Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Chiamate parallele e sequenziali

Lezione 3 di 20 Sviluppatore
In questa pagina
  1. Chiamate parallele e sequenziali
  2. Chiamate parallele
  3. Disabilitare le chiamate parallele
  4. Chiamate sequenziali con un ciclo
  5. Esempio pratico: Pipeline di elaborazione
  6. Pattern ibrido: Parallelo poi sequenziale
  7. Punti chiave

Chiamate parallele e sequenziali

Il modello può emettere più chiamate di funzioni in un’unica risposta, farlo automaticamente ogni volta che identifica esigenze indipendenti. Non si tratta solo di un’ottimizzazione estetica: tre chiamate da due secondi eseguite insieme richiedono due secondi totali, ma se concatenate sequenzialmente ne richiedono sei.

Il vero focus di questa lezione non è come parallelizzare — il modello se ne occupa — ma come riconoscere i casi in cui non dovresti farlo. Due chiamate sono indipendenti quando l’ordine di esecuzione non influisce sul risultato. Non appena un’operazione legge ciò che un’altra scrive, o un parametro deve provenire da una chiamata precedente, il parallelismo diventa un bug difficile da riprodurre.

Chiamate parallele

Non c’è nulla da abilitare: questo è il comportamento predefinito. Una query su tre città produce tre elementi function_call nella stessa risposta; tu li esegui. Nota che il modello ragiona sul significato delle funzioni basandosi sulle tue descrizioni: le descrizioni guidano la decisione, come in quasi tutto questo corso.

from openai import OpenAI
import json
import asyncio

client = OpenAI()

tools = [
    {
        "type": "function",
        "name": "get_meteo",
        "description": "Get current weather for a city",
        "parameters": {
            "type": "object",
            "properties": {
                "ville": {"type": "string"}
            },
            "required": ["ville"],
            "additionalProperties": False
        },
        "strict": True
    },
    {
        "type": "function",
        "name": "get_taux_change",
        "description": "Get exchange rate between two currencies",
        "parameters": {
            "type": "object",
            "properties": {
                "source": {"type": "string"},
                "cible": {"type": "string"}
            },
            "required": ["source", "cible"],
            "additionalProperties": False
        },
        "strict": True
    }
]

response = client.responses.create(
    model="gpt-5.6-terra",
    input="What's the weather in Paris and Berlin, "
          "and what is the EUR/USD exchange rate?",
    tools=tools
)

# The model emits 3 calls in parallel
appels = [item for item in response.output if item.type == "function_call"]
print(f"Nombre d'appels : {len(appels)}")
# => Nombre d'appels : 3

Eseguire chiamate parallele lato client

Ricevere tre chiamate contemporaneamente è inutile se il tuo codice le esegue una dopo l’altra: perdi tutto il guadagno lato client. asyncio.gather è il minimo; aggiungi due precauzioni per la produzione: un limite di concorrenza, per non aprire cinquanta connessioni simultanee a un servizio che ne supporta solo dieci, e una gestione degli errori per chiamata, affinché un fallimento isolato non comprometta gli altri risultati.

async def executer_fonction(name: str, arguments: str) -> dict:
    args = json.loads(arguments)
    if name == "get_meteo":
        return await api_meteo(args["ville"])
    elif name == "get_taux_change":
        return await api_change(args["source"], args["cible"])

async def traiter_appels_paralleles(appels):
    taches = [
        executer_fonction(appel.name, appel.arguments)
        for appel in appels
    ]
    resultats = await asyncio.gather(*taches)

    return [
        {
            "type": "function_call_output",
            "call_id": appel.call_id,
            "output": json.dumps(resultat)
        }
        for appel, resultat in zip(appels, resultats)
    ]

# Execute
resultats = asyncio.run(traiter_appels_paralleles(appels))

# Send back to the model
response_finale = client.responses.create(
    model="gpt-5.6-terra",
    input=response.output + resultats,
    tools=tools
)
print(response_finale.output_text)

Disabilitare le chiamate parallele

parallel_tool_calls=False forza il modello a emettere una sola chiamata per risposta. Usa questa impostazione deliberatamente: scambi latenza per sicurezza. Riservalo alle funzioni che scrivono, modificano o attivano qualcosa di esterno.

response = client.responses.create(
    model="gpt-5.6-terra",
    input="Process these three orders",
    tools=tools,
    parallel_tool_calls=False  # One call per response
)

Casi d’uso per disabilitare il parallelismo:

  • Operazioni che devono essere eseguite in un ordine specifico
  • Funzioni con effetti collaterali che interferiscono tra loro
  • Quando il risultato di una chiamata condiziona la successiva

Chiamate sequenziali con un ciclo

L’esecuzione sequenziale non è controllata da un parametro: emerge dal ciclo. Esegui la chiamata, invii indietro il risultato e il modello decide il passo successivo basandosi su ciò che ha appena appreso. Questo è esattamente ciò che distingue una catena dinamica da un piano rigido: se il passo 2 rivela che il passo 3 è inutile, il modello non lo chiamerà.

def boucle_function_calling(prompt: str, tools: list, max_tours: int = 10):
    """Complete loop for sequential function calling."""
    messages_input = prompt
    tour = 0

    while tour < max_tours:
        response = client.responses.create(
            model="gpt-5.6-terra",
            input=messages_input,
            tools=tools,
            parallel_tool_calls=False
        )

        # Check for function calls
        appels = [i for i in response.output if i.type == "function_call"]

        if not appels:
            # Model is done, responding with text
            return response.output_text

        # Execute each call
        resultats = []
        for appel in appels:
            resultat = executer_fonction_sync(appel.name, appel.arguments)
            resultats.append({
                "type": "function_call_output",
                "call_id": appel.call_id,
                "output": json.dumps(resultat)
            })

        # Prepare next turn
        messages_input = response.output + resultats
        tour += 1

    return "Turn limit reached"

Esempio pratico: Pipeline di elaborazione

Un caso tipico in cui l’esecuzione sequenziale è obbligatoria, perché ogni passo consuma ciò che il precedente ha prodotto:

tools_pipeline = [
    {
        "type": "function",
        "name": "valider_commande",
        "description": "Verify order validity (stock, price, customer)",
        "parameters": {
            "type": "object",
            "properties": {
                "commande_id": {"type": "string"}
            },
            "required": ["commande_id"],
            "additionalProperties": False
        },
        "strict": True
    },
    {
        "type": "function",
        "name": "calculer_livraison",
        "description": "Calculate shipping fees and delays. "
                       "Requires a validated order.",
        "parameters": {
            "type": "object",
            "properties": {
                "commande_id": {"type": "string"},
                "mode": {"type": "string", "enum": ["standard", "express"]}
            },
            "required": ["commande_id", "mode"],
            "additionalProperties": False
        },
        "strict": True
    },
    {
        "type": "function",
        "name": "confirmer_commande",
        "description": "Confirm the order and trigger payment. "
                       "Requires prior validation and shipping calculation.",
        "parameters": {
            "type": "object",
            "properties": {
                "commande_id": {"type": "string"},
                "livraison_id": {"type": "string"}
            },
            "required": ["commande_id", "livraison_id"],
            "additionalProperties": False
        },
        "strict": True
    }
]

# The model will naturally call in this order:
# 1. valider_commande
# 2. calculer_livraison (using step 1 result)
# 3. confirmer_commande (using results from steps 1 and 2)
resultat = boucle_function_calling(
    "Process order CMD-42567 with express shipping",
    tools_pipeline
)

Pattern ibrido: Parallelo poi sequenziale

Nella pratica, la maggior parte dei flussi di lavoro reali segue questo pattern misto: una fase di raccolta in cui tutto può essere eseguito simultaneamente, seguita da una fase di elaborazione che rispetta le dipendenze. Non devi codificare nulla di speciale per questo: è la conseguenza naturale del ciclo, a patto che le tue descrizioni rendano chiare le dipendenze.

# Turn 1: Parallel data collection
# The model calls get_client AND get_stock in parallel

# Turn 2: Sequential decision based on results
# The model calls valider_commande with collected info

# Turn 3: Final action
# The model calls confirmer_commande

Questo pattern sembra naturale: il modello parallelizza automaticamente quando le chiamate sono indipendenti, poi le concatena sequenzialmente quando appare una dipendenza.

Punti chiave

  • Il modello parallelizza automaticamente le chiamate indipendenti
  • Usa asyncio.gather per eseguire chiamate parallele lato client
  • Disabilita con parallel_tool_calls=False quando l’ordine è importante
  • Implementa un ciclo per flussi di lavoro multi-step
  • Le descrizioni delle funzioni guidano il modello sulle dipendenze tra i passi