Schlussfolgerung, Code-Ausführung und Websuche: Automatisierte Workflows
Auf dieser Seite
Wenn Schlussfolgerung auf Tools trifft
Die Kombination aus hochstufiger Schlussfolgerung, Code-Ausführung und Websuche verwandelt ein Sprachmodell in einen Agenten, der berechnen, suchen und Ergebnisse zu einem einzigen Schlussfolgerung synthetisieren kann. Diese Lektion zeigt Ihnen, wie Sie diese Synergie nutzen können. Zuerst eine Anmerkung zur Terminologie: In ChatGPT wird Code-Ausführung als Datenanalyse bezeichnet und die Suche als Suche; in der API sind dies die Tools Code Interpreter und Websuche. Frühere Generationen überließen diese Rolle dedizierten Schlussfolgerungsmodellen wie o3; heute ist es eine Einstellung, die für jedes Modell verfügbar ist.
Drei komplementäre Rollen
Die erste Säule ist das Modell selbst. Auf einem hohen Schlussfolgerungsniveau fungiert es als Gehirn: Es schlussfolgert, plant, entscheidet, welche Aktionen unternommen werden sollen, und orchestriert den gesamten Prozess.
Die Code-Ausführung dient als Hände. Sie führt Python in einer isolierten Umgebung aus, sodass das Modell Ihre Excel-, CSV- oder JSON-Dateien manipulieren, komplexe Berechnungen durchführen, Diagramme und Visualisierungen erstellen sowie Daten vor der Analyse bereinigen oder transformieren kann. Die Websuche fungiert als Augen: Sie bietet Zugriff auf Echtzeitinformationen, sei es aktuelle Daten, Faktenüberprüfungen, Informationen aus mehreren Quellen oder der Zugriff auf öffentliche Websites und Datenbanken.
Wie das Modell entscheidet, ein Tool zu verwenden
Sie müssen das Tool in der Regel nicht benennen: Das Modell erkennt, wann eine Berechnung oder aktuelle Informationen benötigt werden, und ruft das Tool zum richtigen Zeitpunkt auf. Wenn Sie ein bestimmtes Tool bevorzugen, sagen Sie dies: „führen Sie die Berechnung in Python aus”, „suchen Sie das Web”. Auf der API-Seite geht die Responses-API mit programmativem Tool-Calling weiter: Das Modell schreibt ein JavaScript-Programm, das in einer isolierten Umgebung ausgeführt wird, um die Tools aufzurufen – potenziell parallel – und filtert Zwischenergebnisse, anstatt sie nacheinander aufzurufen.
Eine Anfrage zur umfassenden Finanzanalyse illustriert diese Sequenz gut.
„Hier sind meine Verkaufsdaten für die letzten 12 Monate (Excel). Analysieren Sie die Trends, berechnen Sie die durchschnittliche monatliche Wachstumsrate, prognostizieren Sie die Verkäufe für die nächsten 3 Monate und suchen Sie das Web nach Branchenprognosen zum Vergleich. Erstellen Sie einen Bericht mit Diagrammen.”
Das Modell kann dann eine Sequenz wie diese ausführen, ohne dass Sie diese aufteilen müssen; die genaue Reihenfolge variiert von Anfrage zu Anfrage.
- Schlussfolgern: Das Problemstruktur verstehen
- Code ausführen: Excel-Datei laden, Trends berechnen, Prognosen erstellen
- Web suchen: Branchenprognosen finden
- Schlussfolgern: Ergebnisse vergleichen und Schlüsse ziehen
- Code ausführen: Diagramme generieren
- Schlussfolgern: Endbericht verfassen
Beachten Sie die Abwechslung: Schlussfolgerung findet nicht nur am Anfang statt; sie kehrt zwischen jedem Tool-Aufruf zurück, um den nächsten Schritt zu entscheiden. Dieser Rhythmus unterscheidet einen Agenten von einem einfachen Ausführer.
Was die Kombination ermöglicht
Automatisiertes Benchmarking ist der unmittelbarste Anwendungsfall, da es den Vergleich Ihrer Zahlen mit externen Daten erfordert.
„Hier sind die Finanzkennzahlen meiner Firma (Excel-Datei). Suchen Sie das Web nach durchschnittlichen Finanzkennzahlen in unserem Sektor (B2B SaaS in Europa) und vergleichen Sie diese mit unseren. Erstellen Sie eine Benchmarking-Tabelle mit Farbcodierung: Grün, wenn wir über dem Durchschnitt liegen, Rot, wenn darunter.”
Wettbewerbsanalyse gewinnt eine neue Dimension, wenn sie durch Ihre eigenen Daten gestützt wird: Anstatt nur Ankündigungen zu sammeln, messen Sie deren Auswirkung.
„Suchen Sie nach den neuesten Ankündigungen unserer 3 Wettbewerber (Wettbewerber A, Wettbewerber B, Wettbewerber C) in den letzten 30 Tagen. Kreuzvergleichen Sie dies mit unseren Web-Traffic-Daten (beigefügte CSV-Datei), um zu identifizieren, ob ihre Ankündigungen unseren Traffic beeinflusst haben.”
Der dritte typische Anwendungsfall ist ein datengestützter Bericht mit Visualisierungen, bei dem die Code-Ausführung die Hauptarbeit an Ihren internen Daten übernimmt.
„Hier sind unsere HR-Daten (Excel-Datei). Berechnen Sie die Fluktuationsrate nach Abteilung, die durchschnittliche Kosten für eine Ersatzperson (Annahme: 6 Monatsgehälter) und prognostizieren Sie die Budgetauswirkung. Generieren Sie ein Diagramm pro Abteilung und eine Zusammenfassungstabelle.”
Aktivierung und Steuerung der Tools
In ChatGPT wird die Datenanalyse ausgelöst, sobald eine Datei oder eine Berechnung dies erfordert; in einem Unternehmensarbeitsbereich prüfen Sie, ob ein Administrator dies nicht deaktiviert hat. Die Websuche wird ausgelöst, wenn das Modell den Bedarf an aktuellen Informationen erkennt, und Sie können sie erzwingen mit der + Taste, dann Suche. Auf der API-Seite werden beide Tools in der Anfrage deklariert. Für das Schlussfolgerungsniveau kategorisiert OpenAI den Tool-Einsatz und die Suche als low, wenn Geschwindigkeit von größter Bedeutung ist, und empfiehlt medium, wann immer Planung und Urteilsvermögen eine Rolle spielen – was bei Workflows mit mehreren Tools der Fall ist.
Diese Tools haben klare Grenzen, die Sie kennen müssen. Die Python-Umgebung für die Datenanalyse hat keinen Zugriff auf das Internet: Sie funktioniert nur mit den von Ihnen bereitgestellten Dateien, und externe Daten müssen über die Suche oder Ihre eigenen Imports kommen. Die Antwortzeiten erhöhen sich signifikant, wenn alle drei kombiniert werden, und Kontingente werden schneller verbraucht, insbesondere bei höheren Schlussfolgerungsniveaus.
Ihre Aufgabe
Alle drei Bausteine zusammen. Testen Sie die vollständige Kombination an einem Fall, bei dem Schlussfolgerung, Code und Suche alle essenziell sind.
„Hier ist eine CSV-Datei meiner monatlichen Ausgaben über 12 Monate. (1) Analysieren Sie Trends in Python und generieren Sie ein Diagramm. (2) Suchen Sie das Web nach der Inflationsrate in Frankreich für jeden entsprechenden Monat. (3) Berechnen Sie meine inflationsbereinigten Ausgaben. (4) Erstellen Sie einen Bericht, der nominale und reale Ausgaben vergleicht.”
Wenn Sie keine CSV-Datei zur Hand haben, bitten Sie das Modell, zunächst eine realistische zu generieren. Halten Sie während der Übung drei Reflexe im Kopf. Überprüfen Sie Berechnungen: Eine falsche Formel, die sauber ausgeführt wird, ist immer noch eine falsche Formel. Kreuzprüfen Sie Suchquellen, da Ergebnisse veraltet oder ungenau sein können. Und holen Sie generierte Dateien – Diagramme, Tabellen – ab, bevor Sie das Gespräch schließen. Ein letzter Ratschlag gilt für alles: Auch wenn das Modell seine eigenen Tools verwaltet, liefern komplexe Workflows bessere Ergebnisse, wenn sie in Schritte zerlegt werden, anstatt in einen einzigen riesigen Prompt gepresst zu werden.
Offizielle Quellen: Datenanalyse mit ChatGPT (OpenAI Help Center: isoliertes Python, kein Webzugriff) · Web mit ChatGPT suchen · Code Interpreter und Websuche (API-Tools) · Programmatic Tool Calling · Reasoning models (Anstrengungsebenen und Tools)
Kernaussagen
- Ein hohes Schlussfolgerungsniveau kombiniert Denken, Code-Ausführung und Websuche autonom
- Das Modell entscheidet automatisch, wann es jedes Tool verwendet; auf der API-Seite ermöglicht programmativem Tool-Calling, dass es Tools über Code orchestriert
- Code-Ausführung (Datenanalyse, Code Interpreter) manipuliert Dateien und erstellt Diagramme ohne Webzugriff; die Suche bringt aktuelle Informationen ein
- Für Workflows mit mehreren Tools beginnen Sie mit
medium, dem Niveau, das OpenAI empfiehlt, wenn Planung eine Rolle spielt - Überprüfen Sie Ergebnisse immer – Tools verstärken sowohl Leistung als auch das Fehlerisiko