Multi-Tool Pipeline
På denne side
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