Kombinieren von Schlussfolgerung und Werkzeugen
Auf dieser Seite
Weiterkommen mit erweiterten Werkzeugen
Sie wissen nun, wie man Schlussfolgerung mit Code-Ausführung und Websuche kombiniert. Diese Lektion untersucht erweiterte Kombinationen: das strategische Verkettung von Werkzeugen, die Nutzung der Schlussfolgerung, um diese zu steuern, und den Aufbau wirklich autonomer Arbeitsabläufe.
Schlussfolgerung als Treiber für Werkzeuge
Der Unterschied zwischen einem Modell, das ohne Nachdenken antwortet, und einem Schlussfolgerungsmodell, das Werkzeuge nutzt, ist fundamental. Ab einem medium Anstrengungsniveau – eine Empfehlung von OpenAI, wenn es um Planung geht – kann das Modell planen, welche Werkzeuge es verwenden soll und in welcher Reihenfolge, die Ergebnisse jedes Werkzeugs vor dem Weitergehen bewerten, seine Strategie anpassen, wenn ein Werkzeug nicht das erwartet liefert, und die Ausgaben zu einem kohärenten Ergebnis zusammenführen. Konkret führt es nicht nur Code aus, wenn Sie es darum bitten: Es denkt das Problem durch, entscheidet, dass Code der beste Weg zur Lösung ist, schreibt den passenden Code, analysiert das Ergebnis und entscheidet dann, ob es weitergehen soll. Diese Nuance mag subtil erscheinen; sie ändert alles in einem Vier-Werkzeug-Arbeitsablauf, bei dem eine schlechte erste Entscheidung sich bis zum Ende fortsetzt.
Auf der API-Seite treiben zwei Mechanismen diese Logik voran. Bei der Funktionsaufrufung (function calling) empfiehlt OpenAI, die Schlussfolgerungselemente zurückzugeben, die mit dem letzten Aufruf beim Modell erzeugt wurden, zusätzlich zum Funktionsergebnis: Dies hält das Modell auf dem richtigen Weg mit dem, was es geplant hatte. Mit programmativem Werkzeugaufruf (Programmatic Tool Calling) schreibt das Modell ein JavaScript-Programm, das in einer isolierten Umgebung ausgeführt wird und Werkzeugaufrufe orchestriert sowie Zwischenergebnisse filtert. Schließlich verteilt Ultra in ChatGPT Work and Codex die aufwändigsten Aufgaben auf Unter-Agenten, zum Preis eines deutlich höheren Verbrauchs.
Drei Kombinationsmuster
Das erste Muster – Suchen, dann Analysieren, dann Coden – passt sich Marktanalysen und Benchmarks an, also Situationen, in denen die Daten noch nicht in Ihrem Besitz sind.
“Suchen Sie die Marktanteile der Top-5-Cloud-Anbieter in Europa im Jahr 2025. Erstellen Sie dann auf Basis dieser Daten ein Balkendiagramm und berechnen Sie den Markt-Konzentrationsgrad (HHI-Index). Interpretieren Sie das Ergebnis.”
Das Modell verknüpft dann vier distincte Phasen.
- Das Web durchsuchen, um Daten zu sammeln
- Über die Quellzuverlässigkeit nachdenken
- Code ausführen für das Diagramm und die Berechnung
- Über die wirtschaftliche Interpretation nachdenken
Die zweite Phase ist diejenige, die man beim Formulieren des Prompts oft vergisst, doch sie verhindert, dass man einen HHI-Index auf ungenauen Zahlen aufbaut.
Das zweite Muster kehrt den Ausgangspunkt um: Es beginnt mit Ihren Daten, um diese von außen zu bereichern – Daten, Code, Suche, Synthese.
“Hier ist meine Verkaufsdatei nach Land (CSV). Berechnen Sie die Wachstumsrate nach Land, suchen Sie dann nach der BIP-Wachstumsrate jedes Landes über denselben Zeitraum. Identifizieren Sie Länder, in denen unser Wachstum das BIP-Wachstum übersteigt (Outperformance), und solche, bei denen das Gegenteil der Fall ist.”
Das dritte Muster, iteratives Coden mit Schlussfolgerung, nutzt die Fähigkeit des Modells, Code zu schreiben, das Ergebnis zu analysieren, ein Problem zu erkennen und alles automatisch neu zu schreiben. Sie können sogar die Fallback-Methode angeben.
“Hier ist ein Transaktionsdatensatz (CSV). Erkennen Sie statistische Anomalien. Wenn die erste Methode (z-Score) keine klaren Ergebnisse liefert, versuchen Sie die Interquartilsbereich-Methode. Wählen Sie die relevanteste Methode und erklären Sie, warum.”
Wiedergewinnung der Kontrolle über Werkzeuge
Es ist bequem, dem Modell die Entscheidung zu überlassen, aber manchmal wissen Sie bereits, welches Werkzeug passt – und es zu sagen ist effizienter, als es selbst erkunden zu lassen. Sie können es daher einschränken: “Ohne das Web zu durchsuchen, analysieren Sie nur die Daten in der beiliegenden Datei und geben Sie mir Ihre Schlussfolgerungen ausschließlich auf Basis dieser Daten,” oder “Führen Sie für diese Frage keinen Code aus. Schlüsseln Sie nur auf Basis der von mir bereitgestellten Informationen.”
Bei langen Arbeitsabläufen setzen Sie Checkpoints ein, statt alles in einem Block zu starten: “Schritt 1: Berechnen Sie grundlegende Kennzahlen und zeigen Sie mir die Ergebnisse, bevor Sie fortfahren. Schritt 2 (nach meiner Validierung): Bereichern Sie mit Webdaten. Schritt 3: Erstellen Sie den endgültigen Bericht.” Dies ermöglicht es Ihnen, den Prozess zu stoppen, bevor sich ein Fehler auf kostspielige Schritte auswirkt.
Visualisierungen, die Urteilskraft erfordern
Die Kombination aus Schlussfolgerung plus Code-Ausführung glänzt besonders, wenn die Visualisierung selbst Entscheidungen impliziert: welche Art von Diagramm, welche Schwellenwerte, welche Hervorhebungen.
“Hier sind meine Leistungsdaten (Excel). Erstellen Sie ein Dashboard auf einer Seite mit: (1) dem relevantesten Diagramm für jede Kennzahl – wählen Sie die Diagrammart selbst basierend auf der Natur der Daten, (2) automatische Hervorhebung von Anomalien, (3) eine Grün/Gelb/Rot-Farbcodierung basierend auf Schwellenwerten, die Sie basierend auf der Datenverteilung bestimmen werden.”
Das Modell denkt über den optimalen Diagrammtyp pro Kennzahl nach, berechnet statistisch relevante Schwellenwerte anstatt sie zu erfinden, und erstellt den entsprechenden Code. Genau dies ist die Arbeit, die ein Analyst erledigen würde, bevor er seinen Editor öffnet.
Ihre Reihe
Ein vollständiger Arbeitsablauf. Testen Sie diesen Arbeitsablauf auf einem hohen Schlussfolgerungsniveau (High im Chat, high in der API).
“Ich werde Ihnen eine CSV-Datei mit monatlichen Ausgaben nach Kategorie über 24 Monate geben. Ich möchte:
- Die 3 Kategorien mit dem höchsten Anstieg identifizieren (Berechnung in Python)
- Für jede davon suchen, ob dies ein nationaler Trend oder spezifisch für meinen Fall ist (Websuche)
- Ein Vergleichsdiagramm erstellen: Meine Ausgaben vs. nationaler Trend (Python)
- Eine Zusammenfassung mit Empfehlungen schreiben (reine Schlussfolgerung) Präsentieren Sie das Ergebnis jedes Schritts.”
Beobachten Sie während des Übens, was passiert, wenn die Code-Ausführung fehlschlägt. Das Modell kann dies von selbst erneut versuchen, was gut ist; aber wenn das Problem in Ihren Daten liegt, wird kein Neuschreiben es beheben: Prüfen Sie die Datei anstatt neu zu starten. Und wenn die Anfrage zu aufwändig wird, zerlegen Sie sie in Schritte, die nacheinander validiert werden.
Offizielle Quellen: Schlussfolgerungsmodelle (OpenAI API: Anstrengungsniveaus, Rückgabe von Schlussfolgerungselementen mit Funktionsaufrufen) · Programmativer Werkzeugaufruf · Datenanalyse mit ChatGPT (Code-Ausführung in ChatGPT) · Modelle (Ultra)
Kernaussagen
- Bei ausreichendem Anstrengungsniveau steuert die Schlussfolgerung Werkzeuge strategisch, nicht mechanisch
- Drei Schlüsselmuster: Suchen, Analysieren dann Coden; Daten, Code dann Suchen; iteratives Coden
- Auf der API-Seite: Geben Sie Schlussfolgerungselemente mit den Funktionsergebnissen zurück und erwägen Sie den programmativen Werkzeugaufruf
- Sie können die Werkzeugnutzung basierend auf Ihren Bedürfnissen erzwingen oder einschränken
- Setzen Sie Checkpoints in langen Arbeitsabläufen ein, um die Kontrolle zu behalten