Πολυεργαλειοποιημένη Ροή Εργασίας (Multi-Tool Pipeline)
Σε αυτήν τη σελίδα
Ορχήστρωση εργαλείων σε ακολουθία
Ο πράκτορας καιρού του προηγούμενου μαθήματος χρησιμοποιούσε ανεξάρτητα εργαλεία. Σε μια πολυεργαλειοποιημένη ροή εργασίας (pipeline), τα αποτελέσματα από ένα εργαλείο τροφοδοτούν την επόμενη κλήση. Το μοντέλο ορχηστρώνει αυτόματα την ακολουθία· ο δικός σας ρόλος είναι να παρέχετε τα εργαλεία και να εκτελείτε τις κλήσεις.
Αρχιτεκτονική ροής εργασίας
Μια τυπική ροή εργασίας ακολουθεί αυτό το σχήμα:
Search → Analysis → Action → Notification
Κάθε βήμα παράγει δεδομένα που καταναλώνονται από το επόμενο. Το μοντέλο διαχειρίζεται αυτή την ορχήστρωση φυσικά χάρη στο πλαίσιο της συνομιλίας.
Παράδειγμα: Ροή εργασίας ανταγωνιστικής νοημοσύνης
Φανταστείτε μια ροή εργασίας που παρακολουθεί τις τιμές των ανταγωνιστών και δημιουργεί μια αναφορά:
tools = [
{
"type": "function",
"function": {
"name": "scrape_competitor_prices",
"description": "Retrieve current prices from a competitor "
"for a list of products. Returns an array "
"of {product, price, availability}.",
"parameters": {
"type": "object",
"properties": {
"competitor": {
"type": "string",
"description": "Competitor name"
},
"products": {
"type": "array",
"items": {"type": "string"},
"description": "List of products to check"
}
},
"required": ["competitor", "products"]
}
}
},
{
"type": "function",
"function": {
"name": "compare_with_our_prices",
"description": "Compare competitor prices with our prices. "
"Returns percentage gaps and adjustment "
"recommendations.",
"parameters": {
"type": "object",
"properties": {
"competitor_prices": {
"type": "array",
"items": {
"type": "object",
"properties": {
"product": {"type": "string"},
"price": {"type": "number"}
}
}
}
},
"required": ["competitor_prices"]
}
}
},
{
"type": "function",
"function": {
"name": "generate_report",
"description": "Generate a PDF report with the benchmark "
"analysis results. Returns the report URL.",
"parameters": {
"type": "object",
"properties": {
"title": {"type": "string"},
"data": {"type": "object"},
"format": {
"type": "string",
"enum": ["pdf", "csv", "json"]
}
},
"required": ["title", "data"]
}
}
},
{
"type": "function",
"function": {
"name": "send_notification",
"description": "Send an email or Slack notification "
"with a summary and a link to the report.",
"parameters": {
"type": "object",
"properties": {
"channel": {
"type": "string",
"enum": ["email", "slack"]
},
"recipient": {"type": "string"},
"message": {"type": "string"},
"attachment_url": {"type": "string"}
},
"required": ["channel", "recipient", "message"]
}
}
}
]
Εκτέλεση ροής εργασίας
Όταν ο χρήστης ζητάει «Ανάλυσε τις τιμές του CompetitorX για τα 5 κορυφαία προϊόντα μας και στείλε την αναφορά στην ομάδα πωλήσεων», το μοντέλο ορχηστρώνει:
Turn 1 : scrape_competitor_prices(competitor="CompetitorX", products=[...])
Turn 2 : compare_with_our_prices(competitor_prices=[results from turn 1])
Turn 3 : generate_report(title="CompetitorX Price Monitoring", data={...})
Turn 4 : send_notification(channel="slack", recipient="#sales", ...)
Κάθε γύρος χρησιμοποιεί τα αποτελέσματα του προηγούμενου. Το μοντέλο περνά φυσικά τα δεδομένα από το ένα εργαλείο στο επόμενο.
Συνδυασμός εργαλείων διακομιστή και πελάτη σε μια ροή εργασίας
Οι πιο ισχυρές ροές εργασίας συνδυάζουν εργαλεία διακομιστή και πελάτη:
tools = [
{"type": "web_search"}, # Server: web search
{
"type": "function",
"function": {
"name": "extract_data",
"description": "Extract structured data from raw text",
"parameters": { ... }
}
},
{
"type": "function",
"function": {
"name": "save_to_crm",
"description": "Save extracted data to the CRM",
"parameters": { ... }
}
}
]
Ροή: Το μοντέλο εκτελεί αναζήτηση στον ιστό (αυτόματα στην πλευρά του διακομιστή), στη συνέχεια καλεί τη συνάρτηση εξαγωγής δεδομένων (πλευρά πελάτη) και τέλος αποθηκεύει τα δεδομένα στο CRM (πλευρά πελάτη).
Πρότυπο: Fan-out / Fan-in
Ορισμένες ροές εργασίας απαιτούν ένα πρότυπο fan-out (πολλαπλές παράλληλες κλήσεις) ακολουθούμενο από ένα fan-in (συσσώρευση αποτελεσμάτων):
┌→ scrape_site_A ─┐
Request ─┤→ scrape_site_B ─┤→ aggregate_results → generate_report
└→ scrape_site_C ─┘
Το μοντέλο διαχειρίζεται αυτό φυσικά με παράλληλες κλήσεις:
Turn 1 : [scrape_site_A, scrape_site_B, scrape_site_C] (parallel)
Turn 2 : aggregate_results(data=[result_A, result_B, result_C])
Turn 3 : generate_report(aggregated_data={...})
Διαχείριση σφαλμάτων σε μια ροή εργασίας
Μια αξιόπιστη ροή εργασίας διαχειρίζεται τις αστοχίες σε κάθε βήμα:
def execute_with_retry(name, args, max_retries=2):
for attempt in range(max_retries + 1):
try:
result = execute_function(name, args)
if "error" not in result:
return result
except Exception:
pass
if attempt < max_retries:
time.sleep(1) # Wait before retry
return {
"error": f"Failed after {max_retries + 1} attempts",
"function": name,
"partial_data": None
}
Όταν ένα βήμα αποτύχει, το μοντέλο μπορεί να:
- Προσπαθήσει ξανά με προσαρμοσμένες παραμέτρους
- Παραλείψει το βήμα και να συνεχίσει με μερικά δεδομένα
- Ενημερώσει τον χρήστη και να ζητήσει οδηγίες
Βασικά σημεία
- Μια πολυεργαλειοποιημένη ροή εργασίας αλυσιδώνει τα αποτελέσματα από το ένα εργαλείο στο επόμενο
- Το μοντέλο ορχηστρώνει αυτόματα την ακολουθία χάρη στο πλαίσιο
- Το πρότυπο fan-out/fan-in συνδυάζει παράλληλες κλήσεις και συσσωμάτωση
- Συνδυάστε εργαλεία διακομιστή (web_search) και εργαλεία πελάτη (τις συναρτήσεις σας) για υβριδικές ροές εργασίας
- Διαχειριστείτε τις αστοχίες σε κάθε βήμα με επαναλήψεις και εναλλακτικές λύσεις
- Κάθε εργαλείο στη ροή εργασίας πρέπει να έχει μια σαφή, ενιαία ευθύνη