Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Δεξιότητες: Ενσωμάτωση Δυνατοτήτων

Μάθημα 17 / 20 Ενημερώθηκε 2 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Δεξιότητες: Ενσωμάτωση Δυνατοτήτων
  2. Η Έννοια της Δεξιότητας
  3. Δομή μιας Βιβλιοθήκης Δεξιοτήτων
  4. Σύνθεση Δεξιοτήτων
  5. Δεξιότητες με Κατάσταση (Stateful)
  6. Μητρώο Δεξιοτήτων
  7. Βασικά σημεία

Μάθημα ενημερώθηκε στις 2 Νοεμβρίου 2026 με βάση την τεκμηρίωση της OpenAI: το εργαλείο Code Interpreter απαιτεί πλέον την παράμετρο container (προστέθηκε σε όλα τα παραδείγματα), τα μέρη εισόδου κειμένου είναι τύπου input_text, και η αναζήτηση ιστού χρησιμοποιεί το εργαλείο web_search (το web_search_preview είναι πλέον ένα παρωχημένο εργαλείο χωρίς φίλτρα τομέα). Τα παραγόμενα αρχεία ανακτώνται χρησιμοποιώντας τις συναρτήσεις fichiers_generes και telecharger από το Μάθημα 10. Πηγές: Code Interpreter · Web search.

Δεξιότητες: Ενσωμάτωση Δυνατοτήτων

Μια Δεξιότητα (Skill) λύνει ένα πρόβλημα που αντιμετωπίζουν όλοι τη δεύτερη εβδομάδα: το ίδιο prompt συστήματος αντιγράφεται σε τέσσερα αρχεία, αποκλίνοντας μόλις βελτιώσετε έστω και ένα από αυτά. Η ιδέα είναι να αντιμετωπίζετε μια δυνατότητα ως μια ενιαία μονάδα—τις οδηγίες της, τα εργαλεία της, τα δεδομένα αναφοράς της—και να την καλείτε με το όνομά της αντί να την ξαναγράφετε.

Το όφελος δεν είναι απλώς η αποφυγή επανάληψης. Μια ονομασμένη δυνατότητα γίνεται ένα αντικείμενο που μπορείτε να εκδώσετε σε νέες versions, να δοκιμάσετε και να παραδώσετε σε κάποιον άλλο. Όταν ένας δικηγόρος σας πει ότι μια τυπική ρήτρα έχει αλλάξει, τροποποιείτε μια δεξιότητα και κάθε κλήση ωφελείται—αντί να ψάχνετε πού είχε διπλασιαστεί το prompt.

Η Έννοια της Δεξιότητας

Μια Δεξιότητα ενσωματώνει όλα όσα χρειάζεται ένα μοντέλο για να επιτύχει μια συγκεκριμένη εργασία. Τα τρία παρακάτω στοιχεία δεν είναι εναλλάξιμα: οι οδηγίες ορίζουν τον ρόλο και τη μορφή, τα εργαλεία καθορίζουν τι μπορεί να ανακτήσει το μοντέλο, και το πλαίσιο αγκυρώνει τις απαντήσεις στις δικές σας αναφορές και όχι στη γενική γνώση του μοντέλου.

  • Οδηγίες: Το εξειδικευμένο prompt συστήματος
  • Εργαλεία: Οι απαραίτητες ενσωματωμένες συναρτήσεις και εργαλεία
  • Πλαίσιο: Δεδομένα αναφοράς και παραδείγματα
from openai import OpenAI

client = OpenAI()

# Ορισμός μιας δεξιότητας οικονομικής ανάλυσης
skill_analyse_financiere = {
    "instructions": (
        "You are a financial analyst specializing in French SMEs. "
        "You analyze accounting documents and produce structured reports "
        "with key indicators, trends, and recommendations. "
        "Use French accounting standards (PCG). "
        "Format amounts in euros with thousands separators."
    ),
    "tools": [
        {"type": "file_search", "vector_store_ids": ["vs_normes_comptables"]},
        {"type": "code_interpreter", "container": {"type": "auto"}}
    ]
}

# Χρήση της δεξιότητας
response = client.responses.create(
    model="gpt-5.6-terra",
    instructions=skill_analyse_financiere["instructions"],
    input=[{
        "role": "user",
        "content": [
            {"type": "input_text", "text": "Analyze this balance sheet and produce a report"},
            {"type": "input_file", "file_id": fichier_bilan.id}
        ]
    }],
    tools=skill_analyse_financiere["tools"]
)

Δομή μιας Βιβλιοθήκης Δεξιοτήτων

Η μετάβαση από ένα λεξικό σε μια κλάση δεν είναι απλώς αισθητική: σας επιτρέπει να επισυνάπτετε παραδείγματα σε μια δεξιότητα και να τα injectάρετε συστηματικά. Δύο ή τρία καλά επιλεγμένα ζεύγη εισόδου/εξόδου κάνουν περισσότερα για τη συνοχή της μορφής από μια επιπλέον παράγραφο οδηγιών, επειδή δείχνουν αντί να περιγράφουν. Η υλοποίηση παρακάτω τα συνενώνει στις οδηγίες σε κάθε κλήση.

class Skill:
    def __init__(self, nom: str, instructions: str, tools: list, exemples: list = None):
        self.nom = nom
        self.instructions = instructions
        self.tools = tools
        self.exemples = exemples or []

    def executer(self, client: OpenAI, requete: str, fichiers: list = None) -> str:
        content = [{"type": "input_text", "text": requete}]
        if fichiers:
            for fid in fichiers:
                content.append({"type": "input_file", "file_id": fid})

        # Προσθήκη παραδειγμάτων στο πλαίσιο
        instructions = self.instructions
        if self.exemples:
            instructions += "\n\nReference examples:\n"
            for ex in self.exemples:
                instructions += f"- Input: {ex['input']}\n  Output: {ex['output']}\n"

        response = client.responses.create(
            model="gpt-5.6-terra",
            instructions=instructions,
            input=[{"role": "user", "content": content}],
            tools=self.tools
        )
        return response.output_text


# Ορισμός δεξιοτήτων
skill_redaction_contrat = Skill(
    nom="redaction-contrat",
    instructions=(
        "You are a lawyer specializing in contract law. "
        "You draft clear, precise clauses compliant with French law. "
        "Each clause must be numbered and structured."
    ),
    tools=[
        {"type": "file_search", "vector_store_ids": ["vs_modeles_contrats"]},
        {"type": "web_search"}
    ],
    exemples=[
        {
            "input": "Confidentiality clause for a contractor",
            "output": "Article X - Confidentiality\nX.1 The Contractor undertakes..."
        }
    ]
)

skill_support_technique = Skill(
    nom="support-technique",
    instructions=(
        "You are a level 2 technical support agent. "
        "You diagnose problems by asking targeted questions. "
        "Search the knowledge base first before proposing solutions. "
        "Document every resolution."
    ),
    tools=[
        {"type": "file_search", "vector_store_ids": ["vs_base_connaissances"]},
        {
            "type": "function",
            "name": "creer_ticket_escalade",
            "description": "Escalate an issue to level 3",
            "parameters": {
                "type": "object",
                "properties": {
                    "titre": {"type": "string"},
                    "description": {"type": "string"},
                    "priorite": {"type": "string", "enum": ["basse", "moyenne", "haute", "critique"]}
                },
                "required": ["titre", "description", "priorite"],
                "additionalProperties": False
            },
            "strict": True
        }
    ]
)

Σύνθεση Δεξιοτήτων

Η σύνθεση αλυσιδώνει τις δεξιότητες περνώντας το αποτέλεσμα της μίας ως πλαίσιο στην επόμενη. Είναι ισχυρό, και ακριβώς εκεί ξεκινούν τα προβλήματα, για έναν συγκεκριμένο λόγο: σε κάθε βήμα, το μεταδιδόμενο πλαίσιο είναι η έξοδος του προηγούμενου βήματος, όχι τα αρχικά δεδομένα. Κάθε πληροφορία που η πρώτη δεξιότητα θεώρησε δευτερεύουσα εξαφανίζεται για όλες τις επόμενες.

Δύο πρακτικές συνέπειες. Διατάξτε τα βήματα από το πιο γενικό στο πιο συγκεκριμένο, ώστε το φιλτράρισμα να γίνεται όσο το δυνατόν αργότερα. Και όταν ένα downstream βήμα χρειάζεται ακατέργαστα δεδομένα, περάστε ξανά τα αρχεία αντί να βασιστείτε στη σύνοψη—αυτό ακριβώς κάνει η παράμετρος fichiers στο παράδειγμα, η οποία περνιέται μόνο στο πρώτο βήμα αλλά πρέπει να περνιέται σε όλα όσα εξαρτώνται από αυτήν.

class SkillComposee:
    def __init__(self, nom: str, etapes: list[dict]):
        self.nom = nom
        self.etapes = etapes
        self.client = OpenAI()

    def executer(self, requete_initiale: str, fichiers: list = None) -> dict:
        contexte = requete_initiale
        resultats = {}

        for etape in self.etapes:
            skill = etape["skill"]
            instruction_etape = etape.get("instruction", "")
            prompt = f"{instruction_etape}\n\nPrevious context: {contexte}"

            resultat = skill.executer(self.client, prompt, fichiers)
            resultats[etape["nom"]] = resultat
            contexte = resultat
            fichiers = None  # Τα αρχεία χρησιμοποιούνται μόνο στο πρώτο βήμα

        return resultats


# Ροή εργασίας: ανάλυση συμβολαίου ακολουθούμενη από σύνταξη σύνοψης
workflow_audit_contrat = SkillComposee(
    nom="audit-contrat",
    etapes=[
        {
            "nom": "analyse",
            "skill": skill_analyse_financiere,
            "instruction": "Analyze the financial aspects of this contract"
        },
        {
            "nom": "juridique",
            "skill": skill_redaction_contrat,
            "instruction": "Identify legal risks and propose improvements"
        }
    ]
)

Δεξιότητες με Κατάσταση (Stateful)

Μια δεξιότητα που θυμάται τις προηγούμενες κλήσεις της επιτρέπει μακροσκελείς συνομιλίες—μια τεχνική διάγνωση, μια διαπραγμάτευση, παρακολούθηση υποθέσεων. Εισάγει επίσης το μοναδικό κόστος που αυξάνεται απαρατήρητα: σε κάθε γύρο, ολόκληρο το ιστορικό ξαναστέλνεται και χρεώνεται εκ νέου. Σχεδιάστε μια πολιτική περικοπής ή περιοδικής σύνοψης από την αρχή, ή η εικοστή ερώτηση θα κοστίζει δέκα φορές περισσότερο από την πρώτη για ποιότητα που δεν έχει βελτιωθεί δεκαπλάσια.

class SkillAvecEtat:
    def __init__(self, skill: Skill):
        self.skill = skill
        self.client = OpenAI()
        self.historique = []
        self.contexte_accumule = ""

    def appeler(self, requete: str, fichiers: list = None) -> str:
        # Δημιουργία prompt με ιστορικό
        instructions = self.skill.instructions
        if self.contexte_accumule:
            instructions += f"\n\nContext from previous interactions:\n{self.contexte_accumule}"

        content = [{"type": "input_text", "text": requete}]
        if fichiers:
            for fid in fichiers:
                content.append({"type": "input_file", "file_id": fid})

        response = self.client.responses.create(
            model="gpt-5.6-terra",
            instructions=instructions,
            input=[{"role": "user", "content": content}],
            tools=self.skill.tools
        )

        resultat = response.output_text
        self.historique.append({"requête": requete, "reponse": resultat})
        self.contexte_accumule += f"\n- {requete} -> {resultat[:200]}..."

        return resultat

# Χρήση: τεχνική υποστήριξη με παρακολούθηση συνομιλίας
session = SkillAvecEtat(skill_support_technique)
r1 = session.appeler("My application crashes at startup")
r2 = session.appeler("I have version 3.2.1 on Ubuntu 24.04")
r3 = session.appeler("The log shows a database connection error")

Μητρώο Δεξιοτήτων

Κεντροποιήστε τη διαχείριση των δεξιοτήτων σας:

class RegistreSkills:
    def __init__(self):
        self.skills = {}

    def enregistrer(self, skill: Skill):
        self.skills[skill.nom] = skill

    def obtenir(self, nom: str) -> Skill:
        if nom not in self.skills:
            raise KeyError(f"Skill '{nom}' not found. "
                          f"Available: {list(self.skills.keys())}")
        return self.skills[nom]

    def lister(self) -> list[str]:
        return list(self.skills.keys())

# Καθολικό μητρώο
registre = RegistreSkills()
registre.enregistrer(skill_analyse_financiere_obj)
registre.enregistrer(skill_redaction_contrat)
registre.enregistrer(skill_support_technique)

# Χρήση
skill = registre.obtenir("support-technique")
resultat = skill.executer(client, "My printer isn't working")

Βασικά σημεία

  • Μια Δεξιότητα ενσωματώνει οδηγίες, εργαλεία και πλαίσιο σε ένα επαναχρησιμοποιήσιμο πακέτο
  • Συνθέστε δεξιότητες για ροές εργασίας πολλαπλών βημάτων
  • Χρησιμοποιήστε κατάσταση για δεξιότητες συνομιλίας
  • Κεντροποιήστε τις δεξιότητές σας σε ένα μητρώο για να απλοποιήσετε την ανακάλυψη
  • Τα παραδείγματα στις οδηγίες βελτιώνουν την ακρίβεια του μοντέλου