Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Arhitektura agenta: petlja razmišljanje-alat

Lekcija 2 od 25 Ažurirano 3. studenoga 2026. Programer
Na ovoj stranici
  1. Arhitektura agenta: petlja razmišljanje-alat
  2. Životni ciklus agenta
  3. Unutarnja struktura: stavke i poruke
  4. Paralelni naspram uzastopnih poziva
  5. Parametar max_turns
  6. Ključne točke

Ažurirano 3. studenoga 2026.: U funkciji rechercher_produit, ključevima prix i stock nedostajali su navodnici, što je uzrokovalo NameError pri 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:

  1. Prijem: Agent prima korisničku poruku i sistemske upute
  2. Razmišljanje: Model analizira zahtjev i odlučuje o sljedećoj radnji
  3. Poziv alata: Po potrebi, agent poziva jedan ili više alata
  4. Promatranje: Agent prima rezultate alata
  5. Odluka: Agent odlučuje hoće li nastaviti (povratak na korak 2) ili odgovoriti
  6. 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 agent
  • function_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_turns ograničava broj iteracija radi sigurnosti