Lähe põhisisu juurde
Eesti— Vali keel
Menüü

Põhjendamine, koodi käivitamine ja veebiotsing: automatiseeritud töövood

Õppetund 7 / 12 Värskendatud 5. november 2026 Kesktase
Sellel lehel
  1. Kui põhjendamine kohtub tööriistadega
  2. Kolm täiendavat rolli
  3. Kuidas mudel otsustab tööriista kasutada
  4. Mida kombinatsioon võimaldab
  5. Tööriistade lubamine ja juhtimine
  6. Sinu kord
  7. Peamised punktid

Kui põhjendamine kohtub tööriistadega

Kõrgetasemelise põhjendamise kombineerimine koodi käivitamise ja veebiotsinguga muudab keelemudeli agendiks, mis suudab arvutada, otsida ja sünteesida tulemused üheks järelduseks. Selles õppetunnis näitame, kuidas seda sünergiat ära kasutada. Kõigepealt terminoloogiast: ChatGPT-s nimetatakse koodi käivitamist Andmeanalüüsiks (Data Analysis) ja otsingut Otsinguks (Search); API-s on need Koodi interpreteerija (Code Interpreter) ja Veebiotsingu (Web Search) tööriistad. Varasemad põlvkonnad reserveerisid selle rolli spetsiaalsetele põhjendamismudelitele nagu o3; tänapäeval on see iga mudeli jaoks saadaval olev seade.

Kolm täiendavat rolli

Esimene samm on mudel ise. Kõrge põhjendamistaseme korral toimib see ajuna: see põhjendab, planeerib, otsustab, milliseid toiminguid teha, ja korraldab kogu protsessi.

Koodi käivitamine toimib kätena. See käivitab Pythonit isoleeritud keskkonnas, võimaldades manipuleerida sinu Exceli, CSV- või JSON-failidega, teha keerukaid arvutusi, luua diagramme ja visualiseeringuid ning puhastada või teisendada andmeid enne analüüsi. Veebiotsing toimib silmadena: see annab juurdepääsu reaalajas informatsioonile, olgu siis vaja ajakohaseid andmeid, faktikontrolli, mitmest allikast kogutud teavet või juurdepääsu avalikele veebisaitidele ja andmebaasidele.

Kuidas mudel otsustab tööriista kasutada

Üldjuhul ei pea sa tööriista nime mainima: mudel tuvastab, millal on vaja arvutust või värsket teavet, ja kutsub tööriista õigel hetkel. Kui eelistad konkreetset tööriista, ütle seda: „teosta arvutus Pythonis“, „otsi veebist“. API poolel läheb Vastuste API (Responses API) veel kaugemale programmeerilise tööriistakutsega (Programmatic Tool Calling): mudel kirjutab JavaScripti programmi, mis käivitatakse isoleeritud keskkonnas, kutsub tööriistu – võimalik, et paralleelselt – ja filtreerib vahepealseid tulemusi, selle asemel et neid ükshaaval kutsuda.

Põhjaliku finantsanalüüsi taotlus illustreerib seda jada hästi.

„Siin on minu müügiandmed viimase 12 kuu kohta (Excel). Analüüsi trende, arvuta keskmine kuine kasvumäär, prognoosi müüki järgmiseks 3 kuuks ja otsi veebist tööstuse prognoose võrdlemiseks. Koosta aruanne koos diagrammidega.”

Mudel saab seejärel sellise jada täita, ilma et sa peaksid seda osadeks jaotama; täpne järjekord varieerub ühest taotlusest teiseni.

Põhjendamine tööriistade vahel Neli sammu tsüklis: põhjenda mõistmiseks ja planeerimiseks; arvuta Pythonis oma failidel; otsi veebist värskeid andmeid; tee järeldused võrdlemise ja kirjutamise teel. Põhjendamine naaseb iga tööriistakutse vahele, et otsustada järgmise sammu üle. KOOD JA VEEBIOTSING Põhjendamine tööriistade vahel 1 Põhjenda Mõista ja planeeri 2 Arvuta Python sinu failidel 3 Otsi Värskeid andmeid veebist 4 Tee järeldus Võrdle, kirjuta Põhjendamine naaseb iga tööriistakutse vahele, et otsustada järgmise sammu üle Pythoni keskkonnal puudub juurdepääs veebile: välised andmed tulevad otsingu kaudu.
Põhineb OpenAI abikeskuse artiklitel Andmeanalüüsi ja Veebiotsingu kohta (november 2026).
  1. Põhjenda: Mõista probleemi struktuuri
  2. Käivita kood: Laadi Exceli fail, arvuta trendid, tee prognoosid
  3. Otsi veebist: Leia tööstuse prognoosid
  4. Põhjenda: Võrdle tulemusi ja tee järeldused
  5. Käivita kood: Genereeri diagrammid
  6. Põhjenda: Kirjuta lõplik aruanne

Pane tähele vaheldumist: põhjendamine ei toimu ainult alguses; see naaseb iga tööriistakutse vahele, et otsustada järgmise sammu üle. Just see rütm eristab agenti lihtsast täitjast.

Mida kombinatsioon võimaldab

Automatiseeritud võrdlustestimine on kõige otsesem kasutusjuhtum, kuna see nõuab sinu näitajate võrdlemist väliste andmetega.

„Siin on minu ettevõtte finantstulemuslikkuse näitajad (Exceli fail). Otsi veebist keskmisi finantssuhteid meie sektoris (B2B SaaS Euroopas) ja võrdle neid omadega. Koosta võrdlustabel värvikoodiga: roheline, kui oleme keskmisest kõrgemal, punane, kui madalamal.”

Konkurendiuuringud saavad uue mõõtme, kui neid toetavad sinu enda andmed: selle asemel, et lihtalt teateid koguda, mõõdad nende mõju.

„Otsi viimase 30 päeva jooksul tehtud viimaseid teateid meie kolme konkurendi (Konkurent A, Konkurent B, Konkurent C) kohta. Võrdle seda meie veebiliikluse andmetega (manustatud CSV-fail), et teha kindlaks, kas nende teated mõjutasid meie liiklust.”

Kolmas tüüpiline kasutusjuhtum on visualiseeringutega andmepõhine aruanne, kus koodi käivitamine teeb suurema osa tööst sinu siseste andmetega.

„Siin on meie personaliosakonna andmed (Exceli fail). Arvuta käibe määr osakondade kaupa, ühe asendaja keskmine kulu (eeldus: 6 kuud palka) ja prognoosi eelarve mõju. Genereeri iga osakonna kohta diagramm ja kokkuvõtlik tabel.”

Tööriistade lubamine ja juhtimine

ChatGPT-s käivitub Andmeanalüüs alati, kui fail või arvutus seda nõuab; ettevõtte tööruumis veendu, et administraator pole seda keelanud. Veebiotsing käivitub, kui mudel tuvastab vajaduse värske teabe järele, ja sa saad seda sundida + nupuga, seejärel Otsing. API poolel deklareeritakse mõlemad tööriistad päringus. Põhjendamistaseme osas liigitab OpenAI tööriistakasutuse ja otsingu tasemele low, kui kiirus on ülioluline, ja soovitab taset medium alati, kui planeerimine ja otsustusvõime loevad – mis on mitme tööriistaga töövoo puhul just nii.

Nendel tööriistadel on selged piirid, mida pead teadma. Andmeanalüüsi Pythoni keskkonnal puudub juurdepääs internetile: see töötab ainult sinu pakutud failidega ja välised andmed peavad tulema otsingu või sinu enda importide kaudu. Vastusajad pikenevad oluliselt, kui kõik kolm komponenti kombineerida, ja kvoodid kuluvad kiiremini, eriti kõrgematel põhjendamistasemetel.

Sinu kord

Kõik kolm ehitusplokki koos. Testi täiskombinatsiooni juhtumil, kus põhjendamine, kood ja otsing on kõik hädavajalikud.

„Siin on CSV-fail minu kuukuludega 12 kuu jooksul. (1) Analüüsi trende Pythonis ja genereeri diagramm. (2) Otsi veebist inflatsioonimäära Prantsusmaal iga vastava kuu kohta. (3) Arvuta minu inflatsiooniga kohandatud kulud. (4) Koosta aruanne, mis võrdleb nominaal- ja reaalkulusid.”

Kui sul pole parajasti CSV-faili käepärast, palu mudelil kõigepealt genereerida realistlik fail. Pea harjutuse ajal meeles kolme refleksit. Kontrolli arvutusi: valesti sisestatud valem, mis käivitub veatult, on ikka vale valem. Kontrolli otsingu allikaid, kuna tulemused võivad olla aegunud või ebatäpsed. Ja laadi alla genereeritud failid – diagrammid, tabelid – enne vestluse lõpetamist. Üks viimane nõuanne keib kõige kohta: isegi kui mudel haldab oma tööriistu ise, annavad keerukad töövood paremaid tulemusi, kui need jaotada sammudeks, mitte suruda ühte hiiglaslikku vihjesse.

Ametlikud allikad: Andmeanalüüs ChatGPT-ga (OpenAI abikeskus: isoleeritud Python, puudub veebiühendus) · Veebiotsing ChatGPT-ga · Koodi interpreteerija ja Veebiotsing (API tööriistad) · Programmeeriline tööriistakutse · Põhjendamismudelid (pingutustasemed ja tööriistad)

Peamised punktid

  • Kõrge põhjendamistase ühendab mõtlemise, koodi käivitamise ja veebiotsingu autonoomselt
  • Mudel otsustab automaatselt, millal iga tööriista kasutada; API poolel võimaldab programmeeriline tööriistakutse sellel tööriistu koodi kaudu korraldada
  • Koodi käivitamine (Andmeanalüüs, Koodi interpreteerija) manipuleerib failide ja loob diagramme ilma veebiühenduseta; otsing toob sisse värsket teavet
  • Mitme tööriistaga töövoo puhul alusta tasemest medium, mida OpenAI soovitab, kui planeerimine on oluline
  • Kontrolli alati tulemusi – tööriistad võimendavad nii jõudu kui ka veaohtu