Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Ræsonnement, kodeeksekvering og websøgning: Automatiserede arbejdsgange

Lektion 7 af 12 Opdateret 5. november 2026 Mellem
På denne side
  1. Når ræsonnement møder værktøjer
  2. Tre komplementære roller
  3. Hvordan modellen beslutter at bruge et værktøj
  4. Hvad kombinationen muliggør
  5. Aktivering og styring af værktøjerne
  6. Din tur
  7. Vigtige pointer

Når ræsonnement møder værktøjer

Kombinationen af ræsonnement på højt niveau med kodeeksekvering og websøgning forvandler en sprogmodel til en agent, der kan beregne, søge og syntetisere resultater til én samlet konklusion. Denne lektion viser dig, hvordan du udnytter denne synergi. Først en bemærkning om terminologi: I ChatGPT kaldes kodeeksekvering for Dataanalyse, og søgning kaldes Søgning; i API’et er disse værktøjer Code Interpreter og Web Search. Tidligere generationer forbeholdt denne rolle for dedikerede ræsonnementsmodeller som o3; i dag er det en indstilling, der er tilgængelig for hver eneste model.

Tre komplementære roller

Den første søjle er selve modellen. På et højt ræsonnementsniveau fungerer den som hjernen: Den ræsonnerer, planlægger, beslutter, hvilke handlinger der skal tages, og orchestrerer hele processen.

Kodeeksekvering fungerer som hænderne. Den kører Python i et isoleret miljø, hvilket giver den mulighed for at manipulere dine Excel-, CSV- eller JSON-filer, udføre komplekse beregninger, skabe diagrammer og visualiseringer samt rense eller transformere data før analyse. Websøgning fungerer som øjnene: Den giver adgang til information i realtid, hvad enten du har brug for opdaterede data, faktatjek, information indsamlet fra flere kilder eller adgang til offentlige hjemmesider og databaser.

Hvordan modellen beslutter at bruge et værktøj

Du behøver generelt ikke at nævne værktøjet eksplicit: Modellen registrerer, hvornår en beregning eller nyere information er nødvendig, og kalder værktøjet på det rette tidspunkt. Hvis du foretrækker et specifikt værktøj, skal du bare sige det: “udfør beregningen i Python”, “søg på nettet”. På API-siden går Responses API’et endnu videre med Programmatic Tool Calling: Modellen skriver et JavaScript-program, der eksekveres i et isoleret miljø, og som kalder værktøjerne – potentielt parallelt – og filtrerer mellemresultater, i stedet for at kalde dem ét ad gangen.

En anmodning om en omfattende finansiel analyse illustrerer denne sekvens godt.

“Her er mine salgsdata for de sidste 12 måneder (Excel). Analyser tendenserne, beregn den gennemsnitlige månedlige vækstrate, prognosticer salget for de næste 3 måneder, og søg på nettet efter branche-prognoser til sammenligning. Udarbejd en rapport med diagrammer.”

Modellen kan derefter eksekvere en sekvens som denne uden, at du behøver at bryde den ned; den præcise rækkefølge varierer fra anmodning til anmodning.

Ræsonnement mellem værktøjer Fire trin i en løkke: Ræsonner for at forstå og planlægge; beregn i Python på dine filer; søg på nettet efter nyere data; konkluder ved at sammenligne og skrive. Ræsonnementet vender tilbage mellem hvert værktøjskald for at beslutte næste skridt. KODE OG WEBSØGNING Ræsonnement mellem værktøjer 1 Ræsonner Forstå og planlæg 2 Beregn Python på dine filer 3 Søg Nyere data fra nettet 4 Konkluder Sammenlign, skriv Ræsonnementet vender tilbage mellem hvert værktøjskald for at beslutte næste skridt Python-miljøet har ikke adgang til nettet: Eksterne data kommer via søgning.
Baseret på OpenAI Help Center-artikler om Dataanalyse og Websøgning (november 2026).
  1. Ræsonner: Forstå problemets struktur
  2. Eksekver kode: Indlæs Excel-filen, beregn tendenser, lav prognoser
  3. Søg på nettet: Find branche-prognoser
  4. Ræsonner: Sammenlign resultater og drag konklusioner
  5. Eksekver kode: Generer diagrammer
  6. Ræsonner: Skriv den endelige rapport

Bemærk vekselspillet: Ræsonnement sker ikke kun i starten; det vender tilbage mellem hvert værktøjskald for at beslutte næste skridt. Det er denne rytme, der adskiller en agent fra en simpel eksekutor.

Hvad kombinationen muliggør

Automatiseret benchmarking er det mest umiddelbare anvendelsestilfælde, da det kræver sammenligning af dine tal med eksterne data.

“Her er mine virksomheds økonomiske nøgletal (Excel-fil). Søg på nettet efter gennemsnitlige økonomiske nøgletal i vores sektor (B2B SaaS i Europa) og sammenlign dem med vores. Udarbejd en benchmarking-tabel med farvekodning: grøn hvis vi ligger over gennemsnittet, rød hvis under.”

Konkurrentintelligence får en ny dimension, når den bakkes op af dine egne data: I stedet for blot at indsamle annonceringer, måler du deres effekt.

“Søg efter de seneste annonceringer fra vores 3 konkurrenter (Konkurrent A, Konkurrent B, Konkurrent C) over de sidste 30 dage. Krydsreferér dette med vores webtrafik-data (vedhæftet CSV-fil) for at identificere, om deres annonceringer har påvirket vores trafik.”

Det tredje typiske anvendelsestilfælde er en datadrevet rapport med visualiseringer, hvor kodeeksekvering tager sig af det tunge løft med dine interne data.

“Her er vores HR-data (Excel-fil). Beregn personaleomsætningen pr. afdeling, de gennemsnitlige omkostninger ved en udskiftning (antagelse: 6 måneders løn), og prognosticer budgetpåvirkningen. Generer et diagram pr. afdeling og en oversigtstabel.”

Aktivering og styring af værktøjerne

I ChatGPT aktiveres Dataanalyse, når en fil eller beregning kræver det; i et enterprise-arbejdsområde skal du verificere, at en administrator ikke har deaktiveret det. Websøgning udløses, når modellen registrerer et behov for nyere information, og du kan gennemtvinge det med +-knappen og derefter Søg. På API-siden deklareres begge værktøjer i anmodningen. Hvad angår ræsonnementsniveau, kategoriserer OpenAI værktøgsbrug og søgning som low, når hastighed er altafgørende, og anbefaler medium, når planlægning og dømmekraft betyder noget – hvilket er tilfældet for arbejdsgange med flere værktøjer.

Disse værktøjer har klare begrænsninger, du skal kende. Python-miljøet til Dataanalyse har ikke adgang til internettet: Det arbejder kun på de filer, du leverer, og eksterne data skal komme via søgning eller dine egne imports. Svartiderne stiger markant, når alle tre kombineres, og kvoter forbruges hurtigere, især ved højere ræsonnementsniveauer.

Din tur

Alle tre byggesten sammen. Test den fulde kombination på et tilfælde, hvor ræsonnement, kode og søgning alle er essentielle.

“Her er en CSV-fil med mine månedlige udgifter over 12 måneder. (1) Analyser tendenser i Python og generer et diagram. (2) Søg på nettet efter inflationsraten i Frankrig for hver tilsvarende måned. (3) Beregn mine inflationsjusterede udgifter. (4) Udarbejd en rapport, der sammenligner nominelle og reale udgifter.”

Hvis du ikke har en CSV-fil ved hånden, så bed modellen om først at generere en realistisk en. Hold tre refleksioner i tankerne under øvelsen. Verificer beregninger: En forkert formel, der eksekveres fejlfrit, er stadig en forkert formel. Krydstjek søgekilder, da resultater kan være forældede eller unøjagtige. Og hent genererede filer – diagrammer, tabeller – før du lukker samtalen. Et sidste råd gælder for alt: Selv når modellen styrer sine egne værktøjer, giver komplekse arbejdsgange bedre resultater, når de opdeles i trin, frem for at blive mast ned i én enkelt kæmpe prompt.

Officielle kilder: Dataanalyse med ChatGPT (OpenAI Help Center: isoleret Python, ingen webadgang) · Søgning på nettet med ChatGPT · Code Interpreter og Websøgning (API-værktøjer) · Programmatic Tool Calling · Ræsonnementsmodeller (indsatsniveauer og værktøjer)

Vigtige pointer

  • Et højt ræsonnementsniveau kombinerer tænkning, kodeeksekvering og websøgning autonomt
  • Modellen beslutter automatisk, hvornår hvert værktøj skal bruges; på API-siden lader Programmatic Tool Calling den orchestrere værktøjer via kode
  • Kodeeksekvering (Dataanalyse, Code Interpreter) manipulerer filer og skaber diagrammer uden webadgang; søgning bringer nyere information ind
  • Til arbejdsgange med flere værktøjer skal du starte med medium, det niveau OpenAI anbefaler, når planlægning betyder noget
  • Verificer altid resultater – værktøjer forstærker både kraften og risikoen for fejl