Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Ügynökök következtetési képességgel (GPT-5.6 Sol, magastól maximális erőfeszítésig)

16. lecke 25 közül Frissítve 2026. november 2. Fejlesztő
Ezen az oldalon
  1. Ügynökök következtetési képességgel (GPT-5.6, magastól maximális erőfeszítésig)
  2. Mikor érdemes bekapcsolni a következtetést egy ügynöknél
  3. Sol + magas/xhigh erőfészítés: mély következtetés
  4. Terra + közepes erőfeszítés: gyors következtetés
  5. Mintázat: konfigurációs útválasztó
  6. Streamelés viselkedése bekapcsolt következtetés mellett
  7. Költségek optimalizálása
  8. Főbb megállapítások

Frissítve: 2026. november 2. – modellek. Az o3, o3-pro és a régi GPT-5 pillanatfelvételek 2026. december 11-én megszűnnek az API-ban, az o4-mini pedig már régóta elavult. Új ügynökök esetén a GPT-6 családdal kezdj: egyensúlyhoz a GPT-6.1 Sol, a legigényesebb feladatokhoz a GPT-6 Astra.

Ügynökök következtetési képességgel (GPT-5.6, magastól maximális erőfeszítésig)

A GPT-5.6 családdal (2026 júliusa óta elérhető) a következtetés már nem külön modelleken zajlik, mint az előző generációnál (o3-pro, o4-mini): ez most egy kérésenkénti beállítás (none, low, medium, high, xhigh, max), amely minden modellen alkalmazható. Egy olyan ügynök, amelynek valóban gondolkodnia kell – több utat feltárva, mielőtt válaszol –, jellemzően a GPT-5.6 Sol modellt használja high vagy xhigh erőfeszítési szinttel. Az ügynökeidbe integrálva ez a következtetési képesség olyan feladatokat tesz lehetővé, amelyek valódi mérlegelést igényelnek.

Mikor érdemes bekapcsolni a következtetést egy ügynöknél

A mély következtetés konkrét helyzetekben ragyog, és a tapasztalatok szerint mindegyikben közös vonás, hogy a döntés meghozatala előtt összehasonlítják a lehetséges útvonalakat. Ez vonatkozik a komplex tervezésre, ahol a feladatot optimális lépésekre bontod, és a matematikai elemzésre – számítások, statisztika, optimalizálás –, ahol egyetlen hibás lépés érvénytelenné teszi az egészet. Ugyanígy alkalmazható hibakeresésnél, amely során a tünetet vissza kell vezetni a kiváltó okig, valamint döntéshozatalnál, ahol több lehetőséget kell kiértékelned, és a legjobbat kiválasztanod. A kódreview is ebbe a kategóriába esik: egy rejtett hiba megtalálásához mentálisan le kell futtatni a végrehajtásokat, amit a lineáris olvasás nem tár fel.

Egyszerű feladatoknál (kérdésre válaszolás, szöveg formázása) a GPT-5.6 Terra vagy Luna alacsony erőfeszítéssel (vagy akár none nélkül) gyorsabb és olcsóbb. Következtetésért fizetni egy bekezdés átfogalmazásáért olyan, mint versenyautót járatni üresjáratban a dugóban.

Sol + magas/xhigh erőfészítés: mély következtetés

A GPT-5.6 Sol magas következtetési erőfeszítéssel kiváltja azt, amit korábban az o3-pro végzett. Az ügynök több időt vesz igénybe, de mélyebb elemzéseket produkál. Az alábbi példa tipikus: egy stratégiai kérdés három lehetőséggel, ahol a helyes válasz a kockázat, a költség és az időtáv közötti kompromisszumokon múlik. Figyeld meg, hogy az utasítások kifejezetten meghatározzák a figyelembe veendő dimenziókat – a következtetés mindig előnyre tesz szert egyértelmű korlátok mellett.

from agents import Agent, Runner, ModelSettings
from openai.types.shared import Reasoning

strategic_advisor = Agent(
    name="Strategic Advisor",
    instructions="""You are a business strategy consultant.
    Analyze deeply before recommending.
    Always consider: risks, opportunities,
    costs, and alternatives.""",
    model="gpt-5.6-sol",
    model_settings=ModelSettings(reasoning=Reasoning(effort="high")),
)

result = Runner.run_sync(
    strategic_advisor,
    """Our SaaS startup has 500 clients, €2M MRR, and is growing 15% per month.
    We are debating:
    A) Raise a Series B (€20M) and accelerate in the US
    B) Stay bootstrapped and consolidate in Europe
    C) Seek a strategic acquirer
    Which strategy do you recommend and why?"""
)
print(result.final_output)

A legkritikusabb elemzésekhez növeld az erőfeszítést xhigh vagy max szintre. Létezik egy ultra beállítás is (2026 júliusában jelentették be), amely alapértelmezetten 4 ügynököt koordinál párhuzamosan (bizonyos értékeléseknél akár 16-ot is) a legnehezebb feladatokhoz – ez erőteljes, de jelentősen magasabb tokenfogyasztással jár: csak olyan problémákra tartogasd, amelyek indokolják a költséget.

Terra + közepes erőfeszítés: gyors következtetés

A következtetés hiánya és a mély elemzés között van egy édes pont, amelyet széles körben használnak éles környezetben. A GPT-5.6 Terra medium erőfeszítéssel jó kompromisszumot kínál a következtetési képesség és a sebesség között – ez felel meg a korábbi o4-mini-nek. Ideális olyan ügynököknek, amelyeknek gyorsan kell következtetniük, mint például ez a diagnosztikai ügynök, amely leolvassa a szervermetrikákat, és másodperceken belül össze kell kötnie a memóriatelítettséget az 5xx hibák csúcsával, miközben a oldal incidens alatt áll.

from agents import Agent, Runner, ModelSettings, function_tool
from openai.types.shared import Reasoning

@function_tool
def get_server_metrics(server: str) -> str:
    """Retrieves metrics for a server."""
    import json
    metrics = {
        "cpu": 87.5,
        "ram": 92.1,
        "disk": 65.3,
        "requests_per_second": 1250,
        "response_time_p99": 450,
        "errors_5xx": 23,
    }
    return json.dumps(metrics)

diagnostic_agent = Agent(
    name="Diagnostic Agent",
    instructions="""You diagnose infrastructure problems.
    Analyze the metrics and identify the probable cause.
    Propose immediate and long-term corrective actions.""",
    model="gpt-5.6-terra",
    model_settings=ModelSettings(reasoning=Reasoning(effort="medium")),
    tools=[get_server_metrics],
)

result = Runner.run_sync(
    diagnostic_agent,
    "The site has been slow for 30 minutes. Diagnose server web-prod-01."
)

Mintázat: konfigurációs útválasztó

Nem kell örökre egyetlen konfigurációt választanod. Használj könnyű konfigurációt az útválasztáshoz, és a megfelelőt a végrehajtáshoz: egy első ügynök elolvassa a feladatot, visszaad egy típusos objektumot, amely jelzi, melyik modellt és erőfeszítési szintet kell használni, majd te ezzel a döntéssel példányosítod a végrehajtó ügynököt. A reason mező nem csak díszítés – lehetővé teszi, hogy a naplók áttekintésekor ellenőrizd, hogy az útválasztó nem túlzottan erőforrás-igényes beállításokat választ-e szisztematikusan.

from pydantic import BaseModel
from typing import Literal

class ConfigDecision(BaseModel):
    model: Literal["gpt-5.6-luna", "gpt-5.6-terra", "gpt-5.6-sol"]
    effort: Literal["none", "low", "medium", "high", "xhigh"]
    reason: str

router_agent = Agent(
    name="Smart Router",
    instructions="""Analyze the task and decide which configuration to use:
    - gpt-5.6-luna, effort none/low: simple tasks (summaries, rephrasing, factual answers)
    - gpt-5.6-terra, effort medium: fast reasoning (classification, diagnostics)
    - gpt-5.6-sol, effort high/xhigh: complex tasks (strategic planning, deep analysis, math)""",
    model="gpt-5.6-terra",
    model_settings=ModelSettings(reasoning=Reasoning(effort="medium")),
    output_type=ConfigDecision,
)

async def process_with_optimal_config(task: str):
    # Step 1: choose the configuration
    decision = await Runner.run(router_agent, task)
    config = decision.final_output
    print(f"Configuration: {config.model} / effort {config.effort} ({config.reason})")

    # Step 2: execute with the right configuration
    execution_agent = Agent(
        name="Execution Agent",
        instructions="Accomplish the requested task with precision.",
        model=config.model,
        model_settings=ModelSettings(reasoning=Reasoning(effort=config.effort)),
    )
    result = await Runner.run(execution_agent, task)
    return result.final_output

Streamelés viselkedése bekapcsolt következtetés mellett

Ha a következtetés be van kapcsolva, a streamelésnek van egy sajátossága: a modell belső gondolkodási folyamata nem kerül streamelésre sima szövegként. A felületed tehát megkapja a tokeneket a végső válaszhoz, de a következtetési fázis alatt semmit.

agent = Agent(
    name="Analyst",
    instructions="Analyze the data deeply.",
    model="gpt-5.6-sol",
    model_settings=ModelSettings(reasoning=Reasoning(effort="high")),
)

# Streaming delivers the final answer, not the intermediate reasoning
result = Runner.run_streamed(agent, "Analyze this complex problem.")
async for event in result.stream_events():
    if event.type == "raw_response_event":
        if hasattr(event.data, "delta") and event.data.delta:
            print(event.data.delta, end="", flush=True)

Számolj ezzel a késleltetéssel a felhasználói élmény (UX) tervezésekor: high vagy annál magasabb erőfeszítésnél az első tokenek jelentős gondolkodási idő után érkezhetnek meg. Egy explicit várakozás-jelző megakadályozza, hogy a felhasználók azt higgyék, az alkalmazás lefagyott, és a legrosszabb pillanatban frissítsék az oldalt.

Költségek optimalizálása

A következtetés további tokeneket fogyaszt (a belső gondolkodás számlázott). Két eszköz segít kordában tartani a költségeket: csökkentsd az alapértelmezett erőfeszítést, és csak szükség esetén növeld, majd válaszd szét a döntést a végrehajtástól – vagyis következtess a döntéshez, de következtetés nélkül hajtsd végre. Az alábbi hibrid munkafolyamat a második elvet alkalmazza: a Terra medium szinten meghatározza a megközelítést, a Luna pedig eszközökkel végrehajtja azt.

# Pattern: hybrid reasoning
# Terra + medium for decision, Luna without reasoning for execution

decision_agent = Agent(
    name="Decider",
    instructions="Decide on the optimal approach.",
    model="gpt-5.6-terra",
    model_settings=ModelSettings(reasoning=Reasoning(effort="medium")),
)

executor_agent = Agent(
    name="Executor",
    instructions="Execute the decided plan.",
    model="gpt-5.6-luna",  # Cheaper for execution
    tools=[search_crm, generate_report],
)

async def hybrid_workflow(task: str):
    plan = await Runner.run(decision_agent, f"How to handle: {task}")
    result = await Runner.run(executor_agent, plan.final_output)
    return result.final_output

Főbb megállapítások

  • A következtetés minden GPT-5.6 modellen egy kérésenkénti beállítás (none → max), már nem külön modellek, mint az o3-pro/o4-mini esetében
  • GPT-5.6 Sol high/xhigh erőfeszítéssel: stratégiai tervezés, komplex elemzés, matematika
  • GPT-5.6 Terra medium erőfeszítéssel: gyors következtetés diagnosztikához és útválasztáshoz
  • Az ultra beállítás több ügynököt koordinál párhuzamosan a legnehezebb feladatokhoz – jelentősen magasabb tokenköltség
  • Az útválasztó mintázat dinamikusan választja ki a modell + erőfeszítés kombinációt, és optimalizálja a költségeket
  • Következtess a döntéshez, hajtsd végre következtetés nélkül: ez a legjobb ár-érték arány