Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Agent višekorak s petljom rezoniranja

Lekcija 15 od 25 Ažurirano 29. srpnja 2026. Programer
Na ovoj stranici
  1. Agent višekorak s petljom rezoniranja
  2. Obrazac planiraj-izvrši
  3. Agent koji se sam ispravlja
  4. Obrazac: lanac specijaliziranih agenata
  5. Kontrola dubine rezoniranja
  6. Ključne točke

Agent višekorak s petljom rezoniranja

Najmoćniji agenti ne staju nakon jednog poziva alata. Oni povezuju više koraka rezoniranja, prilagođavaju svoju strategiju na temelju rezultata i ponavljaju proces dok ne postignu cilj. U ovoj lekciji naučit ćeš kako izgraditi takve višekorake agente. Primjeri koriste obitelj modela GPT-5.6: dok je prethodna generacija zahtijevala promjenu modela kako bi se omogućilo rezoniranje, sada to ponašanje kontroliraš postavkom effort na odabranom modelu.

Obrazac planiraj-izvrši

Višekoraki agent započinje izradom plana, a zatim izvršava svaki korak. Ovo razdvajanje je namjerno: planer nema alate i proizvodi tipiziranu strukturu, dok izvršitelj prima taj plan kao kartu puta i jednostavno ga slijedi. Nejasan zahtjev poput „pripremi kvartalni pregled za ključne klijente“ pretvara se u konkretan niz radnji—upit u CRM-u, generiranje izvješća, slanje e-pošte—prije nego što se pokuša bilo koja radnja.

from agents import Agent, Runner, function_tool
from pydantic import BaseModel
import json

class PlanAction(BaseModel):
    steps: list[str]
    objective: str

planner_agent = Agent(
    name="Planner",
    instructions="""You receive a complex task. Break it down into simple, ordered steps.
    Each step must be a concrete, actionable item.""",
    model="gpt-5.6-sol",  # Advanced reasoning for planning
    output_type=PlanAction,
)

@function_tool
def search_crm(query: str) -> str:
    """Searches the CRM for customer information."""
    return json.dumps({"customers": [
        {"name": "Acme Corp", "revenue": 500000, "contract": "Enterprise"},
        {"name": "TechStart", "revenue": 50000, "contract": "Starter"},
    ]})

@function_tool
def generate_report(title: str, content: str) -> str:
    """Generates a formatted report."""
    return f"Report '{title}' generated successfully ({len(content)} characters)"

@function_tool
def send_email(recipient: str, subject: str, body: str) -> str:
    """Sends an email."""
    return f"Email sent to {recipient}: {subject}"

executor_agent = Agent(
    name="Executor",
    instructions="""You execute tasks step by step.
    Use available tools to complete each step.
    If a step fails, try an alternative approach.""",
    tools=[search_crm, generate_report, send_email],
    model="gpt-5.6-terra",
)

async def process_complex_task(task: str):
    # Step 1: Plan
    plan = await Runner.run(planner_agent, task)
    print(f"Plan: {plan.final_output.steps}")

    # Step 2: Execute with the plan as context
    execution_instructions = f"""Execute the following steps in order:
    {chr(10).join(f'{i+1}. {e}' for i, e in enumerate(plan.final_output.steps))}
    Objective: {plan.final_output.objective}"""

    result = await Runner.run(executor_agent, execution_instructions)
    return result.final_output

Agent koji se sam ispravlja

Planiranje nije dovoljno: u stvarnom svijetu alati ponekad zakažu. Drugi oblik petlje omogućuje agentu da detektira vlastite pogreške i ispravi ih. Sve ovisi o detalju koji se često previdi—alat ne podiže iznimku; on vraća čitljivu poruku o pogrešci. Agent je pročita, shvati da je zaboravio klauzulu FROM, prepíše svoj upit i pokuša ponovno, unutar granice od tri pokušaja postavljene u njegovim uputama.

from agents import Agent, Runner, function_tool

@function_tool
def execute_sql_query(sql: str) -> str:
    """Executes an SQL query on the database."""
    # Simulation: some queries fail
    if "DROP" in sql.upper():
        return "ERROR: Destructive queries are forbidden."
    if "SELECT" in sql.upper() and "FROM" not in sql.upper():
        return "ERROR: Invalid SQL syntax - missing FROM."
    return json.dumps({
        "columns": ["name", "monthly_revenue", "region"],
        "rows": [
            ["Acme Corp", 45000, "Île-de-France"],
            ["TechStart", 12000, "Rhône-Alpes"],
        ],
        "result_count": 2
    })

analyst_agent = Agent(
    name="Data Analyst",
    instructions="""You analyze data by executing SQL queries.
    If a query fails:
    1. Analyze the error message
    2. Correct the query
    3. Retry
    Maximum 3 attempts per query.
    Never use DROP, DELETE, or TRUNCATE.""",
    tools=[execute_sql_query],
    model="gpt-5.6-terra",
    max_turns=10,  # Enough turns for corrections
)

result = Runner.run_sync(
    analyst_agent,
    "What is the total revenue by region?"
)

Primijeti da se zabrana destruktivnih upita pojavljuje na dva mjesta: u uputama i u kodu alata. Upute usmjeravaju model, ali samo provjera na strani poslužitelja u alatu jamči da DROP TABLE nikada neće proći.

Obrazac: lanac specijaliziranih agenata

Za složene tijekove rada, poveži nekoliko specijaliziranih agenata umjesto da jedan agent opteretiš svakom odgovornošću. Svaka karika ima jasnu ulogu: sakupljač prikuplja sirovi materijal, analitičar—opremljen modelom za rezoniranje—identificira trendove, a pisac formatira izlaz. Prednost je i edukativna i operativna: kada konačno izvješće razočara, odmah znaš kojeg od tri agenta trebaš popraviti.

from agents import Agent, Runner

collection_agent = Agent(
    name="Data Collector",
    instructions="Collect all data necessary for the analysis.",
    tools=[search_crm, execute_sql_query],
    model="gpt-5.6-terra",
)

analysis_agent = Agent(
    name="Analyst",
    instructions="Analyze the collected data and identify trends.",
    model="gpt-5.6-sol",  # Advanced reasoning for analysis
)

writing_agent = Agent(
    name="Writer",
    instructions="""Write a clear, structured report in English
    based on the provided analysis. Format: introduction, key points, recommendations.""",
    model="gpt-5.6-terra",
)

async def analysis_pipeline(question: str):
    # Step 1: Collect data
    data = await Runner.run(collection_agent, question)

    # Step 2: Analyze
    analysis = await Runner.run(
        analysis_agent,
        f"Analyze this data: {data.final_output}"
    )

    # Step 3: Write the report
    report = await Runner.run(
        writing_agent,
        f"Write a report based on this analysis: {analysis.final_output}"
    )

    return report.final_output

Kontrola dubine rezoniranja

Sve ove petlje dijele jednu osobinu: možda se nikada neće zaustaviti. Parametar max_turns tvoja je primarna zaštita, a podešavaš ga ovisno o ambiciji zadatka. Tri okreta dovoljna su za agenta od kojeg se očekuje da odgovori iz prvog pokušaja; dvadeset pet je potrebno za istraživanje koje ispituje više izvora prije donošenja zaključka.

# Conservative agent: few turns
simple_agent = Agent(
    name="Simple Agent",
    instructions="Answer in a single turn if possible.",
    model="gpt-5.6-terra",
)
result = await Runner.run(simple_agent, "Simple question", max_turns=3)

# Complex agent: many turns
research_agent = Agent(
    name="Deep Researcher",
    instructions="Explore all angles before concluding.",
    tools=[search_crm, execute_sql_query],
    model="gpt-5.6-terra",
)
result = await Runner.run(research_agent, "Complete Q1 analysis", max_turns=25)

Postavi ovu vrijednost promatranjem svojih tragova umjesto nagađanja: ako se tvoja stvarna izvršavanja završe u šest okreta, granica od dvadeset pet ništa ne štiti.

Ključne točke

  • Obrazac planiraj-izvrši razdvaja planiranje (model za rezoniranje) od izvršavanja
  • Agent koji se sam ispravlja analizira svoje pogreške i prilagođava strategiju
  • Lanci specijaliziranih agenata omogućuju složene, održive tijekove rada
  • max_turns kontrolira dubinu rezoniranja i štiti od beskonačnih petlji
  • Napredne mogućnosti rezoniranja rezerviraj za planiranje i analizu