Arhitektuur agentidele: tööriista ja arutluse tsükkel
Sellel lehel
Uuendatud 3. novembril 2026: Funktsioonis
rechercher_produitpuudusid võtmetelprixjastockjutumärgid, mis põhjustas esimesel tööriista väljakutsel veaNameError.
Arhitektuur agentidele: tööriista ja arutluse tsükkel
Tõhusate agentide loomiseks pead mõistma nende sisemist arhitektuuri. OpenAI agent töötab arutluse tsükli põhimõttel: see saab ülesande, mõtleb, kasutab tööriista, vaatleb tulemust ja otsustab seejärel, kas töö on tehtud või tuleb jätkata. Kõik, mida edasi teed – tööriistade deklareerimine, kaitsepiirangute seadmine, mitme agendi orkestreerimine – põhineb sellel tsüklil.
Agendi elutsükkel
Iga täitmine läbib kuus sammu:
- Vastuvõtt: Agent saab kasutaja sõnumi ja süsteemi juhised.
- Arutlus: Mudel analüüsib taotlust ja otsustab järgmise tegevuse üle.
- Tööriista väljakutse: Vajadusel kutsub agent ühe või mitu tööriista.
- Vaatlus: Agent saab tööriista tulemused.
- Otsus: Agent otsustab, kas jätkata (tagasi 2. sammule) või vastata.
- Vastus: Agent genereerib oma lõpliku vastuse.
Võtmetähtsusega on tsükkel sammude 2 ja 5 vahel, mis võib korduda mitu korda. Agent võib enne lõpliku vastuse andmist aheldada 5, 10 või isegi 20 tööriista väljakutset, ilma et sa peaksid kirjutama ühtegi orkestreerimiskoodi rida. Allpool olev näide illustreerib seda: deklareeritud on kaks sõltumatut tööriista ja mudel otsustab ise, kuidas neid aheldada.
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)
Küsimus nõuab kahte toimingut, mida koodis otseselt ei seota. Agent teeb automaatselt kaks järjestikust tööriista väljakutset: esmalt rechercher_produit ja seejärel calculer_remise, kasutades hangitud hinda. See aheldamine on mudeli otsus, mitte sinu juhend.
Sisemine struktuur: üksused ja sõnumid
Responses API struktureerib iga interaktsiooni üksustena (items). Neid lugedes näed, mida sinu agent tegelikult tegi. Vestluses ilmneb kolme tüüpi üksusi:
message: tekstisõnum (kasutajalt või agendilt)function_call: agendi poolt otsustatud tööriista väljakutsefunction_call_output: tööriista tagastatud tulemus
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
Harjumuseks peaks saama selle tsükli jälgimine iga kord, kui agent annab üllatava vastuse. Üheksal juhul kümnest ilmneb anomaalia ootamatute argumentidega function_call-is.
Paralleelsed vs järjestikused väljakutsed
Kõik sammud ei sõltu üksteisest. Kui kaks väljakutset on sõltumatud, võib agent otsustada need käivitada paralleelselt.
@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?"
)
Lyoni ilm ei sõltu Pariisi omast: SDK haldab paralleelsust automaatselt ja käivitab mõlemad väljakutsed samaaegselt, vähendades latentsust. Võrdle seda eelpool toodud müüginäitega, kus allahindluse arvutamine pidi ootama hinda: seal kehtestub jada iseenesest.
Parameeter max_turns
Autonoomne tsükkel võib halvimal juhul kunagi mitte peatuda: agent kutsub tööriista, tulemus sunnib teda kutsuma teist ja nii edasi. Kaitseks on olemas üksainus parameeter.
result = Runner.run_sync(
agent,
"Full catalog analysis",
max_turns=10 # Maximum 10 loop iterations
)
Kui agent jõuab piiranguni, peatub ta seniste tulemustega. Tootmiskeskkonnas on see hädavajalik ohutusmeede: see piirab nii vastamisaega kui ka kulusid.
Peamised punktid
- Agent töötab tsüklis: arutlus → tööriist → vaatlus → otsus
- See tsükkel võib enne vastuse genereerimist korduda mitu korda
- Mudel otsustab automaatselt, milliseid tööriistu kutsuda ja millises järjekorras
- Sõltumatud tööriista väljakutsed käivituvad paralleelselt
max_turnspiirab iteratsioonide arvu ohutuse huvides