Agent višekorak s petljom rezoniranja
Na ovoj stranici
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_turnskontrolira dubinu rezoniranja i štiti od beskonačnih petlji- Napredne mogućnosti rezoniranja rezerviraj za planiranje i analizu