Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Az 5 lépéses végrehajtási folyamat

2. lecke 16 közül Frissítve 2026. július 30. Fejlesztő
Ezen az oldalon
  1. Hogyan dönt a Grok az eszközhasználatról
  2. A folyamat 5 lépése
  3. Gyakorlati következmények
  4. Főbb megállapítások

Hogyan dönt a Grok az eszközhasználatról

Amikor engedélyezel egy vagy több eszközt az API-kérésedben, a modell nem feltétlenül használja is azokat. Egy strukturált, öt lépésből álló döntési folyamatot követ annak meghatározására, hogy szükség van-e eszközre, melyiket válassza, és hogyan integrálja az eredményeket a válaszába.

Ennek a folyamatnak a megértése segít előre jelezni a modell viselkedését, és optimalizálni a promptjaidat a pontos eredmények érdekében.

A folyamat 5 lépése

1. lépés: Kéréselemzés

A modell a felhasználói üzenet elemzésével kezdi, hogy azonosítsa, mit is kérdeztek tőle. Felméri a kérdés jellegét: Tényekre irányuló kérésről van szó, amely friss adatokat igényel? Összetett számításról? Vagy véleményről szóló kérdésről, amelyhez nincs szükség eszközökre?

Ez az elemzés kritikus fontosságú. Ha a modell már rendelkezik a szükséges információkkal a tanítási adataiban, és nincs szükség valós idejű adatra, dönthet úgy, hogy eszköz aktiválása nélkül válaszol közvetlenül.

2. lépés: Hívási döntés

Az elemzés alapján a modell eldönti, hogy hívjon-e egy eszközt, vagy közvetlenül válaszoljon. Ez a döntés három tényezőtől függ. Először is a kérdés jellegétől: a текуző eseményekre vonatkozó lekérdezés természeténél fogva a Webes keresés felé tereli a modellt, míg az arról szóló kérdés, hogy mit mondanak az emberek éppen most egy témában, az X keresés felé. Másodszor a általad meghatározott hatókörtől: a modell csak a tools tömbödben engedélyezett eszközök közül választ – egy hiányzó eszköz számára egyszerűen nem létezik. Végül a saját magabiztosságától: ha úgy véli, hogy az emlékezetéből helyesen meg tud válaszolni egy kérdést, megspórolja a hívást, ami a legtöbb esetben a kívánatos viselkedés.

Neked is van beleszólásod ebbe a döntésbe a prompton keresztül: a „Keress rá a legfrissebb információkra…“ kifejezés egyértelműen a Webes keresés felé tereli a modellt, míg egy semleges megfogalmazás esetén a modellre bízza a döntést.

3. lépés: Végrehajtás

A feldolgozás az eszközkategóriától függően eltérő:

  • Beépített eszköz: A végrehajtás automatikus és átlátható. Az xAI szerver végrehajtja a keresést vagy a kód futtatását, és az eredményt közvetlenül továbbítja a modellnek. Ezt a lépést nem látod az API-válaszban.
  • Függvényhívás (Function Calling): A modell egy objektumot ad vissza, amely leírja a meghívandó függvényt és annak argumentumait. A kódodnak kell végrehajtania a függvényt, és az eredményt egy új kérésen keresztül visszaadnia.

4. lépés: Eredményfeldolgozás

Miután az eredmények rendelkezésre állnak, a modell kiértékeli azokat, mielőtt válaszolna – és itt válik a folyamat igazán ágensszerűvé. Ha az eredmények elegendőek, közvetlenül a végső válasz megfogalmazására tér át. Ha nem elegendőek – túl szűk a keresés, az eredmények nem relevánsak –, kiadhat egy újabb hívást módosított paraméterekkel, szélesítve vagy finomítva a lekérdezését, anélkül, hogy neked be kellene avatkoznod. Egy igazán összetett kérdés esetén pedig több eszközt is láncolhat: például egy webes keresést az adatok gyűjtésére, majd Kódfuttatást azok elemzésére.

Ez az iteratív viselkedés értékes a válaszok minősége szempontjából, de közvetlen következménnyel jár a számlázásra nézve: minden egyes eszközhívás külön kerül felszámolásra, és egy olyan kérdés, amely három keresést indít el, három hívásnak számít. Tartsd szem előtt ezt a mechanizmust, amikor becslést készítesz a költségeidről.

5. lépés: Végső válasz

A modell a gyűjtött információk integrálásával fogalmazza meg a válaszát. Ha webes vagy X forrásokat consulted, a válasz automatikusan tartalmazza az eredeti URL-ekre mutató hivatkozásokat. Ezek a hivatkozások a válaszobjektum citations mezőjében érhetők el.

Gyakorlati következmények

Halmozódó költségek

A modell egyetlen felhasználói kéréshez több eszközhívást is intézhet. Minden hívás külön kerül felszámolásra a tokenfogyasztáson felül. Egy félreérthető prompt felesleges hívásokat generálhat, és növelheti a költségeidet.

Irányítás prompton keresztül

Nem kényszerítheted a modellt egy adott eszköz használatára, de erősen irányíthatod azt a rendszerpromptod vagy a felhasználói üzeneted segítségével. A világos utasítások csökkentik a felesleges hívások számát.

Nem determinisztikus viselkedés

Annak döntése, hogy használ-e eszközt vagy sem, két azonos hívás között is változhat, különösen magas hőmérséklet (temperature) beállítások esetén. A reprodukálható eredmények érdekében használj alacsony hőmérsékletet (0,0 és 0,3 között).

Főbb megállapítások

  • A modell egy 5 lépéses folyamatot követ: elemzés, döntés, végrehajtás, feldolgozás, válaszadás
  • Csak akkor kér le egy eszközt, ha szükségesnek ítéli – ez nem automatikus
  • Több hívás is lehetséges, ami növeli a költségeket
  • Egy pontos prompt csökkenti a felesleges hívásokat és javítja a relevanciát
  • A hivatkozások automatikusan bekerülnek, ha forrásokat consulted