Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Napredno pozivanje funkcija: sheme i validacija

Lekcija 7 od 25 Ažurirano 29. srpnja 2026. Programer
Na ovoj stranici
  1. Napredno pozivanje funkcija: sheme i validacija
  2. JSON sheme i strogi način rada
  3. Prilagođena validacija s Pydanticom
  4. Rukovanje greškama u alatima
  5. Strukturirani izlaz za alate
  6. Uzorak: alati s dijeljenim kontekstom
  7. Ključne točke

Napredno pozivanje funkcija: sheme i validacija

Pozivanje funkcija ključni je mehanizam koji agentu omogućuje da odluči kada i kako pokrenuti tvoje alate. Deklariranje alata dovoljno je za prototip, ali prelazak u proizvodnju zahtijeva ograničavanje poziva, validaciju poslovnih vrijednosti i rukovanje greškama bez rušenja agenta. Upravo to obrađuje ova lekcija.

JSON sheme i strogi način rada

Responses API koristi JSON sheme za opis parametara svakog alata, a strogi način rada (strict mode) jamči da se model točno pridržava sheme. Konkretno, korištenje Enum ili Literal zatvara vrata izmišljenim vrijednostima.

from agents import function_tool
from pydantic import BaseModel, Field
from typing import Literal
from enum import Enum

class Priority(str, Enum):
    LOW = "low"
    MEDIUM = "medium"
    HIGH = "high"
    CRITICAL = "critical"

class CreateTicket(BaseModel):
    title: str = Field(description="Short ticket title (max 100 characters)")
    description: str = Field(description="Detailed problem description")
    priority: Priority = Field(description="Ticket priority level")
    component: Literal["frontend", "backend", "infra", "data"] = Field(
        description="Affected technical component"
    )
    tags: list[str] = Field(
        default_factory=list,
        description="Optional tags to categorize the ticket"
    )

@function_tool
def create_support_ticket(ticket: CreateTicket) -> str:
    """Creates a new technical support ticket."""
    # In production: call Jira, Linear, GitHub Issues, etc.
    return f"Ticket created: [{ticket.priority.value}] {ticket.title} ({ticket.component})"

Uz zadani uključeni strogi način rada, model nikada ne može poslati nevažeći prioritet ili komponentu izvan dopuštenog popisa. Nećeš morati pisati obrambeni backend kod za prevođenje izraza poput „hitno“ ili „P1“ u vrijednost koju tvoj sustav za evidenciju prepoznaje.

Prilagođena validacija s Pydanticom

Provjera tipova sprječava nemoguće vrijednosti, ali ne i apsurdne. IBAN od petnaest znakova savršeno je valjan niz; tvoja poslovna logika ga odbacuje. Pydantic ti omogućuje ugradnju ovih pravila izravno u shemu.

from pydantic import BaseModel, Field, field_validator

class MoneyTransfer(BaseModel):
    source_account: str = Field(description="Source account IBAN")
    destination_account: str = Field(description="Destination account IBAN")
    amount: float = Field(gt=0, le=50000, description="Amount in euros (max 50,000)")
    reason: str = Field(min_length=5, max_length=200, description="Reason for transfer")

    @field_validator("source_account", "destination_account")
    @classmethod
    def validate_iban(cls, v):
        if not v.startswith("FR"):
            raise ValueError("Only French IBANs are accepted")
        if len(v) != 27:
            raise ValueError("IBAN must contain 27 characters")
        return v

@function_tool
def execute_transfer(transfer: MoneyTransfer) -> str:
    """Executes a bank transfer between two accounts."""
    return f"Transfer of €{transfer.amount} initiated from {transfer.source_account[:8]}... to {transfer.destination_account[:8]}..."

Ograničenja gt=0 i le=50000 na iznosu igraju sličnu ulogu na drugoj razini: čine negativan prijenos ili onaj koji prelazi limit strukturno nemogućim, bez obzira na to kako korisnik formulira zahtjev.

Rukovanje greškama u alatima

Što kada se alat izvrši, ali ne uspije? Napast je pustiti iznimku da se probije prema gore; to je greška jer prekida petlju agenta. Umjesto toga, vrati jasnu poruku o grešci koju model može pročitati i protumačiti.

import json
from agents import function_tool

@function_tool
def query_external_api(endpoint: str, parameters: dict) -> str:
    """Queries an external API with the specified parameters."""
    try:
        # In production: real HTTP call
        import httpx
        response = httpx.get(f"https://api.example.com/{endpoint}", params=parameters, timeout=10)
        response.raise_for_status()
        return json.dumps(response.json(), ensure_ascii=False)
    except httpx.TimeoutException:
        return json.dumps({
            "error": True,
            "message": f"Timeout calling {endpoint}. Retry in a few moments."
        })
    except httpx.HTTPStatusError as e:
        return json.dumps({
            "error": True,
            "message": f"HTTP error {e.response.status_code} on {endpoint}.",
            "details": str(e)
        })
    except Exception as e:
        return json.dumps({
            "error": True,
            "message": f"Unexpected error: {str(e)}"
        })

Svaka grana formatira poruku jezikom koji model razumije. Kod isteka vremena (timeout), agent će pokušati novi poziv; kod HTTP greške 404, obavijestit će korisnika ili promijeniti pristup umjesto da slijepo ustraje.

Strukturirani izlaz za alate

Ovo ograničenje vrijedi i za konačni izlaz. Uz output_type, final_output više nije tekst za parsiranje, već tipizirani objekt izravno upotrebljiv u kodu koji ga poziva.

from pydantic import BaseModel
from agents import Agent, Runner

class AnalysisResponse(BaseModel):
    summary: str
    key_points: list[str]
    recommendation: str
    confidence_score: float

agent = Agent(
    name="Analyst",
    instructions="Analyze the provided data and produce a structured report.",
    model="gpt-5.6-terra",
    output_type=AnalysisResponse,
)

result = Runner.run_sync(agent, "Analyze Q1 2026 sales trends.")
# result.final_output is of type AnalysisResponse
print(f"Summary: {result.final_output.summary}")
print(f"Score: {result.final_output.confidence_score}")

Uzorak: alati s dijeljenim kontekstom

Još jedan čest problem: tvoji alati često trebaju dijeljeno stanje – sesiju korisnika, vezu s bazom podataka, API ključ – koje bi bilo apsurdno proslijeđivati kroz model. Kontekst to rješava prosljeđivanjem uz razgovor.

from dataclasses import dataclass
from agents import Agent, Runner, RunContextWrapper, function_tool

@dataclass
class AppContext:
    user_id: str
    db_connection: object  # Your DB connection
    api_key: str

@function_tool
def get_user_profile(ctx: RunContextWrapper[AppContext]) -> str:
    """Retrieves the current user's profile."""
    user_id = ctx.context.user_id
    # Use ctx.context.db_connection for the query
    return f"User profile {user_id}: Premium, active since 2024"

agent = Agent(
    name="Personalized Agent",
    instructions="You assist the logged-in user.",
    tools=[get_user_profile],
)

context = AppContext(user_id="usr_123", db_connection=None, api_key="xxx")
result = Runner.run_sync(agent, "What is my profile?", context=context)

Alat nema poslovne parametre: identitet korisnika dolazi iz konteksta, a ne od modela. To je također sigurnosna mjera jer agent ne može vidjeti tuđi profil promjenom argumenta.

Ključne točke

  • Pydantic sheme s enumima i Literalima jamče valjanost poziva
  • Validatori polja dodaju poslovnu validaciju uz provjeru tipova
  • U alatima vraćaj JSON poruke o greškama umjesto podizanja iznimki
  • output_type prisiljava agenta da strukturira svoj konačni odgovor
  • Dijeljeni kontekst (RunContextWrapper) omogućuje alatima pristup stanju aplikacije