Arhitektura agenta: petlja razmišljanje-alat
Na ovoj stranici
Ažurirano 3. studenoga 2026.: U funkciji
rechercher_produit, ključevimaprixistocknedostajali su navodnici, što je uzrokovaloNameErrorpri prvom pozivu alata.
Arhitektura agenta: petlja razmišljanje-alat
Da bi izgradio učinkovite agente, moraš razumjeti njihovu unutarnju arhitekturu. OpenAI agent radi na petlji razmišljanja: prima zadatak, razmišlja, koristi alat, promatra rezultat, a zatim odlučuje je li gotov ili treba nastaviti. Sve što dalje radiš – deklariranje alata, postavljanje zaštitnih ograda, orkestracija više agenata – gradi se na ovoj petlji.
Životni ciklus agenta
Svako izvršavanje prolazi kroz šest koraka:
- Prijem: Agent prima korisničku poruku i sistemske upute
- Razmišljanje: Model analizira zahtjev i odlučuje o sljedećoj radnji
- Poziv alata: Po potrebi, agent poziva jedan ili više alata
- Promatranje: Agent prima rezultate alata
- Odluka: Agent odlučuje hoće li nastaviti (povratak na korak 2) ili odgovoriti
- Odgovor: Agent daje svoj konačni odgovor
Ključna je petlja između koraka 2 i 5, koja se može izvršiti više puta. Agent može lančano povezati 5, 10 ili čak 20 poziva alata prije nego što proizvede konačni odgovor, a da ti ne napišeš niti jedan redak koda za orkestraciju. Donji primjer to prikazuje: deklarirana su dva neovisna alata, a model sam odlučuje kako će ih povezati u lanac.
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)
Pitanje zahtijeva dvije operacije koje u kodu nisu eksplicitno povezane. Agent automatski izvršava dva uzastopna poziva alata: prvo rechercher_produit, zatim calculer_remise s dohvaćenom cijenom. To lančano povezivanje odluka je modela, a ne tvoja instrukcija.
Unutarnja struktura: stavke i poruke
Responses API strukturira svaku interakciju kao stavke (items). Njihovim čitanjem vidiš što je tvoj agent zapravo učinio. U razgovoru se pojavljuju tri vrste:
message: tekstualna poruka (od korisnika ili agenta)function_call: poziv alata koji je odlučio agentfunction_call_output: rezultat koji je vratio alat
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
Učini navikom praćenje ove petlje svaki put kada agent proizvede iznenađujući odgovor. U devet od deset slučajeva, anomalija se pojavljuje u function_call s neočekivanim argumentima.
Paralelni naspram uzastopnih poziva
Nisu svi koraci međusobno ovisni. Kada su dva poziva neovisna, agent može odlučiti izvršiti ih paralelno.
@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?"
)
Vrijeme u Lyonu ne ovisi o vremenu u Parizu: SDK automatski upravlja paralelizmom i pokreće oba poziva istovremeno, smanjujući kašnjenje. Usporedi to s gornjim primjerom prodaje, gdje je izračun popusta morao pričekati cijenu: tamo se slijed nameće sam po sebi.
Parametar max_turns
Autonomna petlja u najgorem slučaju nikada ne mora stati: agent pozove alat, rezultat ga natjera da pozove drugi i tako dalje. Zaštita je jedan jedini parametar.
result = Runner.run_sync(
agent,
"Full catalog analysis",
max_turns=10 # Maximum 10 loop iterations
)
Ako agent dosegne ograničenje, zaustavlja se s rezultatima dobivenima do tog trenutka. U proizvodnji je to bitna sigurnosna mjera: ograničava i vrijeme odgovora i trošak.
Ključne točke
- Agent radi u petlji: razmišljanje → alat → promatranje → odluka
- Ova se petlja može izvršiti više puta prije nego što se proizvede odgovor
- Model automatski odlučuje koje alate pozvati i kojim redoslijedom
- Neovisni pozivi alata izvršavaju se paralelno
max_turnsograničava broj iteracija radi sigurnosti