Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Funkcióhívás haladó szinten: sémák és validálás

7. lecke 25 közül Frissítve 2026. július 29. Fejlesztő
Ezen az oldalon
  1. Funkcióhívás haladó szinten: sémák és validálás
  2. JSON sémák és szigorú mód
  3. Egyedi validálás Pydanticcal
  4. Hibakezelés az eszközökben
  5. Strukturált kimenet az eszközökhöz
  6. Minta: közös kontextussal rendelkező eszközök
  7. Főbb megállapítások

Funkcióhívás haladó szinten: sémák és validálás

A funkcióhívás az a központi mechanizmus, amely lehetővé teszi az ágens számára, hogy eldöntse, mikor és hogyan hívja meg az eszközeidet. Egy prototípushoz elegendő csupán deklarálni egy eszközt, de a éles környezetbe való átálláshoz korlátoznod kell a hívásokat, validálnod kell az üzleti értékeket, és hibakezelést kell implementálnod anélkül, hogy az ágens összeomlana. Erről szól ez a lecke.

JSON sémák és szigorú mód

A Responses API JSON sémákat használ az egyes eszközök paramétereinek leírására, a szigorú (strict) mód pedig garantálja, hogy a modell pontosan betartsa a sémát. Konkrétan: egy Enum vagy Literal használata teljesen kizárja a kitalált értékeket.

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})"

Mivel a szigorú mód alapértelmezetten engedélyezett, a modell soha nem küldhet érvénytelen prioritást vagy a megengedett listán kívüli komponenst. Nem kell védekező backend kódot írnod, hogy a „sürgős“ vagy „P1“ kifejezéseket olyan értékké alakítsd át, amelyet a jegykezelő rendszered felismer.

Egyedi validálás Pydanticcal

A típusellenőrzés megakadályozza a lehetetlen értékeket, de az abszurdakat nem. Egy tizenöt karakteres IBAN tökéletesen érvényes sztring; az üzleti logikád utasítja el. A Pydantic lehetővé teszi, hogy ezeket a szabályokat közvetlenül a sémába ágyazd.

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]}..."

Az összegre vonatkozó gt=0 és le=50000 korlátozások hasonló szerepet töltenek be egy másik szinten: strukturálisan lehetetlenné teszik a negatív utalást vagy a limitet meghaladó tranzakciót, függetlenül attól, hogyan fogalmazza meg a felhasználó a kérést.

Hibakezelés az eszközökben

Mi történik akkor, ha egy eszköz végrehajtódik, de hibázik? A kísértés nagy, hogy hagyd feljönni a kivételt; ez hiba, mert megszakítja az ágens ciklusát. Ehelyett térj vissza egy világos hibaüzenettel, amelyet a modell el tud olvasni és értelmezni.

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)}"
        })

Minden ág olyan nyelven formázza az üzenetet, amelyet a modell megért. Időtúllépés esetén az ágens újrapróbálkozik a hívással; HTTP 404-es hiba esetén pedig tájékoztatja a felhasználót vagy változtat a megközelítésén, ahelyett, hogy vakon kitartana mellette.

Strukturált kimenet az eszközökhöz

Ez a korlátozás a végső kimenetre is vonatkozik. Az output_type használatával a final_output többé nem elemezendő szöveg, hanem egy típusozott objektum, amelyet a hívó kód közvetlenül felhasználhat.

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}")

Minta: közös kontextussal rendelkező eszközök

Egy utolsó visszatérő probléma: az eszközeidnek gyakran szükségük van közös állapotra – felhasználói munkamenet, adatbázis-kapcsolat, API-kulcs –, amelyet abszurd lenne a modellen keresztül átadni. A kontextus ezt úgy oldja meg, hogy a beszélgetés mellett adja át ezeket az információkat.

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)

Az eszköznek nincsenek üzleti paraméterei: a felhasználó identitása a kontextusból származik, nem a modelltől. Ez biztonsági intézkedés is, mivel az ágens nem férhet hozzá mások profiljához egy argumentum megváltoztatásával.

Főbb megállapítások

  • A Pydantic sémák enumokkal és Literalekkel garantálják a hívások érvényességét
  • A mező-validátorok üzleti szintű ellenőrzést adnak a típusellenőrzéshez
  • JSON hibaüzenetekkel térj vissza a kivételek dobása helyett az eszközökben
  • Az output_type rákényszeríti az ágenst, hogy strukturálja a végső válaszát
  • A közös kontextus (RunContextWrapper) lehetővé teszi az eszközök számára az alkalmazásállapot elérését