Lähe põhisisu juurde
Eesti— Vali keel
Menüü

Ühenda põhjendamine ja tööriistad

Õppetund 10 / 12 Värskendatud 5. november 2026 Kesktase
Sellel lehel
  1. Liigu edasi kaugeleulatuvate tööriistadega
  2. Põhjendamine kui tööriistade juht
  3. Kolm kombinatsioonimustrit
  4. Tööriistade kontrolli taastamine
  5. Visualiseeringud, mis nõuavad otsustusvõimet
  6. Sinu kord
  7. Peamised punktid

Liigu edasi kaugeleulatuvate tööriistadega

Nüüd tead, kuidas ühendada põhjendamist koodi käivitamise ja veebiotsinguga. Selles õppetükis uurime kaugeleulatuvaid kombinatsioone: tööriistade strateegiline aheldamine, põhjendamise kasutamine nende juhtimiseks ja tõeliselt autonoomsete töövoogude loomine.

Põhjendamine kui tööriistade juht

Erinevus mudeli vahel, mis vastab ilma mõtlemata, ja põhjendava mudeli vahel, mis kasutab tööriistu, on fundamentaalne. Alustades medium jõupingutuse tasemest – mida OpenAI soovitab alati, kui planeerimine on oluline – saab mudel planeerida, milliseid tööriistu ja millises järjekorras kasutada, hinnata iga tööriista tulemusi enne jätkamist, kohandada oma strateegiat, kui tööriist ei tagasta oodatut, ning ühendada väljundid sidusaks järelduseks. Konkreetsemalt öeldes ei käivita see lihtsalt koodi, kui sa seda palud: see mõtleb probleemi läbi, otsustab, et kood on selle lahendamiseks parim viis, kirjutab sobiva koodi, analüüsib tulemust ja otsustab seejärel, kas minna edasi. See nüanss võib tunduda peenena, kuid nelja tööriistaga töövoos muudab see kõike, kus halb algne otsus levib kuni lõpuni.

API poolelt viivad seda loogikat edasi kaks mehhanismi. Funktsioonide kutsumisel soovitab OpenAI tagastada viimase mudelile tehtud kutsega loodud põhjenduse üksused lisaks funktsiooni tulemusele: see hoiab mudeli kursis sellega, mida ta oli planeerinud. Programmaatilise tööriistade kutsumise (Programmatic Tool Calling) korral kirjutab mudel JavaScripti programmi, mida käivitatakse isoleeritud keskkonnas ja mis koordineerib tööriistade kutseid ning filtreerib vahepealseid tulemusi. Lõpuks jaotab Ultra ChatGPT Workis ja Codexis kõige raskemad ülesanded alamagentide vahel, kuigi see tähendab oluliselt suuremat kulu.

Kolm viisi tööriistade aheldamiseks Kolm veergu. Otsi esmalt: alusta veebist, hinda allikaid, seejärel arvuta ja joonista. Sinu andmed esmalt: alusta oma failist, arvuta Pythonis, seejärel võrdle veebiga. Iteratiivne kood: proovi meetodit, hinda tulemust, lülitu varumeetodile. KOMBINATSIOONIMUSTRID Kolm viisi tööriistade aheldamiseks Otsi esmalt Algus Veeb Järgmine Hinda allikaid Lõpp Arvuta ja joonista Sinu andmed esmalt Algus Sinu fail Järgmine Pythoni arvutused Lõpp Võrdle veebiga Iteratiivne kood Algus Esimene meetod Järgmine Hinnatud tulemus Lõpp Varumeetod API-s tagasta põhjenduse üksused koos iga funktsiooni tulemusega.
Põhineb OpenAI API põhjendavate mudelite juhendil ja OpenAI abikeskusel (november 2026).

Kolm kombinatsioonimustrit

Esimene muster – Otsi, seejärel analüüsi, seejärel kodeeri – sobib turuanalüüsideks ja võrdlustestideks, ehk olukordadeks, kus andmed ei ole veel sinu valduses.

“Otsi viie suurima pilveteenuse pakkuja turuosasid Euroopas aastal 2025. Seejärel loo nende andmete põhjal tulpdiagramm ja arvuta turu kontsentratsiooni määr (HHI indeks). Tõlgenda tulemust.”

Mudel aheldab seejärel neli erinevat faasi.

  1. Otsi veebist andmete kogumiseks
  2. Põhjenda allikate usaldusväärsust
  3. Käivita kood diagrammi ja arvutuse jaoks
  4. Põhjenda majanduslikku tõlgendust

Teine faas on see, mida inimesed vihje (prompt) kirjutamisel sageli unustavad, ometi on see see, mis takistab sul HHI indeksi loomist ligikaudsetele arvudele tuginedes.

Teine muster pöörab lähtepunkti ümber: see algab sinu andmetest, et rikastada neid väljastpoolt – Andmed, Kood, Otsing, Süntees.

“Siin on minu müügifail riikide kaupa (CSV). Arvuta kasvumäär riigiti, seejärel otsi iga riigi SKP kasvumäär samal perioodil. Tuvasta riigid, kus meie kasv ületab SKP kasvu (üleolek), ja need, kus on vastupidi.”

Kolmas muster, iteratiivne kood koos põhjendamisega, kasutab ära mudeli võimet kirjutada koodi, analüüsida tulemust, märgata probleemi ja ümber kirjutada – kõik automaatselt. Saad isegi määrata varumeetodi.

“Siin on tehingute andmestik (CSV). Tuvasta statistilised anomaaliad. Kui esimene meetod (z-skoor) ei anna selgeid tulemusi, proovi kvartiilidevahelise vahemiku meetodit. Vali kõige asjakohasem meetod ja selgita, miks.”

Tööriistade kontrolli taastamine

Mudeli otsustada jätmine on mugav, kuid mõnikord tead juba, milline tööriist sobib – ja selle ütlemine on tõhusam kui lasta sellel uurida. Saad seda seega piirata: “Ilma veebi otsimata analüüsi ainult lisatud failis olevaid andmeid ja anna mulle oma järeldused, tuginedes eranditult nendele andmetele,” või “Ära käivita selle küsimuse jaoks koodi. Põhjenda ainult minu esitatud teabe põhjal.”

Pikkade töövoogude jaoks lisa kontrollpunkte, selle asemel et käivitada kõike ühes plokis: “1. samm: arvuta põhinäitajad ja näita mulle tulemusi enne jätkamist. 2. samm (pärast minu kinnitust): rikasta veebiandmetega. 3. samm: koosta lõpparuanne.” See hoiab sind võimelisena protsessi peatama enne, kui viga levib kulukatesse etappidesse.

Visualiseeringud, mis nõuavad otsustusvõimet

Põhjendamise ja koodi käivitamise kombinatsioon hiilgab eriti siis, kui visualiseerimine ise eeldab otsuseid: millist tüüpi diagramm, millised lävendid, milline esiletõstmine.

“Siin on minu jõudlusandmed (Excel). Loo üheleheküljeline armatuurlaud, mis sisaldab: (1) iga näitaja jaoks kõige asjakohasemat diagrammi – vali diagrammi tüüp ise, lähtudes andmete olemusest, (2) anomaaliate automaatne esiletõstmine, (3) roheline/kollane/punane värvikood lävendite põhjal, mille määrad andmete jaotuse põhjal.”

Mudel põhjendab iga näitaja jaoks optimaalset diagrammitüüpi, arvutab statistiliselt asjakohased lävendid, selle asemel et neid välja mõelda, ja loob vastava koodi. See on täpselt see töö, mida analüütik teeks enne oma redaktori avamist.

Sinu kord

Täielik töövoog. Testi seda töövoogu kõrge põhjendamise tasemel (High vestluses, high API-s).

“Annan sulle CSV-faili igakuiste kuludega kategooriate kaupa 24 kuu jooksul. Soovin:

  1. Tuvasta 3 kategooriat suurima kasvuga (arvutus Pythonis)
  2. Igaühe jaoks otsi, kas see on üleriigiline trend või spetsiifiline minu juhtumile (veebiotsing)
  3. Koosta võrdlusdiagramm: minu kulud vs üleriigiline trend (Python)
  4. Kirjuta kokkuvõte soovitustega (puhas põhjendamine) Esita iga sammu tulemus.”

Harjutuse ajal pane tähele, mis juhtub, kui koodi käivitamine ebaõnnestub. Mudel saab ise uuesti proovida, mis on hea; kuid kui probleem seisneb sinu andmetes, ei paranda ükski ümberkirjutamine seda: kontrolli faili, selle asemel et uuesti alustada. Ja kui päring muutub liiga mahukaks, jaga see sammudeks, mida kinnitatakse ükshaaval.

Ametlikud allikad: Põhjendavad mudelid (OpenAI API: jõupingutuse tasemed, põhjenduse üksuste tagastamine funktsioonikutsetega) · Programmaatiline tööriistade kutsumine · Andmeanalüüs ChatGPT-ga (koodi käivitamine ChatGPT-s) · Mudelid (Ultra)

Peamised punktid

  • Piisava jõupingutuse taseme korral juhib põhjendamine tööriistu strateegiliselt, mitte mehaaniliselt
  • Kolm võtmemustrit: otsi, analüüsi, siis kodeeri; andmed, kood, siis otsing; iteratiivne kood
  • API poolelt tagasta põhjenduse üksused koos funktsiooni tulemustega ja kaalu Programmaatilist tööriistade kutsumist
  • Saad sunnida või piirata tööriistade kasutamist vastavalt oma vajadustele
  • Lisa pikkadesse töövoogudesse kontrollpunkte, et säilitada kontroll