Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Következtetés, kódvégrehajtás és webes keresés: Automatizált munkafolyamatok

7. lecke 12 közül Frissítve 2026. november 5. Középhaladó
Ezen az oldalon
  1. Amikor a következtetés találkozik az eszközökkel
  2. Három kiegészítő szerep
  3. Hogyan dönt a modell az eszközhasználatról
  4. Mit tesz lehetővé a kombináció
  5. Az eszközök engedélyezése és vezérlése
  6. Rajtad a sor
  7. Főbb megállapítások

Amikor a következtetés találkozik az eszközökkel

A magas szintű következtetés ötvözése a kódvégrehajtással és a webes kereséssel olyan ügynökké (agent) alakítja át a nyelvi modellt, amely képes számolni, keresni, majd az eredményeket egyetlen következtetésben szintetizálni. Ez a lecke bemutatja, hogyan aknázd ki ezt a szinergiát. Először egy tisztázás a kifejezésekről: a ChatGPT-ben a kódvégrehajtás neve Adatelemzés (Data Analysis), a keresésé pedig Keresés (Search); az API-ban ezek a Kódértelmező (Code Interpreter) és a Webes keresés (Web Search) eszközök. A korábbi generációk ezt a szerepet kifejezetten a következtető modelleknek, mint például az o3-nak tartották fenn; ma már ez minden modell számára elérhető beállítás.

Három kiegészítő szerep

Az első pillér maga a modell. Magas szintű következtetés mellett ez működik agyként: következtet, tervez, eldönti, milyen lépéseket tegyen, és koordinálja az egész folyamatot.

A kódvégrehajtás szolgál kézként. Python kódot futtat egy elszigetelt környezetben, így képes kezelni az Excel-, CSV- vagy JSON-fájljaidat, összetett számításokat végezni, diagramokat és vizualizációkat készíteni, valamint tisztítani vagy átalakítani az adatokat elemzés előtt. A webes keresés látja el a szemek szerepét: hozzáférést biztosít a valós idejű információkhoz, legyen szó naprakész adatokról, tényellenőrzésről, több forrásból gyűjtött információkról vagy nyilvános weboldalak és adatbázisok eléréséről.

Hogyan dönt a modell az eszközhasználatról

Általában nem kell megnevezned az eszközt: a modell érzékeli, amikor számításra vagy friss információra van szükség, és a megfelelő pillanatban hívja meg az eszközt. Ha mégis egy konkrét eszközt preferálsz, mondd ki egyértelműen: „végezd el a számítást Pythonban“, „keress a weben“. Az API oldalán a Responses API még tovább megy a Programatikus eszközmeghívással (Programmatic Tool Calling): a modell egy JavaScript programot ír, amely egy elszigetelt környezetben fut, meghívja az eszközöket – akár párhuzamosan is –, és szűri a közbenső eredményeket, ahelyett, hogy egyesével hívná meg őket.

Egy átfogó pénzügyi elemzésre irányuló kérés jól szemlélteti ezt a sorrendet.

„Íme az eladási adataim az elmúlt 12 hónapról (Excel). Elemezd a trendeket, számold ki az átlagos havi növekedési rátát, becslést készíts a következő 3 hónap eladásaira, és keress a weben iparági előrejelzéseket az összehasonlításhoz. Készíts jelentést diagramokkal.”

A modell ezután képes végrehajtani egy ilyen szekvenciát anélkül, hogy neked részletekbe kellene bontanod; a pontos sorrend kérésről kérésre változhat.

Következtetés az eszközök között Négy lépés egy ciklusban: következtess a megértéshez és tervezéshez; számolj Pythonban a fájljaidon; keress a weben friss adatokat; vonj le következtetést az összehasonlítással és írással. A következtetés minden egyes eszközmeghívás után visszatér, hogy eldöntse a következő lépést. KÓD ÉS WEBES KERESÉS Következtetés az eszközök között 1 Következtetés Megértés és tervezés 2 Számolás Python a te fájljaidon 3 Keresés Friss adatok a webről 4 Következtetés Összehasonlítás, írás A következtetés minden egyes eszközmeghívás után visszatér, hogy eldöntse a következő lépést A Python környezet nem fér hozzá a webhez: a külső adatok keresés útján érkeznek.
Az Adatelemzésről és a Webes keresésről szóló OpenAI Súgóközpont cikkek alapján (2026. november).
  1. Következtetés: A probléma szerkezetének megértése
  2. Kód végrehajtása: Az Excel-fájl betöltése, trendek számítása, előrejelzések készítése
  3. Webes keresés: Iparági előrejelzések megtalálása
  4. Következtetés: Az eredmények összehasonlítása és következtetések levonása
  5. Kód végrehajtása: Diagramok generálása
  6. Következtetés: A végső jelentés megírása

Figyeld meg a váltakozást: a következtetés nem csak a legelején történik; minden egyes eszközmeghívás után visszatér, hogy eldöntse a következő lépést. Ez a ritmus különbözteti meg az ügynököt az egyszerű végrehajtótól.

Mit tesz lehetővé a kombináció

Az automatizált összehasonlító elemzés (benchmarking) a legkézenfekvőbb felhasználási eset, mivel megköveteli a saját adataid összevetését külső adatokkal.

„Íme a cégem pénzügyi teljesítménymutatói (Excel-fájl). Keress a weben átlagos pénzügyi rátákat a szektorunkban (B2B SaaS Európában), és hasonlítsd össze őket a mieinkkel. Készíts egy összehasonlító táblázatot színkódolással: zöld, ha az átlag felett vagyunk, piros, ha alatta.”

A versenykörnyezet-elemzés (competitive intelligence) új dimenziót nyer, ha a saját adataidra támaszkodik: a bejelentések puszta gyűjtése helyett azok hatását méred.

„Keress rá a 3 fő versenytársunk (A versenytárs, B versenytárs, C versenytárs) legfrissebb bejelentéseire az elmúlt 30 napban. Vessed össze ezt a webes forgalmi adatainkkal (csatolt CSV-fájl), hogy kiderítsd, befolyásolták-e a bejelentéseik a forgalmunkat.”

A harmadik tipikus felhasználási eset az adatvezérelt jelentés vizualizációkkal, ahol a kódvégrehajtás végzi a nehéz munkát a belső adataiddal.

„Íme a HR-adataink (Excel-fájl). Számold ki a fluktuációs rátát osztályonként, egy helyettesítés átlagos költségét (feltételezés: 6 havi fizetés), és vetítsd ki a költségvetési hatást. Generálj egy diagramot osztályonként és egy összefoglaló táblázatot.”

Az eszközök engedélyezése és vezérlése

A ChatGPT-ben az Adatelemzés automatikusan bekapcsol, amikor egy fájl vagy számítás megköveteli; vállalati munkakörnyezetben ellenőrizd, hogy egy rendszergazda nem tiltotta-e le. A webes keresés akkor indul el, amikor a modell igényt észlel a friss információkra, és a + gombbal, majd a Keresés (Search) opcióval kényszerítheted is ki. Az API oldalán mindkét eszközt a kérésben kell deklarálni. A következtetési szintet illetően az OpenAI a low (alacsony) kategóriába sorolja az eszközhasználatot és a keresést, amikor a sebesség a legfontosabb, és a medium (közepes) szintet javasolja, amikor a tervezés és a megítélés számít – ami a többeszközös munkafolyamatok esetén áll fenn.

Ezeknek az eszközöknek vannak világos határai, amelyeket ismerned kell. Az Adatelemzés Python környezete nem fér hozzá az internethez: kizárólag az általad biztosított fájlokon dolgozik, a külső adatoknak pedig keresés útján vagy saját importálással kell bejutniuk. A válaszidő jelentősen megnő, ha mindhárom komponenst kombinálod, és a kvóták is gyorsabban merülnek ki, különösen magasabb következtetési szinteken.

Rajtad a sor

Mind három építőelem együtt. Teszteld a teljes kombinációt egy olyan esetben, ahol a következtetés, a kód és a keresés egyaránt elengedhetetlen.

„Íme egy CSV-fájl a havi kiadásaimról 12 hónapon keresztül. (1) Elemezd a trendeket Pythonban, és generálj egy diagramot. (2) Keress a weben az inflációs rátára Franciaországban az egyes megfelelő hónapokra. (3) Számold ki az inflációval kiigazított kiadásaimat. (4) Készíts egy jelentést, amely összehasonlítja a névleges és a reálkiadásokat.”

Ha nincs kéznél CSV-fájlod, kérd meg a modellt, hogy először generáljon egy realisztikusat. A gyakorlat során tartsd szem előtt ezt a három reflexet. Ellenőrizd a számításokat: egy hibás képlet, még ha tisztán le is fut, akkor is hibás marad. Hasonlítsd össze a keresési forrásokat, mivel az eredmények elavultak vagy pontatlanok lehetnek. És mentsd el a generált fájlokat – diagramokat, táblázatokat – mielőtt bezárod a beszélgetést. Egy utolsó tanács minderre érvényes: még akkor is, ha a modell kezeli a saját eszközeit, a komplex munkafolyamatok jobb eredményt hoznak, ha lépésekre bontod őket, ahelyett, hogy egyetlen gigantikus promptba zsúfolnád őket.

Hivatalos források: Adatelemzés a ChatGPT-vel (OpenAI Súgóközpont: elszigetelt Python, nincs webhozzáférés) · Webes keresés a ChatGPT-vel · Kódértelmező és Webes keresés (API-eszközök) · Programatikus eszközmeghívás · Következtető modellek (erőfeszítési szintek és eszközök)

Főbb megállapítások

  • A magas következtetési szint autonóm módon ötvözi a gondolkodást, a kódvégrehajtást és a webes keresést
  • A modell automatikusan eldönti, mikor használja az egyes eszközöket; az API oldalán a Programatikus eszközmeghívás lehetővé teszi, hogy kód útján koordinálja az eszközöket
  • A kódvégrehajtás (Adatelemzés, Kódértelmező) fájlokat kezel és diagramokat készít webhozzáférés nélkül; a keresés hozza be a friss információkat
  • Többeszközös munkafolyamatoknál kezdd a medium szinttel, amelyet az OpenAI javasol, amikor a tervezés számít
  • Mindig ellenőrizd az eredményeket – az eszközök felerősítik mind a teljesítményt, mind a hibák kockázatát