Funkcióhívás haladó szinten: sémák és validálás
Ezen az oldalon
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_typerákényszeríti az ágenst, hogy strukturálja a végső válaszát - A közös kontextus (
RunContextWrapper) lehetővé teszi az eszközök számára az alkalmazásállapot elérését