Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Multi-Tool Pipeline

Lektion 13 af 14 Opdateret 29. juli 2026 Udvikler
På denne side
  1. Orkestrering af værktøjer i sekvens
  2. Pipeline-arkitektur
  3. Eksempel: Pipeline til konkurrentanalyse
  4. Eksekvering af pipeline
  5. Kombination af server- og klientværktøjer i en pipeline
  6. Mønster: Fan-out / Fan-in
  7. Håndtering af fejl i en pipeline
  8. Vigtige pointer

Orkestrering af værktøjer i sekvens

Vejr-agenten fra den forrige lektion brugte uafhængige værktøjer. I en multi-tool pipeline føder resultaterne fra ét værktøj det næste kald. Modellen orkestrerer sekvensen automatisk – din rolle er at levere værktøjerne og eksekvere kaldene.

Pipeline-arkitektur

En typisk pipeline følger dette skema:

Søgning → Analyse → Handling → Notifikation

Hvert trin producerer data, som det næste trin forbruger. Modellen håndterer denne orkestrering naturligt takket være samtalekonteksten.

Eksempel: Pipeline til konkurrentanalyse

Forestil dig en pipeline, der overvåger konkurrenters priser og genererer en rapport:

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"]
            }
        }
    }
]

Eksekvering af pipeline

Når brugeren spørger: „Analyser CompetitorX-priser for vores top 5 produkter og send rapporten til salgsteamet”, orkestrerer modellen følgende:

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", ...)

Hvert turn bruger resultaterne fra det foregående. Modellen videregiver naturligt data fra ét værktøj til det næste.

Kombination af server- og klientværktøjer i en pipeline

De mest kraftfulde pipelines kombinerer server- og klientværktøjer:

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": { ... }
        }
    }
]

Flow: Modellen udfører en websøgning (automatisk på serversiden), kalder derefter din ekstraktionsfunktion (klientside) og gemmer til sidst i CRM’en (klientside).

Mønster: Fan-out / Fan-in

Nogle pipelines kræver et fan-out-mønster (flere parallelle kald) efterfulgt af et fan-in (aggregering af resultater):

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

Modellen håndterer dette naturligt med parallelle kald:

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={...})

Håndtering af fejl i en pipeline

En robust pipeline håndterer fejl på hvert trin:

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
    }

Når et trin fejler, kan modellen:

  • Prøve igen med justerede parametre
  • Springe trinnet over og fortsætte med delvise data
  • Informere brugeren og anmode om instrukser

Vigtige pointer

  • En multi-tool pipeline kæder resultaterne fra ét værktøj sammen med det næste
  • Modellen orkestrerer sekvensen automatisk takket være konteksten
  • Fan-out/fan-in-mønsteret kombinerer parallelle kald og aggregering
  • Kombinér serverværktøjer (web_search) og klientværktøjer (dine funktioner) til hybride pipelines
  • Håndtér fejl på hvert trin med genforsøg og fallback-løsninger
  • Hvert værktøj i pipeline’en skal have et klart, enkelt ansvarsområde