel proces frem for en isoleret opgave. Den giver modellen et globalt overblik over, hvad du ønsker at opnå, hvilket ændrer alt: Når modellen ved, hvor den er på vej hen, kalibrerer den hvert trin ud fra det næste. Her er en standardstruktur, som du kan tilpasse din egen proces.
“Du vil udføre følgende trin i rækkefølge:
Trin 1 — Analyser de vedlagte salgsdata og identificer de 3 bedst og de 3 dårligst præsterende produkter.
Trin 2 — For hvert underpræsterende produkt skal du identificere sandsynlige årsager ved at krydsreferere med data om kundetilfredshed.
Trin 3 — Foreslå en handlingsplan med 3 punkter for hvert underpræsterende produkt, med målbare KPI’er.
Trin 4 — Formatér alt til en struktureret rapport med et 5-linjers resumé til ledelsen i indledningen.
Præsenter resultatet af hvert trin, før du går videre til det næste, og flag eventuelle uventede resultater.”
Den sidste sætning fortjener din opmærksomhed. Der er ingen grund til at bede modellen om at “tænke trin for trin” – det gør den allerede. Men kravet om output fra hvert trin lader dig fange en fejl, før den forurener alt, der følger efter. I en workflow med fem trin vil en fejl i trin 2, der opdages for sent, koste dig hele indsatsen.
Hvorfor høj ræsonnementsevne excellerer i orkestrering
I en lang workflow risikerer et lavt ræsonnementniveau at miste tråden fra det ene trin til det næste. Et højere niveau (High i Chat, high i API’en, hvilket OpenAIs dokumentation anbefaler til dyb planlægning) giver modellen tid til at holde sine mellemkonklusioner i sigte, verificere konsistens på tværs af trin og tilpasse det kommende baseret på de opnåede resultater. Bed den eksplicit om at flagge, når et trin producerer et uventet resultat, i stedet for bare at pløje videre, som om intet var hændt. Det er netop denne adfærd, der adskiller orkestrering fra en simpel kæde.
Denne fleksibilitet muliggør betingede workflows, hvor behandlingen afhænger af, hvad modellen observerer: “Hvis et produkt har en returneringsrate på over 10 %, skal det klassificeres som høj prioritet, og der skal foreslås en øjeblikkelig handlingsplan. Ellers skal det klassificeres til overvågning, og der skal foreslås en månedlig opfølgning.” Modellen anvender betingelsen produkt for produkt og tilpasser sin behandling derefter, uden at du behøver at sortere noget på forhånd.
To udvidelser: ChatGPT Work og API’en
Prompten er ikke den eneste vej. I ChatGPT er oplevelsen Work specifikt designet til lange, flertrins-opgaver, der resulterer i et leverancemål: et dokument, et regneark, en præsentation eller en rapport. Til de tungeste opgaver fordeler indstillingen Ultra arbejdet på under-agenter, der arbejder parallelt, når opgaven kan opdeles i uafhængige bidder; det forbruger betydeligt mere, og de fleste opgaver har ikke brug for det. På udviklersiden får Programmatic Tool Calling i Responses API’en modellen til at skrive et JavaScript-program, der køres i et isoleret miljø, kalder workflow’ets værktøjer – parallelliserer når nødvendigt – og filtrerer mellemresultater, før de returneres til modellen.
Tre workflows du kan genbruge som de er
Konkurrentintelligence er særligt velegnet til denne øvelse: Modellen læser tre angivne artikler om konkurrenter, udtrækker nøgleannonceringer – produkter, priser, partnerskaber – sammenligner dem med din nuværende positionering, identificerer trusler og muligheder og udkaster derefter et briefingsnotat til ledelsen.
Mødeforberedelse følger den samme logik anvendt på dine interne dokumenter: Analyser referatet fra det sidste møde, identificer igangværende handlinger og deres status, forbered dagsordenen til det næste møde, udkast diskussionspunkter for hvert emne og generer den tilhørende invitations-e-mail.
Endelig kombinerer månedlig rapportering beregning og analyse: Analyser månedens data fra en Excel-fil, sammenlign med den foregående måned og budgettet, identificer væsentlige afvigelser ud over 5 %, analyser årsagerne til hver afvigelse, og producer derefter rapporten med diagrammer og anbefalinger.
Din tur
Byg din egen. Vælg en tilbagevendende proces i dit arbejde og transformer den. Først skal du liste hvert trin, du i øjeblikket udfører manuelt, og derefter spotte de betingede beslutninger af typen “hvis X så Y”, som du træffer uden at tænke – det er disse, der adskiller en stiv workflow fra en brugbar en. Derefter skriver du den meta-prompt, der beskriver hele processen, og tester den på et højt ræsonnementniveau; skru op for niveauet, hvis kvaliteten flader ud.
Start simpelt med tre eller fire trin, og øg kompleksiteten gradvist. Når processen bliver lang, og kvaliteten falder, skal du opdele den i under-workflows i stedet for at presse videre. Sørg også for, at hvert trin er klart og selvstændigt – hvis modellen skal gætte, hvad du forventer af et trin, vil resultatet være tilfældigt, og det samme vil hele workflow’en. Endelig skal du faktisk læse mellemresultaterne. Mange brugere kigger kun på det endelige output og går glip af pointen: I en velbygget workflow er fundene fra trin 2 og 3 ofte mere lærerige end den rapport, der opsummerer dem.
Officielle kilder: Reasoning models (OpenAI API: indsatsniveauer og use cases) · Reasoning best practices (enkle instrukser, præcist mål) · Programmatic Tool Calling · ChatGPT Work and Codex (Work til lange opgaver) · Models (Ultra)
Vigtige pointer
- Et højt ræsonnementniveau hjælper modellen med at orkestrere en flertrins-proces uden at miste tråden
- Brug en meta-prompt til at beskrive hele processen, med betingelser (hvis/så) til adaptive workflows
- ChatGPT Work håndterer lange opgaver; i API’en orkestrerer Programmatic Tool Calling værktøjer via kode
- Ultra, i Work og Codex, fordeler arbejdet på under-agenter: reserver det til tunge, delelige opgaver
- Kræv output fra hvert trin, ikke “trin-for-trin”-tænkning; start simpelt og øg kompleksiteten gradvist