Αρχιτεκτονική πρακτόρων: ο βρόχος συλλογισμού-εργαλείου
Σε αυτήν τη σελίδα
Ενημερώθηκε στις 3 Νοεμβρίου 2026: Στη συνάρτηση
rechercher_produit, έλειπαν τα εισαγωγικά στα κλειδιάprixκαιstock, προκαλώντας σφάλμαNameErrorκατά την πρώτη κλήση εργαλείου.
Αρχιτεκτονική πρακτόρων: ο βρόχος συλλογισμού-εργαλείου
Για να δημιουργήσετε αποτελεσματικούς πράκτορες, πρέπει να κατανοήσετε την εσωτερική τους αρχιτεκτονική. Ένας πράκτορας OpenAI λειτουργεί βάσει ενός βρόχου συλλογισμού: λαμβάνει μια εργασία, σκέφτεται, χρησιμοποιεί ένα εργαλείο, παρατηρεί το αποτέλεσμα και στη συνέχεια αποφασίζει αν έχει ολοκληρώσει την αποστολή ή αν πρέπει να συνεχίσει. Ό,τι κάνετε στη συνέχεια—δήλωση εργαλείων, ορισμός δικλείδων ασφαλείας, orchestration πολλαπλών πρακτόρων—βασίζεται σε αυτόν τον βρόχο.
Ο κύκλος ζωής του πράκτορα
Κάθε εκτέλεση ακολουθεί έξι βήματα:
- Λήψη: Ο πράκτορας λαμβάνει το μήνυμα του χρήστη και τις οδηγίες συστήματος
- Συλλογισμός: Το μοντέλο αναλύει το αίτημα και αποφασίζει την επόμενη ενέργεια
- Κλήση εργαλείου: Εάν χρειάζεται, ο πράκτορας καλεί ένα ή περισσότερα εργαλεία
- Παρατήρηση: Ο πράκτορας λαμβάνει τα αποτελέσματα των εργαλείων
- Απόφαση: Ο πράκτορας αποφασίζει αν θα συνεχίσει (επιστροφή στο βήμα 2) ή αν θα απαντήσει
- Απάντηση: Ο πράκτορας παράγει την τελική του απάντηση
Το κλειδί είναι ο βρόχος μεταξύ των βημάτων 2 και 5, ο οποίος μπορεί να εκτελεστεί πολλές φορές. Ένας πράκτορας μπορεί να αλυσοδετήσει 5, 10 ή ακόμη και 20 κλήσεις εργαλείων πριν παράγει μια τελική απάντηση, χωρίς εσείς να γράψετε ούτε μία γραμμή κώδικα orchestration. Το παρακάτω παράδειγμα το δείχνει αυτό: δηλώνονται δύο ανεξάρτητα εργαλεία και το μοντέλο αποφασίζει πώς θα τα αλυσοδετήσει.
from agents import Agent, Runner, function_tool
@function_tool
def rechercher_produit(nom: str) -> str:
"""Searches for a product in the catalog."""
# Simulation - in production, call your database
catalogue = {
"laptop-pro": {"prix": 1299, "stock": 45},
"tablet-air": {"prix": 599, "stock": 120},
}
produit = catalogue.get(nom)
if produit:
return f"Produit {nom}: {produit['prix']}€, stock: {produit['stock']}"
return f"Produit {nom} non trouvé"
@function_tool
def calculer_remise(prix: float, pourcentage: float) -> str:
"""Calculates the price after discount."""
prix_final = prix * (1 - pourcentage / 100)
return f"Prix après {pourcentage}% de remise : {prix_final:.2f}€"
agent = Agent(
name="Sales Agent",
instructions="You help customers find products and calculate discounts.",
tools=[rechercher_produit, calculer_remise],
model="gpt-5.6-terra",
)
# The agent will: 1) find the product, 2) calculate the discount, 3) respond
result = Runner.run_sync(
agent,
"What is the price of the laptop-pro with a 15% discount?"
)
print(result.final_output)
Η ερώτηση απαιτεί δύο λειτουργίες που δεν συνδέονται ρητά στον κώδικα. Ο πράκτορας πραγματοποιεί αυτόματα δύο κλήσεις εργαλείου διαδοχικά: πρώτα το rechercher_produit και στη συνέχεια το calculer_remise με την τιμή που ανακτήθηκε. Αυτή η αλυσιδωτή εκτέλεση είναι απόφαση του μοντέλου, όχι δική σας οδηγία.
Εσωτερική δομή: στοιχεία και μηνύματα
Το API Responses δομεί κάθε αλληλεπίδραση ως στοιχεία (items). Η ανάγνωσή τους σας δείχνει τι έκανε πραγματικά ο πράκτοράς σας. Τρεις τύποι εμφανίζονται στη συνομιλία:
message: ένα μήνυμα κειμένου (από τον χρήστη ή τον πράκτορα)function_call: μια κλήση εργαλείου που αποφασίστηκε από τον πράκτοραfunction_call_output: το αποτέλεσμα που επιστρέφεται από το εργαλείο
result = Runner.run_sync(agent, "Find the tablet-air")
# Inspect the reasoning steps
for item in result.raw_responses:
print(f"Type: {type(item).__name__}")
# You'll see: message input → function_call → function_call_output → message output
Κάντε συνήθεια να ιχνηλατείτε αυτόν τον βρόχο κάθε φορά που ένας πράκτορας παράγει μια απροσδόκητη απάντηση. Εννέα φορές στις δέκα, η ανωμαλία εμφανίζεται σε μια κλήση function_call με απροσδόκητα ορίσματα.
Παράλληλες έναντι διαδοχικών κλήσεων
Δεν εξαρτώνται όλα τα βήματα το ένα από το άλλο. Όταν δύο κλήσεις είναι ανεξάρτητες, ο πράκτορας μπορεί να αποφασίσει να τις εκτελέσει παράλληλα.
@function_tool
def obtenir_meteo(ville: str) -> str:
"""Gets the current weather for a city."""
meteos = {"Paris": "18°C, sunny", "Lyon": "16°C, cloudy"}
return meteos.get(ville, "Data unavailable")
agent = Agent(
name="Travel Agent",
instructions="You help plan trips.",
tools=[obtenir_meteo, rechercher_produit],
model="gpt-5.6-terra",
)
# The agent will call obtenir_meteo("Paris") and obtenir_meteo("Lyon") in parallel
result = Runner.run_sync(
agent,
"What's the weather in Paris and Lyon?"
)
Ο καιρός στη Λυών δεν εξαρτάται από τον καιρό στο Παρίσι: το SDK χειρίζεται αυτόματα τον παραλληλισμό και εκκινεί και τις δύο κλήσεις ταυτόχρονα, μειώνοντας τον χρόνο απόκρισης (latency). Συγκρίνετε αυτό με το προηγούμενο παράδειγμα πωλήσεων, όπου ο υπολογισμός της έκπτωσης έπρεπε να περιμένει την τιμή: εκεί, η ακολουθία επιβάλλεται από μόνη της.
Η παράμετρος max_turns
Ένας αυτόνομος βρόχος μπορεί, στη χειρότερη περίπτωση, να μην σταματά ποτέ: ο πράκτορας καλεί ένα εργαλείο, το αποτέλεσμα τον ωθεί να καλέσει ένα άλλο, και ούτω καθεξής. Η δικλείδα ασφαλείας είναι μια μοναδική παράμετρος.
result = Runner.run_sync(
agent,
"Full catalog analysis",
max_turns=10 # Maximum 10 loop iterations
)
Εάν ο πράκτορας φτάσει στο όριο, σταματά με τα αποτελέσματα που έχουν ληφθεί έως εκείνη τη στιγμή. Στην παραγωγή, αυτό αποτελεί ουσιαστική ασφάλεια: θέτει ανώτατο όριο τόσο στον χρόνο απόκρισης όσο και στο κόστος.
Βασικά σημεία
- Ένας πράκτορας εκτελείται σε βρόχο: συλλογισμός → εργαλείο → παρατήρηση → απόφαση
- Αυτός ο βρόχος μπορεί να εκτελεστεί πολλές φορές πριν παραχθεί μια απάντηση
- Το μοντέλο αποφασίζει αυτόματα ποια εργαλεία θα καλέσει και με ποια σειρά
- Οι ανεξάρτητες κλήσεις εργαλείων εκτελούνται παράλληλα
- Το
max_turnsπεριορίζει τον αριθμό των επαναλήψεων για λόγους ασφαλείας