Napredno pozivanje funkcija: sheme i validacija
Na ovoj stranici
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_typeprisiljava agenta da strukturira svoj konačni odgovor- Dijeljeni kontekst (
RunContextWrapper) omogućuje alatima pristup stanju aplikacije