Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Többlépéses munkafolyamatok: a modell mint karmester

6. lecke 12 közül Frissítve 2026. november 5. Középhaladó
Ezen az oldalon
  1. Komplex feladatok irányítása magas szintű következtetéssel
  2. Mi az a többlépéses munkafolyamat?
  3. A meta-prompt technika
  4. Miért jeleskedik a magas szintű következtetés az orchestrációban?
  5. Két kiterjesztés: ChatGPT Work és az API
  6. Három munkafolyamat, amelyet változatlanul újrahasználhatsz
  7. Rajtad a sor
  8. Főbb megállapítások

Komplex feladatok irányítása magas szintű következtetéssel

Egyszeri kérdések megválaszolása egy dolog; egy teljes folyamat irányítása pedig egy másik. A magas szintű következtetésre beállított modell képes több lépést láncolni a kontextus megtartása mellett, valódi karmesterként működve az ismétlődő folyamataidban. Ez a lecke bemutatja, hogyan írj le egy munkafolyamatot úgy, hogy az elejétől a végéig végrehajtható legyen anélkül, hogy útközben elveszítené a koherenciáját.

Mi az a többlépéses munkafolyamat?

A többlépéses munkafolyamat olyan feladatsorozat, ahol minden lépés az előző kimenetétől függ: nyers adatok gyűjtése, tisztítása és strukturálása, trendek elemzése, jelentés készítése ajánlásokkal, majd összefoglaló e-mail generálása a csapat számára. Hagyományosan ez az öt lépés manuális, és te viszed át a kontextust az egyikből a másikba. Magas szintű következtetés alkalmazásával egyszer leírod az egész folyamatot, a modell pedig minden lépést úgy hajt végre, hogy az előzőleg létrehozott eredményekre épít.

A meta-prompt technika

A meta-prompt olyan prompt, amely nem egy elszigetelt feladatot, hanem egy teljes folyamatot ír le. Globális rálátást biztosít a modellnek arra, mit szeretnél elérni, ami mindent megváltoztat: mivel tudja, merre tart, minden egyes lépést a következő alapján kalibrál. Íme egy szabványos struktúra, amelyet saját folyamataidhoz igazíthatsz.

„A következő lépéseket sorrendben hajtod végre:

1. lépés — Elemezd a csatolt értékesítési adatokat, és azonosítsd a 3 legjobb és a 3 leggyengébben teljesítő terméket.

2. lépés — Minden gyengén teljesítő termék esetén azonosítsd a valószínű okokat az ügyfélelégedettségi adatok keresztbe hivatkozásával.

3. lépés — Javasolj minden gyengén teljesítő termékhez egy 3 pontos cselekvési tervet, mérhető KPI-kkel.

4. lépés — Formázd az egészet strukturált jelentéssé, amelynek bevezetőjében egy 5 soros vezetői összefoglaló található.

Minden lépés eredményét mutasd be, mielőtt a következőre lépnél, és jelezd a váratlan eredményeket.”

Az utolsó mondat külön figyelmet érdemel. Nem kell azt mondani a modellnek, hogy „lépésről lépésre gondolkodjon“ – ezt amúgy is teszi. Viszont ha megköveteled az egyes lépések kimenetét, még időben elcsíphetsz egy hibát, mielőtt az beszennyezné az azt követő összes részt. Egy ötlépéses munkafolyamatban a 2. lépésben elkövetett, túl későn észrevett hiba az egész erőfeszítésedet tönkreteszi.

Miért jeleskedik a magas szintű következtetés az orchestrációban?

Hosszú munkafolyamatoknál a gyors következtetési szint kockáztatja, hogy elveszíti a fonalat az egyes lépések között. Egy magasabb szint (High a Chatben, high az API-ban, amit az OpenAI dokumentációja mély tervezéshez ajánl) időt ad a modellnek arra, hogy szem előtt tartsa közbenső következtetéseit, ellenőrizze a lépések közötti konzisztenciát, és az elért eredmények alapján igazítsa a továbbiakat. Kifejezetten kérd meg, hogy jelezzen, ha egy lépés váratlan eredményt hoz, ahelyett, hogy úgy folytatná, mintha mi sem történt volna. Pontosan ez a viselkedés különbözteti meg az orchestrációt az egyszerű láncolástól.

Ez a rugalmasság lehetővé teszi a feltételes munkafolyamatokat, ahol a feldolgozás attól függ, mit figyel meg a modell: „Ha egy termék visszaküldési aránya meghaladja a 10%-ot, sorold be nagy prioritásúként, és javasolj azonnali cselekvési tervet. Ellenkező esetben sorold be monitorozásra, és javasolj havi utókövetést.“ A modell termékről termékre alkalmazza a feltételt, és ennek megfelelően igazítja a feldolgozást anélkül, hogy neked előre rendezned kellene bármit is.

Két kiterjesztés: ChatGPT Work és az API

A prompt nem az egyetlen út. A ChatGPT-ben a Work élmény kifejezetten hosszú, többlépéses feladatokra készült, amelyek kézbesíthető eredményhez vezetnek: dokumentum, táblázat, prezentáció vagy jelentés. A legnehezebb feladatokhoz az Ultra beállítás al-ügynökök között osztja szét a munkát, amelyek párhuzamosan haladnak, amikor a feladat független darabokra bontható; ez jelentősen többet fogyaszt, és a legtöbb feladathoz nincs rá szükség. Fejlesztői oldalon a Responses API Programmatic Tool Calling funkciója JavaScript programot írat a modellel, amely egy elszigetelt környezetben fut, meghívja a munkafolyamat eszközeit – szükség esetén párhuzamosítva –, és szűri a közbenső eredményeket, mielőtt visszajuttatná azokat a modellhez.

Orchestráció a ChatGPT-ben vagy az API-n keresztül Két oszlop. A ChatGPT-ben: meta-prompt a teljes folyamat leírására, ChatGPT Work hosszú feladatokhoz és kézbesíthető eredményekhez, Ultra a munka al-ügynökök közötti elosztására. Az API-ban: közepes vagy magas erőfeszítés a tervezéshez, a kérelemben deklarált eszközök, Programmatic Tool Calling az eszközök kód útján történő orchestrálására. TÖBBLÉPÉSES MUNKAFOLYAMATOK Orchestráció a ChatGPT-ben vagy az API-n keresztül A ChatGPT-ben Meta-prompt A teljes folyamat, feltételekkel Work Hosszú feladatok és kézbesíthető eredmények Ultra Párhuzamos al-ügynökök Az API-ban Erőfeszítés közepes vagy magas a tervezéshez Eszközök A kérelemben deklarált Programmatic Tool Calling Egy program orchestrálja az eszközöket Követeld meg az egyes lépések kimenetét: a korán elcsípett hiba nem szennyezi be a továbbiakat.
Az OpenAI súgóközpontja és API-útmutatói alapján (2026. november).

Három munkafolyamat, amelyet változatlanul újrahasználhatsz

A versenyhelyzet-elemzés különösen alkalmas erre a gyakorlatra: a modell elolvas három megadott cikket a versenytársakról, kinyeri a kulcsfontosságú bejelentéseket – termékek, árazás, partnerségek –, összehasonlítja őket a jelenlegi pozicionálásoddal, azonosítja a fenyegetéseket és lehetőségeket, majd tájékoztató feljegyzést készít a vezetőség számára.

A megbeszélések előkészítése ugyanerre a logikára épül a belső dokumentumaidon: elemezd az előző megbeszélés jegyzőkönyvét, azonosítsd a folyamatban lévő intézkedéseket és státuszukat, állítsd össze a következő megbeszélés napirendjét, vázold fel a vitapontokat minden témához, és generáld le a megfelelő meghívó e-mailt.

Végül a havi jelentéskészítés egyesíti a számítást és az elemzést: elemezd a hónap adatait egy Excel-fájlból, hasonlítsd össze az előző hónappal és a költségvetéssel, azonosítsd az 5%-ot meghaladó jelentős eltéréseket, elemezd az egyes eltérések okait, majd készítsd el a jelentést diagramokkal és ajánlásokkal.

Rajtad a sor

Építsd fel a sajátodat. Válassz ki egy ismétlődő folyamatot a munkádban, és alakítsd át. Először sorold fel az összes jelenleg manuálisan végzett lépést, majd keresd meg azokat a feltételes döntéseket („ha X, akkor Y“ típusúakat), amelyeket gondolkodás nélkül hozol meg – ezek választják el a merev munkafolyamatot a hasznostól. Ezután írd meg a meta-promptot, amely leírja az egész folyamatot, és teszteld magas szintű következtetéssel; ha a minőség stagnál, emeld még egy fokozattal.

Kezdj egyszerűen, három-négy lépéssel, és fokozatosan növeld a komplexitást. Amikor a folyamat túl hosszúra nyúlik és a minőség romlik, osszd fel al-munkafolyamatokra, ahelyett, hogy erőltetnéd a folytatást. Győződj meg arról is, hogy minden lépés világos és önmagában álló – ha a modellnek találgatnia kell, mit vársz egy lépéstől, az eredmény véletlenszerű lesz, és vele együtt az egész munkafolyamat is. Végül pedig valóban olvasd el a közbenső eredményeket. Sok felhasználó csak a végső kimenetet nézi, és elvétik a lényeget: egy jól felépített munkafolyamatban a 2. és 3. lépésből származó megállapítások gyakran tanulságosabbak, mint az azokat összefoglaló jelentés.

Hivatalos források: Reasoning models (OpenAI API: erőfeszítési szintek és használati esetek) · Reasoning best practices (egyszerű utasítások, pontos célkitűzés) · Programmatic Tool Calling · ChatGPT Work and Codex (Work hosszú feladatokhoz) · Models (Ultra)

Főbb megállapítások

  • A magas szintű következtetés segít a modellnek egy többlépéses folyamat orchestrálásában anélkül, hogy elveszítené a fonalat
  • Használj meta-promptot a teljes folyamat leírására, feltételekkel (ha/akkor) az adaptív munkafolyamatokhoz
  • A ChatGPT Work kezeli a hosszú feladatokat; az API-ban a Programmatic Tool Calling kód útján orchestrálja az eszközöket
  • Az Ultra a Workben és a Codexben al-ügynökök között osztja szét a munkát: csak nehéz, osztható feladatokra tartogasd
  • Követeld meg az egyes lépések kimenetét, ne a „lépésről lépésre“ gondolkodást; kezdj egyszerűen, és fokozatosan növeld a komplexitást