Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Πράκτορας πολλαπλών βημάτων με βρόχο συλλογισμού

Μάθημα 15 / 25 Ενημερώθηκε 29 Ιουλίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Πράκτορας πολλαπλών βημάτων με βρόχο συλλογισμού
  2. Το πρότυπο σχεδιασμού-εκτέλεσης (Plan-Execute)
  3. Πράκτορας αυτοδιόρθωσης
  4. Πρότυπο: Αλυσίδα εξειδικευμένων πρακτόρων
  5. Έλεγχος του βάθους συλλογισμού
  6. Βασικά σημεία

Πράκτορας πολλαπλών βημάτων με βρόχο συλλογισμού

Οι πιο ισχυροί πράκτορες δεν σταματούν μετά από μια μόνο κλήση εργαλείου. Συνδέουν πολλαπλά βήματα συλλογισμού, προσαρμόζουν τη στρατηγική τους με βάση τα αποτελέσματα και επαναλαμβάνουν τη διαδικασία έως ότου επιτύχουν τον στόχο τους. Σε αυτό το μάθημα, θα μάθετε πώς να δημιουργείτε αυτούς τους πράκτορες πολλαπλών βημάτων. Τα παραδείγματα χρησιμοποιούν την οικογένεια GPT-5.6: εκεί όπου η προηγούμενη γενιά απαιτούσε εναλλαγή μοντέλων για την ενεργοποίηση του συλλογισμού, πλέον ελέγχετε αυτή τη συμπεριφορά μέσω της ρύθμισης effort στο μοντέλο της επιλογής σας.

Το πρότυπο σχεδιασμού-εκτέλεσης (Plan-Execute)

Ένας πράκτορας πολλαπλών βημάτων ξεκινά δημιουργώντας ένα σχέδιο και στη συνέχεια εκτελεί κάθε βήμα. Αυτός ο διαχωρισμός είναι σκόπιμος: ο σχεδιαστής (planner) δεν διαθέτει εργαλεία και παράγει μια δομημένη έξοδο, ενώ ο εκτελεστής (executor) λαμβάνει αυτό το σχέδιο ως οδικό χάρτη και απλώς το ακολουθεί. Ένα αόριστο αίτημα όπως «προετοιμάστε την τριμηνιαία ανασκόπηση για τους βασικούς λογαριασμούς» μετατρέπεται σε μια συγκεκριμένη ακολουθία ενεργειών—ερώτημα στο CRM, δημιουργία αναφοράς, αποστολή email—πριν επιχειρηθεί οποιαδήποτε ενέργεια.

from agents import Agent, Runner, function_tool
from pydantic import BaseModel
import json

class PlanAction(BaseModel):
    steps: list[str]
    objective: str

planner_agent = Agent(
    name="Planner",
    instructions="""Λαμβάνετε μια σύνθετη εργασία. Αναλύστε την σε απλά, διατεταγμένα βήματα.
    Κάθε βήμα πρέπει να είναι ένα συγκεκριμένο, εκτελέσιμο στοιχείο.""",
    model="gpt-5.6-sol",  # Προηγμένος συλλογισμός για τον σχεδιασμό
    output_type=PlanAction,
)

@function_tool
def search_crm(query: str) -> str:
    """Αναζητά πληροφορίες πελατών στο CRM."""
    return json.dumps({"customers": [
        {"name": "Acme Corp", "revenue": 500000, "contract": "Enterprise"},
        {"name": "TechStart", "revenue": 50000, "contract": "Starter"},
    ]})

@function_tool
def generate_report(title: str, content: str) -> str:
    """Δημιουργεί μια μορφοποιημένη αναφορά."""
    return f"Η αναφορά '{title}' δημιουργήθηκε με επιτυχία ({len(content)} χαρακτήρες)"

@function_tool
def send_email(recipient: str, subject: str, body: str) -> str:
    """Αποστέλλει ένα email."""
    return f"Το email εστάλη στο {recipient}: {subject}"

executor_agent = Agent(
    name="Executor",
    instructions="""Εκτελείτε εργασίες βήμα προς βήμα.
    Χρησιμοποιήστε τα διαθέσιμα εργαλεία για την ολοκλήρωση κάθε βήματος.
    Εάν ένα βήμα αποτύχει, δοκιμάστε μια εναλλακτική προσέγγιση.""",
    tools=[search_crm, generate_report, send_email],
    model="gpt-5.6-terra",
)

async def process_complex_task(task: str):
    # Βήμα 1: Σχεδιασμός
    plan = await Runner.run(planner_agent, task)
    print(f"Σχέδιο: {plan.final_output.steps}")

    # Βήμα 2: Εκτέλεση με το σχέδιο ως πλαίσιο
    execution_instructions = f"""Εκτελέστε τα ακόλουθα βήματα με τη σειρά:
    {chr(10).join(f'{i+1}. {e}' for i, e in enumerate(plan.final_output.steps))}
    Στόχος: {plan.final_output.objective}"""

    result = await Runner.run(executor_agent, execution_instructions)
    return result.final_output

Πράκτορας αυτοδιόρθωσης

Ο σχεδιασμός δεν αρκεί: στον πραγματικό κόσμο, τα εργαλεία αποτυγχάνουν. Η δεύτερη μορφή βρόχου επιτρέπει στον πράκτορα να εντοπίζει τα δικά του σφάλματα και να τα διορθώνει. Όλα εξαρτώνται από μια λεπτομέρεια που συχνά παραβλέπεται: το εργαλείο δεν προκαλεί εξαίρεση (exception), αλλά επιστρέφει ένα αναγνώσιμο μήνυμα σφάλματος. Ο πράκτορας το διαβάζει, συνειδητοποιεί ότι ξέχασε τη ρήτρα FROM, ξαναγράφει το ερώτημά του και δοκιμάζει ξανά, εντός του ορίου των τριών προσπαθειών που ορίζεται στις οδηγίες του.

from agents import Agent, Runner, function_tool

@function_tool
def execute_sql_query(sql: str) -> str:
    """Εκτελεί ένα ερώτημα SQL στη βάση δεδομένων."""
    # Προσομοίωση: ορισμένα ερωτήματα αποτυγχάνουν
    if "DROP" in sql.upper():
        return "ΣΦΑΛΜΑ: Τα καταστρεπτικά ερωτήματα απαγορεύονται."
    if "SELECT" in sql.upper() and "FROM" not in sql.upper():
        return "ΣΦΑΛΜΑ: Μη έγκυρη σύνταξη SQL - λείπει το FROM."
    return json.dumps({
        "columns": ["name", "monthly_revenue", "region"],
        "rows": [
            ["Acme Corp", 45000, "Île-de-France"],
            ["TechStart", 12000, "Rhône-Alpes"],
        ],
        "result_count": 2
    })

analyst_agent = Agent(
    name="Data Analyst",
    instructions="""Αναλύετε δεδομένα εκτελώντας ερωτήματα SQL.
    Εάν ένα ερώτημα αποτύχει:
    1. Αναλύστε το μήνυμα σφάλματος
    2. Διορθώστε το ερώτημα
    3. Δοκιμάστε ξανά
    Μέγιστο 3 προσπάθειες ανά ερώτημα.
    Μην χρησιμοποιείτε ποτέ DROP, DELETE ή TRUNCATE.""",
    tools=[execute_sql_query],
    model="gpt-5.6-terra",
    max_turns=10,  # Αρκετοί γύροι για διορθώσεις
)

result = Runner.run_sync(
    analyst_agent,
    "Ποιο είναι το συνολικό έσοδο ανά περιοχή;"
)

Παρατηρήστε ότι η απαγόρευση των καταστρεπτικών ερωτημάτων εμφανίζεται σε δύο σημεία: στις οδηγίες και στον κώδικα του εργαλείου. Οι οδηγίες καθοδηγούν το μοντέλο, αλλά μόνο ο έλεγχος στην πλευρά του διακομιστή (server-side) μέσα στο εργαλείο εγγυάται ότι ένα DROP TABLE δεν θα περάσει ποτέ.

Πρότυπο: Αλυσίδα εξειδικευμένων πρακτόρων

Για σύνθετες ροές εργασίας, συνδέστε several εξειδικευμένους πράκτορες αντί να φορτώνετε έναν μόνο πράκτορα με κάθε ευθύνη. Κάθε κρίκος έχει έναν σαφή ρόλο: ο συλλέκτης συγκεντρώνει τις πρώτες ύλες, ο αναλυτής—εφοδιασμένος με ένα μοντέλο συλλογισμού—εντοπίζει τάσεις και ο συγγραφέας διαμορφώνει την έξοδο. Το όφελος είναι τόσο εκπαιδευτικό όσο και λειτουργικό: όταν η τελική αναφορά απογοητεύει, γνωρίζετε αμέσως ποιον από τους τρεις πράκτορες πρέπει να διορθώσετε.

from agents import Agent, Runner

collection_agent = Agent(
    name="Data Collector",
    instructions="Συλλέξτε όλα τα δεδομένα που είναι απαραίτητα για την ανάλυση.",
    tools=[search_crm, execute_sql_query],
    model="gpt-5.6-terra",
)

analysis_agent = Agent(
    name="Analyst",
    instructions="Αναλύστε τα συλλεχθέντα δεδομένα και εντοπίστε τάσεις.",
    model="gpt-5.6-sol",  # Προηγμένος συλλογισμός για την ανάλυση
)

writing_agent = Agent(
    name="Writer",
    instructions="""Γράψτε μια σαφή, δομημένη αναφορά στα Αγγλικά
    με βάση την παρεχόμενη ανάλυση. Μορφή: εισαγωγή, βασικά σημεία, συστάσεις.""",
    model="gpt-5.6-terra",
)

async def analysis_pipeline(question: str):
    # Βήμα 1: Συλλογή δεδομένων
    data = await Runner.run(collection_agent, question)

    # Βήμα 2: Ανάλυση
    analysis = await Runner.run(
        analysis_agent,
        f"Αναλύστε αυτά τα δεδομένα: {data.final_output}"
    )

    # Βήμα 3: Συγγραφή της αναφοράς
    report = await Runner.run(
        writing_agent,
        f"Γράψτε μια αναφορά με βάση αυτή την ανάλυση: {analysis.final_output}"
    )

    return report.final_output

Έλεγχος του βάθους συλλογισμού

Όλοι αυτοί οι βρόχοι έχουν ένα κοινό χαρακτηριστικό: μπορεί να μην σταματούν ποτέ. Η παράμετρος max_turns είναι η κύρια ασφάλειά σας και τη ρυθμίζετε με βάση τη φιλοδοξία της εργασίας. Τρεις γύροι αρκούν για έναν πράκτορα που αναμένεται να απαντήσει με την πρώτη προσπάθεια, ενώ είκοσι πέντε χρειάζονται για μια εξερεύνηση που ερωτά πολλαπλές πηγές πριν καταλήξει σε συμπέρασμα.

# Συντηρητικός πράκτορας: λίγοι γύροι
simple_agent = Agent(
    name="Simple Agent",
    instructions="Απαντήστε σε έναν μόνο γύρο εάν είναι δυνατόν.",
    model="gpt-5.6-terra",
)
result = await Runner.run(simple_agent, "Απλή ερώτηση", max_turns=3)

# Σύνθετος πράκτορας: πολλοί γύροι
research_agent = Agent(
    name="Deep Researcher",
    instructions="Εξερευνήστε όλες τις πτυχές πριν καταλήξετε σε συμπέρασμα.",
    tools=[search_crm, execute_sql_query],
    model="gpt-5.6-terra",
)
result = await Runner.run(research_agent, "Πλήρης ανάλυση Α' τριμήνου", max_turns=25)

Ορίστε αυτή την τιμή παρατηρώντας τα ίχνη εκτέλεσης (traces) σας αντί να μαντεύετε: εάν οι πραγματικές εκτελέσεις σας ολοκληρώνονται σε έξι γύρους, ένα όριο είκοσι πέντε δεν προστατεύει από τίποτα.

Βασικά σημεία

  • Το πρότυπο σχεδιασμού-εκτέλεσης διαχωρίζει τον σχεδιασμό (μοντέλο συλλογισμού) από την εκτέλεση
  • Ένας πράκτορας αυτοδιόρθωσης αναλύει τα σφάλματά του και προσαρμόζει τη στρατηγική του
  • Οι αλυσίδες εξειδικευμένων πρακτόρων επιτρέπουν σύνθετες, συντηρήσιμες ροές εργασίας
  • Το max_turns ελέγχει το βάθος του συλλογισμού και προστατεύει από ατέρμονους βρόχους
  • Διατηρήστε τις προηγμένες δυνατότητες συλλογισμού για τον σχεδιασμό και την ανάλυση