Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Architetture multi-strumento in produzione

Lezione 20 di 20 Aggiornata il 2 novembre 2026 Sviluppatore
In questa pagina
  1. Architetture multi-strumento in produzione
  2. Architettura a strati
  3. Orchestratore di produzione
  4. Configurazione dichiarativa
  5. Osservabilità e monitoraggio
  6. Gestione dei costi
  7. Pattern: router intelligente
  8. Checklist di produzione
  9. Punti chiave
  10. Metti alla prova le tue conoscenze

Aggiornato il 2 novembre 2026 sulla base della documentazione OpenAI: lo strumento Code Interpreter richiede ora un parametro container (aggiunto a tutti gli esempi), le parti di input testuale sono tipizzate come input_text e la ricerca web utilizza lo strumento web_search (web_search_preview è ora uno strumento legacy senza filtri di dominio). I file generati vengono recuperati utilizzando le funzioni fichiers_generes e telecharger della Lezione 10. Fonti: Code Interpreter · Ricerca web.

Architetture multi-strumento in produzione

Un prototipo multi-strumento funziona perché una singola persona lo utilizza, ne conosce i limiti e lo riavvia quando fallisce. La produzione rimuove tutte e tre queste condizioni contemporaneamente. Ciò che diventa critico non è la qualità della risposta (che c’era già), ma tre proprietà di cui il prototipo era privo: sapere cosa è successo quando una chiamata fallisce, impedire a un ciclo infinito di prosciugare il tuo budget e poter modificare il comportamento senza ridistribuire il codice.

I pattern seguenti affrontano ciascuno uno di questi requisiti. Non adottarli tutti insieme: inizia con l’osservabilità, perché senza di essa non saprai nemmeno quale degli altri ti manca.

Architettura a strati

Separare le responsabilità in strati non è eleganza architetturale: rende ogni parte sostituibile. Il vantaggio concreto è che puoi cambiare l’orchestrazione senza toccare l’interfaccia, o aggiungere uno strumento senza riscrivere la logica di business. I quattro strati seguenti sono la suddivisione minima che regge nella pratica.

# Strato 1: Interfaccia - ricezione della richiesta
# Strato 2: Orchestrazione - gestione del ciclo e routing
# Strato 3: Esecuzione - chiamate a strumenti e funzioni
# Strato 4: Osservabilità - log, metriche, tracce

from openai import OpenAI
from dataclasses import dataclass, field
from datetime import datetime
import json
import time
import logging

logger = logging.getLogger("multi-outils")

@dataclass
class TraceExecution:
    """Traccia di esecuzione per il monitoraggio."""
    requete_id: str
    debut: float = field(default_factory=time.time)
    tours: list = field(default_factory=list)
    outils_utilises: list = field(default_factory=list)
    tokens_total: int = 0
    erreurs: list = field(default_factory=list)
    duree_totale: float = 0.0

Orchestratore di produzione

class OrchestreurProduction:
    def __init__(self, config: dict):
        self.client = OpenAI()
        self.config = config
        self.tools = self._construire_tools(config)
        self.dispatcher = self._construire_dispatcher(config)

    def _construire_tools(self, config: dict) -> list:
        """Costruisce l'array di strumenti dalla configurazione."""
        tools = []

        if config.get("file_search"):
            tools.append({
                "type": "file_search",
                "vector_store_ids": config["file_search"]["vector_stores"],
                "max_num_results": config["file_search"].get("max_results", 10)
            })

        if config.get("web_search"):
            tools.append({
                "type": "web_search",
                "search_context_size": config["web_search"].get("context_size", "medium")
            })

        if config.get("code_interpreter"):
            tools.append({"type": "code_interpreter", "container": {"type": "auto"}})

        for func in config.get("fonctions", []):
            tools.append(func)

        return tools

    def _construire_dispatcher(self, config: dict) -> dict:
        """Mappa i nomi delle funzioni alle loro implementazioni."""
        return config.get("implementations", {})

    def executer(self, requete: str, fichiers: list = None,
                 max_tours: int = 10) -> dict:
        """Esegue una richiesta con tracciatura completa."""
        trace = TraceExecution(
            requete_id=f"req_{int(time.time()*1000)}"
        )

        content = [{"type": "input_text", "text": requete}]
        if fichiers:
            for fid in fichiers:
                content.append({"type": "input_file", "file_id": fid})

        messages = [{"role": "user", "content": content}]

        try:
            for tour in range(max_tours):
                debut_tour = time.time()

                response = self.client.responses.create(
                    model=self.config.get("model", "gpt-5.6-terra"),
                    input=messages,
                    tools=self.tools,
                    instructions=self.config.get("instructions", "")
                )

                trace.tokens_total += response.usage.total_tokens

                # Identifica le chiamate di funzione
                appels = [
                    item for item in response.output
                    if item.type == "function_call"
                ]

                # Registra gli strumenti utilizzati
                for item in response.output:
                    if hasattr(item, "type"):
                        trace.outils_utilises.append(item.type)

                trace.tours.append({
                    "numero": tour + 1,
                    "appels_fonction": len(appels),
                    "duree": time.time() - debut_tour
                })

                if not appels:
                    trace.duree_totale = time.time() - trace.debut
                    return {
                        "reponse": response.output_text,
                        "trace": trace
                    }

                # Esegue le funzioni personalizzate
                resultats = self._executer_fonctions(appels, trace)
                messages = response.output + resultats

        except Exception as e:
            trace.erreurs.append(str(e))
            trace.duree_totale = time.time() - trace.debut
            logger.error(f"Erreur requête {trace.requete_id}: {e}")
            return {"reponse": None, "erreur": str(e), "trace": trace}

        trace.duree_totale = time.time() - trace.debut
        return {"reponse": "Limite de tours", "trace": trace}

    def _executer_fonctions(self, appels: list, trace: TraceExecution) -> list:
        """Esegue le funzioni con gestione degli errori."""
        resultats = []
        for appel in appels:
            try:
                func = self.dispatcher.get(appel.name)
                if not func:
                    raise ValueError(f"Fonction inconnue : {appel.name}")

                args = json.loads(appel.arguments)
                resultat = func(**args)
                resultats.append({
                    "type": "function_call_output",
                    "call_id": appel.call_id,
                    "output": json.dumps(resultat)
                })
            except Exception as e:
                trace.erreurs.append(f"{appel.name}: {str(e)}")
                resultats.append({
                    "type": "function_call_output",
                    "call_id": appel.call_id,
                    "output": json.dumps({"error": str(e)})
                })
        return resultats

Configurazione dichiarativa

Spostare le definizioni di sistema fuori dal codice e nella configurazione cambia chi può intervenire. Regolare un prompt di sistema, rimuovere uno strumento o modificare un tetto di costi diventa una modifica di file — revisionabile e reversibile — invece di una distribuzione. Su un sistema che evolve settimanalmente, questa è la differenza tra iterare e reagire.

config_assistant_commercial = {
    "model": "gpt-5.6-terra",
    "instructions": (
        "You are a sales assistant. You have access to CRM data, "
        "product documentation, the web, and data analysis. "
        "Prioritize internal data, enrich with web data."
    ),
    "file_search": {
        "vector_stores": ["vs_fiches_produit", "vs_propositions"],
        "max_results": 10
    },
    "web_search": {
        "context_size": "medium"
    },
    "code_interpreter": True,
    "fonctions": [
        {
            "type": "function",
            "name": "creer_opportunite",
            "description": "Create an opportunity in the CRM",
            "parameters": {
                "type": "object",
                "properties": {
                    "client": {"type": "string"},
                    "montant": {"type": "number"},
                    "probabilite": {"type": "integer"}
                },
                "required": ["client", "montant", "probabilite"],
                "additionalProperties": False
            },
            "strict": True
        }
    ],
    "implementations": {
        "creer_opportunite": lambda client, montant, probabilite:
            crm_service.creer_opportunite(client, montant, probabilite)
    }
}

orchestreur = OrchestreurProduction(config_assistant_commercial)
resultat = orchestreur.executer("Prepare a proposal for Acme Corp")

Osservabilità e monitoraggio

Dashboard delle metriche

Tre metriche sono sufficienti per iniziare, e ciascuna risponde a una domanda diversa: la latenza per strumento ti dice quale sta rallentando il sistema, il tasso di fallimento per strumento ti dice quale è fragile, e il costo per richiesta ti dice quale sta spiraleggiando. Una media globale su tutte e tre non risponde a nessuna di queste domande.

class MetriquesMultiOutils:
    def __init__(self):
        self.requetes = []

    def enregistrer(self, trace: TraceExecution):
        self.requetes.append({
            "id": trace.requete_id,
            "timestamp": datetime.now().isoformat(),
            "duree": trace.duree_totale,
            "tours": len(trace.tours),
            "tokens": trace.tokens_total,
            "outils": list(set(trace.outils_utilises)),
            "erreurs": len(trace.erreurs),
            "cout_estime": self._estimer_cout(trace)
        })

    def _estimer_cout(self, trace: TraceExecution) -> float:
        """Stima il costo in dollari dell'esecuzione."""
        # Tariffe approssimative per gpt-5.6-terra: $2 / $12 per milione
        cout_input = trace.tokens_total * 0.6 * 0.000002
        cout_output = trace.tokens_total * 0.4 * 0.000012
        return round(cout_input + cout_output, 4)

    def rapport(self) -> dict:
        if not self.requetes:
            return {}
        durees = [r["duree"] for r in self.requetes]
        tokens = [r["tokens"] for r in self.requetes]
        couts = [r["cout_estime"] for r in self.requetes]

        return {
            "total_requetes": len(self.requetes),
            "duree_moyenne": sum(durees) / len(durees),
            "tokens_moyen": sum(tokens) / len(tokens),
            "cout_total": sum(couts),
            "taux_erreur": sum(1 for r in self.requetes if r["erreurs"] > 0) / len(self.requetes),
            "outils_les_plus_utilises": self._outils_frequents()
        }

    def _outils_frequents(self) -> dict:
        compteur = {}
        for r in self.requetes:
            for outil in r["outils"]:
                compteur[outil] = compteur.get(outil, 0) + 1
        return dict(sorted(compteur.items(), key=lambda x: -x[1]))

Gestione dei costi

class GestionnaireCouts:
    def __init__(self, budget_quotidien: float = 50.0):
        self.budget = budget_quotidien
        self.depenses_jour = 0.0
        self.date_reset = datetime.now().date()

    def peut_executer(self, cout_estime: float) -> bool:
        """Verifica se il budget consente l'esecuzione."""
        aujourdhui = datetime.now().date()
        if aujourdhui > self.date_reset:
            self.depenses_jour = 0.0
            self.date_reset = aujourdhui

        return (self.depenses_jour + cout_estime) <= self.budget

    def enregistrer_depense(self, cout: float):
        self.depenses_jour += cout

    def budget_restant(self) -> float:
        return self.budget - self.depenses_jour

# Integrazione nell'orchestratore
gestionnaire_couts = GestionnaireCouts(budget_quotidien=100.0)

def executer_avec_budget(orchestreur, requete, **kwargs):
    cout_estime = 0.05  # Stima conservativa
    if not gestionnaire_couts.peut_executer(cout_estime):
        return {"erreur": "Daily budget reached", "restant": 0}

    resultat = orchestreur.executer(requete, **kwargs)
    cout_reel = resultat["trace"].tokens_total * 0.000002
    gestionnaire_couts.enregistrer_depense(cout_reel)

    return resultat

Pattern: router intelligente

Man mano che i casi d’uso si moltiplicano, la tentazione è affidare tutto a un unico sistema dotato di ogni strumento. Questa è la scelta più costosa: ogni richiesta, anche quelle banali, si porta dietro l’intero set di definizioni degli strumenti. Un router che classifica prima la richiesta, per poi chiamare un orchestratore specializzato, mantiene i contesti brevi e rende ogni flusso misurabile separatamente.

class RouteurIntelligent:
    def __init__(self):
        self.client = OpenAI()
        self.orchestreurs = {}

    def enregistrer(self, domaine: str, orchestreur: OrchestreurProduction):
        self.orchestreurs[domaine] = orchestreur

    def router(self, requete: str) -> dict:
        """Determina il dominio e instrada verso l'orchestratore corretto."""
        # Classificazione rapida con un modello leggero
        response = self.client.responses.create(
            model="gpt-5.6-terra",
            input=f"Classify this request into a domain: {requete}\n"
                  f"Available domains: {list(self.orchestreurs.keys())}\n"
                  f"Respond only with the domain name.",
        )

        domaine = response.output_text.strip().lower()

        if domaine not in self.orchestreurs:
            domaine = "general"  # Fallback

        logger.info(f"Requête routee vers : {domaine}")
        return self.orchestreurs[domaine].executer(requete)

# Configurazione
routeur = RouteurIntelligent()
routeur.enregistrer("commercial", OrchestreurProduction(config_assistant_commercial))
routeur.enregistrer("support", OrchestreurProduction(config_support))
routeur.enregistrer("rh", OrchestreurProduction(config_rh))

# Utilizzo
resultat = routeur.router("How many vacation days do I have left?")
# -> Instrada automaticamente all'orchestratore HR

Checklist di produzione

Questa checklist è volutamente breve. Non mira all’esaurienza ma copre i punti la cui assenza ti costa in incidenti piuttosto che in disagi — e che non puoi aggiungere in fretta il giorno in cui il sistema è già nelle mani degli utenti.

checklist = {
    "securite": [
        "Validate arguments for each function",
        "Rate limiting per user",
        "Sanitize inputs and outputs",
        "No sensitive data in logs"
    ],
    "fiabilite": [
        "Retry with backoff on transient errors",
        "Circuit breaker per external service",
        "Timeout per tool and per global request",
        "Fallback when a tool is unavailable"
    ],
    "performance": [
        "Parallel execution of independent calls",
        "Cache frequent search results",
        "Limit the number of loop iterations",
        "Choose the model adapted to complexity (gpt-5.6-terra vs gpt-5.6-terra)"
    ],
    "observabilite": [
        "Structured logging for each call",
        "Latency and cost metrics",
        "Alerts on error rate",
        "Complete trace of each request"
    ],
    "couts": [
        "Daily budget with circuit breaker",
        "Cost estimation before execution",
        "Weekly spending report",
        "Model choice optimization by complexity"
    ]
}

Punti chiave

  • Scomponi in strati: interfaccia, orchestrazione, esecuzione, osservabilità
  • Usa una configurazione dichiarativa per definire i sistemi
  • Traccia ogni esecuzione per monitoraggio e debug
  • Implementa un gestore dei costi con budget giornaliero
  • Un router intelligente distribuisce le richieste agli orchestratori giusti

Metti alla prova le tue conoscenze

Chiamate di funzione, ricerca, esecuzione: l’intero arsenale in cinque domande.

1. Cosa deve contenere uno schema di funzione efficace?

Risposta: Tipi rigorosi e descrizioni operative per parametro — questo è il contratto che il modello usa per decidere quando chiamare e come compilare; la validazione respinge il resto.

2. Ricerca Web o Ricerca File: come scegliere?

Risposta: Ricerca Web per informazioni pubbliche e recenti; Ricerca File per i tuoi documenti indicizzati (chunking + ranking integrato) — e la ricerca ibrida combina entrambi quando la risposta abbraccia entrambi i mondi.

3. Cosa permette Code Interpreter nell'API?

Risposta: Eseguire codice in una sandbox: elaborare CSV/Excel/immagini, calcolare con precisione, produrre grafici — il modello ragiona, il codice calcola, la sandbox isola.

4. A cosa serve Tool Search?

Risposta: A esporre dinamicamente un ampio catalogo di strumenti: il modello cerca lo strumento rilevante invece di ricevere cento schemi tutti insieme — il contesto rimane leggero, le capacità restano vaste.

5. Quali regole si applicano a un'architettura multi-strumento in produzione?

Risposta: Strumenti con ambito chiaro, gestione degli errori e fallback per strumento, chiamate parallele quando indipendenti e osservabilità per ogni chiamata — la robustezza si progetta strumento per strumento.

Ogni strumento ha il suo terreno; la produzione li combina — l’architettura finale sopra è il tuo piano di riferimento.