Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Συνδυασμός εργαλείων σε μία κλήση

Μάθημα 19 / 20 Ενημερώθηκε 2 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Συνδυασμός εργαλείων σε μία κλήση
  2. Αρχή του συνδυασμού
  3. Πλήρες παράδειγμα: αναλυτικός βοηθός
  4. Διαχείριση του βρόχου πολλαπλών εργαλείων
  5. Στρατηγικές ενορχήστρωσης
  6. Πρότυπο: πράκτορας πολλαπλών δεξιοτήτων
  7. Βασικά σημεία

Ενημερώθηκε στις 2 Νοεμβρίου 2026 βάσει της τεκμηρίωσης της OpenAI: το εργαλείο Code Interpreter απαιτεί πλέον την παράμετρο container (προστέθηκε σε όλα τα παραδείγματα), τα μέρη εισόδου κειμένου χρησιμοποιούν τον τύπο 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. Τα αρχεία που επισυνάπτονται σε ένα μήνυμα μεταφορτώνονται με τον σκοπό user_data, τον οποίο η OpenAI συνιστά για εισόδους μοντέλου (File inputs). Πηγές: Code Interpreter · Web search.

Συνδυασμός εργαλείων σε μία κλήση

Μέχρι τώρα, εξετάσαμε κάθε εργαλείο μεμονωμένα. Στην παραγωγή, οι ενδιαφέρουσες ερωτήσεις σπάνια έχουν αυτή τη μορφή. Το ερώτημα «πώς συγκρίνονται οι πωλήσεις μας με την αγορά;» απαιτεί την ανάκτηση ενός εσωτερικού στοιχείου, ενός εξωτερικού στοιχείου και στη συνέχεια τη σύγκρισή τους. Τρία εργαλεία, τρεις πηγές, μία κλήση.

Αυτό που αλλάζει είναι το ποιος αποφασίζει τη σειρά. Εσείς δεν προγραμματίζετε την ακολουθία: δηλώνετε τα διαθέσιμα εργαλεία και περιγράφετε το αναμενόμενο αποτέλεσμα, και το μοντέλο καθορίζει το δικό του σχέδιο. Αυτό είναι βολικό, αλλά αποτελεί επίσης το σημείο που χρειάζεται προσοχή—ένα υπονοούμενο σχέδιο είναι ένα σχέδιο που δεν μπορείτε να ελέγξετε. Το τελευταίο μέρος αυτού του μαθήματος δείχνει πώς να ανακτήσετε τον έλεγχο όταν η σειρά έχει πραγματική σημασία.

Αρχή του συνδυασμού

Όλα τα εργαλεία δηλώνονται στον ίδιο πίνακα tools, και αυτός είναι ολόκληρος ο μηχανισμός: δεν υπάρχει API σύνθεσης, μόνο μια λίστα διαθέσιμων δυνατοτήτων. Το μοντέλο διαβάζει το αίτημά σας, συνάγει τα απαραίτητα βήματα και καλεί ό,τι χρειάζεται, με τη σειρά που κρίνει χρήσιμη. Ένα εργαλείο που δηλώνεται αλλά δεν είναι απαραίτητο για την εργασία απλά δεν θα κληθεί—δεν κοστίζει τίποτα πέρα από τα λίγα tokens στην περιγραφή του.

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.6-terra",
    input="Compare our sales forecasts with market trends, "
          "then create a comparison chart.",
    tools=[
        {"type": "file_search", "vector_store_ids": ["vs_previsions"]},
        {"type": "web_search"},
        {"type": "code_interpreter", "container": {"type": "auto"}}
    ]
)

Το μοντέλο θα:

  1. Ανακτήσει τις εσωτερικές προβλέψεις μέσω File Search
  2. Ανακτήσει τις τάσεις της αγοράς μέσω Web Search
  3. Δημιουργήσει ένα διάγραμμα σύγκρισης μέσω Code Interpreter

Πλήρες παράδειγμα: αναλυτικός βοηθός

with open("donnees_ventes.csv", "rb") as f:
    fichier = client.files.create(file=f, purpose="user_data")

tools = [
    # Αναζήτηση εσωτερικών εγγράφων
    {
        "type": "file_search",
        "vector_store_ids": ["vs_rapports", "vs_objectifs"],
        "max_num_results": 10
    },
    # Αναζήτηση ιστού για το πλαίσιο της αγοράς
    {
        "type": "web_search",
        "search_context_size": "medium"
    },
    # Εκτέλεση κώδικα για ανάλυση
    {"type": "code_interpreter", "container": {"type": "auto"}},
    # Συνάρτηση για αποθήκευση της αναφοράς
    {
        "type": "function",
        "name": "sauvegarder_rapport",
        "description": "Save an analysis report to the document system",
        "parameters": {
            "type": "object",
            "properties": {
                "titre": {"type": "string"},
                "contenu": {"type": "string"},
                "categorie": {
                    "type": "string",
                    "enum": ["analyse", "prevision", "audit", "comparaison"]
                },
                "tags": {
                    "type": "array",
                    "items": {"type": "string"}
                }
            },
            "required": ["titre", "contenu", "categorie", "tags"],
            "additionalProperties": False
        },
        "strict": True
    }
]

response = client.responses.create(
    model="gpt-5.6-terra",
    input=[{
        "role": "user",
        "content": [
            {"type": "input_text", "text": (
                "Based on this sales file: "
                "1. Analyze trends over the last 12 months "
                "2. Compare with our annual goals (search the docs) "
                "3. Search the web for market trends "
                "4. Generate a comparison chart "
                "5. Write a summary report "
                "6. Save the report"
            )},
            {"type": "input_file", "file_id": fichier.id}
        ]
    }],
    tools=tools,
    instructions=(
        "You are a senior business analyst. "
        "Use all tools at your disposal to produce "
        "a complete, sourced analysis."
    )
)

Διαχείριση του βρόχου πολλαπλών εργαλείων

Εδώ υπάρχει μια ασυμμετρία που πρέπει να έχετε υπόψη, καθώς καθορίζει τη δομή του κώδικά σας. Τα ενσωματωμένα εργαλεία—Web Search, File Search, Code Interpreter—εκτελούνται στην OpenAI: το μοντέλο τα καλεί, λαμβάνει το αποτέλεσμα και συνεχίζει, όλα σε έναν μόνο γύρο επικοινωνίας. Οι προσαρμοσμένες συναρτήσεις σας, ωστόσο, εκτελούνται στη δική σας πλευρά: το μοντέλο μπορεί μόνο να ζητήσει την εκτέλεσή τους, στη συνέχεια παραδίδει τον έλεγχο και περιμένει.

Εξ ου και ο παρακάτω βρόχος. Όσο η απόκριση περιέχει κλήσεις συναρτήσεων, εσείς τις εκτελείτε, επιστρέφετε τα αποτελέσματα και ξεκινάτε ξανά. Ορίστε έναν μέγιστο αριθμό επαναλήψεων: ένα μοντέλο που καλεί επ’ αόριστον το ίδιο εργαλείο επειδή το αποτέλεσμα δεν το ικανοποιεί είναι μια σπάνια αλλά υπαρκτή περίπτωση, και χωρίς ένα μέτρο ασφαλείας θα καταναλώσει τον προϋπολογισμό σας μέχρι εξαντλήσεως.

import json

def boucle_multi_outils(prompt, tools, fichiers=None, max_tours=15):
    """Function calling loop with multi-tool support."""
    content = [{"type": "input_text", "text": prompt}]
    if fichiers:
        for fid in fichiers:
            content.append({"type": "input_file", "file_id": fid})

    messages = [{"role": "user", "content": content}]

    for tour in range(max_tours):
        response = client.responses.create(
            model="gpt-5.6-terra",
            input=messages,
            tools=tools,
            instructions="Use the necessary tools to answer completely."
        )

        # Built-in tools (web_search, file_search, code_interpreter)
        # are executed automatically on the server side.
        # We only handle custom function_call items.
        appels_custom = [
            item for item in response.output
            if item.type == "function_call"
        ]

        if not appels_custom:
            # No custom call: the model is finished
            return {
                "reponse": response.output_text,
                "tours": tour + 1,
                "tokens": response.usage.total_tokens
            }

        # Execute custom functions
        resultats = []
        for appel in appels_custom:
            resultat = dispatcher_fonctions(appel.name, appel.arguments)
            resultats.append({
                "type": "function_call_output",
                "call_id": appel.call_id,
                "output": json.dumps(resultat)
            })

        # Prepare the next turn
        messages = response.output + resultats

    return {"reponse": "Turn limit reached", "tours": max_tours}

Στρατηγικές ενορχήστρωσης

Καθοδήγηση της σειράς των εργαλείων

Η αυτόματη ενορχήστρωση λειτουργεί καλά όσο η σειρά δεν έχει σημασία. Σταματά να λειτουργεί όταν ένα βήμα πρέπει να ενημερώνει το επόμενο: η αναζήτηση στα έγγραφά σας πριν από τον ιστό, για παράδειγμα, επειδή το εσωτερικό λεξιλόγιο καθορίζει τη συνάφεια του εξωτερικού ερωτήματος. Η προτροπή συστήματος είναι ο μοχλός—όχι ως τεχνικός περιορισμός, αλλά ως μεθοδολογική οδηγία που το μοντέλο ακολουθεί τόσο καλύτερα όσο είναι δικαιολογημένη.

# Στρατηγική 1: αναζήτηση πρώτα, δράση μετά
instructions_recherche_dabord = (
    "Before any action, first search for the necessary information "
    "in internal documents and on the web. "
    "Do not propose actions until you have gathered all data."
)

# Στρατηγική 2: ανάλυση δεδομένων και μετά εμπλουτισμός
instructions_analyse_dabord = (
    "Start by analyzing the data with Code Interpreter. "
    "Then enrich your conclusions with web searches. "
    "Finally, compare with internal documents."
)

# Στρατηγική 3: διασταυρωμένη επαλήθευση
instructions_verification = (
    "For each important piece of information, verify it in at least two sources: "
    "internal documents AND web search. Report any contradictions."
)

Περιορισμός εργαλείων ανά βήμα

Η αντίθετη προσέγγιση είναι να αφαιρέσετε την επιλογή. Αντί για μία κλήση με το πλήρες σύνολο εργαλείων, διαιρείτε τη ροή εργασίας σε πολλές κλήσεις, καθεμία από τις οποίες δηλώνει μόνο το εργαλείο για το συγκεκριμένο βήμα της. Χάνετε την αυτόματη ενορχήστρωση αλλά κερδίζετε τρία πράγματα που έχουν σημασία στην παραγωγή: εγγυημένη σειρά, προβλέψιμο κόστος και απομονώσιμα σφάλματα. Για μια κρίσιμη ροή, αυτή είναι σχεδόν πάντα η σωστή ανταλλαγή.

# Βήμα 1: συλλογή δεδομένων (χωρίς κώδικα)
response_collecte = client.responses.create(
    model="gpt-5.6-terra",
    input="Gather information on Project Alpha",
    tools=[
        {"type": "file_search", "vector_store_ids": ["vs_projets"]},
        {"type": "web_search"}
    ]
)

# Βήμα 2: ανάλυση με τα συλλεχθέντα δεδομένα
response_analyse = client.responses.create(
    model="gpt-5.6-terra",
    input=f"Analyze this information and generate charts:\n"
          f"{response_collecte.output_text}",
    tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)

Πρότυπο: πράκτορας πολλαπλών δεξιοτήτων

Αυτό το τελευταίο παράδειγμα συνδυάζει και τις δύο προσεγγίσεις: ένας δρομολογητής επιλέγει τη διαμόρφωση των εργαλείων βάσει της φύσης του αιτήματος και στη συνέχεια αφήνει το μοντέλο να κάνει την ενορχήστρωση εντός αυτού του περιορισμένου πεδίου. Είναι ο συμβιβασμός που αντέχει στη χρήση—αρκετή ελευθερία για να απορροφήσει την ποικιλία των αιτημάτων, αρκετή δομή για να διατηρήσει το κόστος και τη συμπεριφορά προβλέψιμα.

class AgentMultiCompetences:
    def __init__(self, vector_stores: list[str], fonctions: list[dict]):
        self.client = OpenAI()
        self.tools = [
            {"type": "file_search", "vector_store_ids": vector_stores},
            {"type": "web_search", "search_context_size": "medium"},
            {"type": "code_interpreter", "container": {"type": "auto"}},
        ] + fonctions

    def traiter(self, requete: str, fichiers: list[str] = None) -> dict:
        return boucle_multi_outils(requete, self.tools, fichiers)

# Δημιουργία στιγμιότυπου του πράκτορα
agent = AgentMultiCompetences(
    vector_stores=["vs_docs", "vs_contrats"],
    fonctions=[
        {
            "type": "function",
            "name": "envoyer_email",
            "description": "Send a notification email",
            "parameters": {
                "type": "object",
                "properties": {
                    "destinataire": {"type": "string"},
                    "sujet": {"type": "string"},
                    "corps": {"type": "string"}
                },
                "required": ["destinataire", "sujet", "corps"],
                "additionalProperties": False
            },
            "strict": True
        },
        {
            "type": "function",
            "name": "creer_tache",
            "description": "Create a task in the project manager",
            "parameters": {
                "type": "object",
                "properties": {
                    "titre": {"type": "string"},
                    "assignee": {"type": "string"},
                    "priorite": {"type": "string", "enum": ["basse", "moyenne", "haute"]},
                    "echeance": {"type": "string"}
                },
                "required": ["titre", "assignee", "priorite"],
                "additionalProperties": False
            },
            "strict": True
        }
    ]
)

# Ο πράκτορας μπορεί πλέον να:
# - Αναζητήσει έγγραφα
# - Αναζητήσει στον ιστό
# - Αναλύσει δεδομένα
# - Στείλει emails
# - Δημιουργήσει εργασίες
resultat = agent.traiter(
    "Analyze Q1 sales, compare with goals, "
    "and create a task for the sales director if we are behind."
)

Βασικά σημεία

  • Όλα τα εργαλεία συνυπάρχουν στον ίδιο πίνακα tools
  • Τα ενσωματωμένα εργαλεία εκτελούνται στην πλευρά του διακομιστή, οι προσαρμοσμένες συναρτήσεις στην πλευρά του πελάτη
  • Το μοντέλο ενορχηστρώνει αυτόματα τη σειρά των κλήσεων
  • Καθοδηγήστε τη στρατηγική ενορχήστρωσης μέσω της προτροπής συστήματος
  • Υλοποιήστε έναν βρόχο για τη διαχείριση κλήσεων προσαρμοσμένων συναρτήσεων