Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Pipeline multi-strumento

Lezione 13 di 14 Aggiornata il 29 luglio 2026 Sviluppatore
In questa pagina
  1. Orchestrazione degli strumenti in sequenza
  2. Architettura della pipeline
  3. Esempio: pipeline di intelligence competitiva
  4. Esecuzione della pipeline
  5. Combinazione di strumenti server e client in una pipeline
  6. Pattern: fan-out / fan-in
  7. Gestione degli errori in una pipeline
  8. Punti chiave

Orchestrazione degli strumenti in sequenza

L’agente meteo della lezione precedente utilizzava strumenti indipendenti. In una pipeline multi-strumento, i risultati di uno strumento alimentano la chiamata successiva. Il modello orchestra la sequenza automaticamente: il tuo ruolo è fornire gli strumenti ed eseguire le chiamate.

Architettura della pipeline

Una pipeline tipica segue questo schema:

Ricerca → Analisi → Azione → Notifica

Ogni passo produce dati consumati dal successivo. Il modello gestisce questa orchestrazione naturalmente grazie al contesto della conversazione.

Esempio: pipeline di intelligence competitiva

Immagina una pipeline che monitora i prezzi dei concorrenti e genera un report:

tools = [
    {
        "type": "function",
        "function": {
            "name": "scrape_competitor_prices",
            "description": "Retrieve current prices from a competitor "
                          "for a list of products. Returns an array "
                          "of {product, price, availability}.",
            "parameters": {
                "type": "object",
                "properties": {
                    "competitor": {
                        "type": "string",
                        "description": "Competitor name"
                    },
                    "products": {
                        "type": "array",
                        "items": {"type": "string"},
                        "description": "List of products to check"
                    }
                },
                "required": ["competitor", "products"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "compare_with_our_prices",
            "description": "Compare competitor prices with our prices. "
                          "Returns percentage gaps and adjustment "
                          "recommendations.",
            "parameters": {
                "type": "object",
                "properties": {
                    "competitor_prices": {
                        "type": "array",
                        "items": {
                            "type": "object",
                            "properties": {
                                "product": {"type": "string"},
                                "price": {"type": "number"}
                            }
                        }
                    }
                },
                "required": ["competitor_prices"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "generate_report",
            "description": "Generate a PDF report with the benchmark "
                          "analysis results. Returns the report URL.",
            "parameters": {
                "type": "object",
                "properties": {
                    "title": {"type": "string"},
                    "data": {"type": "object"},
                    "format": {
                        "type": "string",
                        "enum": ["pdf", "csv", "json"]
                    }
                },
                "required": ["title", "data"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "send_notification",
            "description": "Send an email or Slack notification "
                          "with a summary and a link to the report.",
            "parameters": {
                "type": "object",
                "properties": {
                    "channel": {
                        "type": "string",
                        "enum": ["email", "slack"]
                    },
                    "recipient": {"type": "string"},
                    "message": {"type": "string"},
                    "attachment_url": {"type": "string"}
                },
                "required": ["channel", "recipient", "message"]
            }
        }
    }
]

Esecuzione della pipeline

Quando l’utente chiede: «Analizza i prezzi di CompetitorX per i nostri 5 prodotti principali e invia il report al team vendite», il modello orchestra:

Turn 1 : scrape_competitor_prices(competitor="CompetitorX", products=[...])
Turn 2 : compare_with_our_prices(competitor_prices=[results from turn 1])
Turn 3 : generate_report(title="CompetitorX Price Monitoring", data={...})
Turn 4 : send_notification(channel="slack", recipient="#sales", ...)

Ogni turno utilizza i risultati del precedente. Il modello passa naturalmente i dati da uno strumento all’altro.

Combinazione di strumenti server e client in una pipeline

Le pipeline più potenti combinano strumenti server e client:

tools = [
    {"type": "web_search"},  # Server: web search
    {
        "type": "function",
        "function": {
            "name": "extract_data",
            "description": "Extract structured data from raw text",
            "parameters": { ... }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "save_to_crm",
            "description": "Save extracted data to the CRM",
            "parameters": { ... }
        }
    }
]

Flusso: il modello esegue una ricerca web (automatica lato server), poi chiama la tua funzione di estrazione (lato client), infine salva nel CRM (lato client).

Pattern: fan-out / fan-in

Alcune pipeline richiedono un pattern fan-out (chiamate parallele multiple) seguito da un fan-in (aggregazione dei risultati):

         ┌→ scrape_site_A ─┐
Request ─┤→ scrape_site_B ─┤→ aggregate_results → generate_report
         └→ scrape_site_C ─┘

Il modello gestisce questo scenario naturalmente con chiamate parallele:

Turn 1 : [scrape_site_A, scrape_site_B, scrape_site_C]  (parallel)
Turn 2 : aggregate_results(data=[result_A, result_B, result_C])
Turn 3 : generate_report(aggregated_data={...})

Gestione degli errori in una pipeline

Una pipeline robusta gestisce gli errori a ogni passo:

def execute_with_retry(name, args, max_retries=2):
    for attempt in range(max_retries + 1):
        try:
            result = execute_function(name, args)
            if "error" not in result:
                return result
        except Exception:
            pass

        if attempt < max_retries:
            time.sleep(1)  # Wait before retry

    return {
        "error": f"Failed after {max_retries + 1} attempts",
        "function": name,
        "partial_data": None
    }

Quando un passo fallisce, il modello può:

  • Riprovare con parametri aggiustati
  • Saltare il passo e continuare con dati parziali
  • Informare l’utente e richiedere istruzioni

Punti chiave

  • Una pipeline multi-strumento concatena i risultati di uno strumento al successivo
  • Il modello orchestra la sequenza automaticamente grazie al contesto
  • Il pattern fan-out/fan-in combina chiamate parallele e aggregazione
  • Combina strumenti server (web_search) e client (le tue funzioni) per pipeline ibride
  • Gestisci gli errori a ogni passo con retry e fallback
  • Ogni strumento nella pipeline deve avere una responsabilità singola e chiara