Kombinuok įrankius viename kvietime
Šiame puslapyje
Atnaujinta 2026 m. lapkričio 2 d. pagal „OpenAI“ dokumentaciją: „Code Interpreter“ įrankiui dabar reikia
containerparametro (pridėta visuose pavyzdžiuose), teksto įvesties dalys naudojainput_texttipą, o žiniatinklio paieška naudojaweb_searchįrankį (web_search_previewdabar yra pasenusęs įrankis be domenų filtrų). Sugeneruoti failai gaunami naudojantfichiers_generesirtelechargerfunkcijas iš 10 pamokos. Prie žinutės pridėti failai įkeliami suuser_datapaskirtimi, kurią „OpenAI“ rekomenduoja modelio įvestims (File inputs). Šaltiniai: Code Interpreter · Web search.
Kombinuok įrankius viename kvietime
Iki šiol nagrinėjome kiekvieną įrankį atskirai. Realioje gamyboje įdomūs klausimai retai būna tokios formos. Klausimas „kaip mūsų pardavimai lyginami su rinka?“ reikalauja gauti vidinį rodiklį, išorinį rodiklį ir tada juos palyginti. Trys įrankiai, trys šaltiniai, vienas kvietimas.
Keičiasi tai, kas nusako eiliškumą. Tu neprogramuoji sekos: tu deklaruoji turimus įrankius ir aprašai laukiamą rezultatą, o modelis sudaro savo planą. Tai patogu, tačiau tai ir yra ta vieta, į kurią reikia atkreipti dėmesį – numanomas planas yra planas, kurio negali peržiūrėti. Paskutinėje šios pamokos dalyje parodysime, kaip atgauti kontrolę, kai eiliškumas tikrai svarbus.
Kombinavimo principas
Visi įrankiai deklaruojami tame pačiame tools masyve, ir tai yra visas mechanizmas: nėra jokios kompozicijos API, yra tik turimų galimybių sąrašas. Modelis perskaito tavo užklausą, numato būtinus veiksmus ir iškviečia tai, ko jam reikia, tokia tvarka, kurią laiko naudinga. Įrankis, kuris yra deklaruotas, bet užduočiai nereikalingas, tiesiog nebus iškviettas – tai nekainuoja nieko, išskyrus kelis tokenus jo aprašyme.
from openai import OpenAI
client = OpenAI()
response = client.responses.create(
model="gpt-5.6-terra",
input="Palygink mūsų pardavimų prognozes su rinkos tendencijomis, "
"tada sukurk palyginimo diagramą.",
tools=[
{"type": "file_search", "vector_store_ids": ["vs_previsions"]},
{"type": "web_search"},
{"type": "code_interpreter", "container": {"type": "auto"}}
]
)
Modelis atliks šiuos veiksmus:
- Gaus vidines prognozes naudodamas „File Search“
- Gaus rinkos tendencijas naudodamas „Web Search“
- Sugeneruos palyginimo diagramą naudodamas „Code Interpreter“
Pilnas pavyzdys: analitinė pagalbinė programa
with open("donnees_ventes.csv", "rb") as f:
fichier = client.files.create(file=f, purpose="user_data")
tools = [
# Vidinių dokumentų paieška
{
"type": "file_search",
"vector_store_ids": ["vs_rapports", "vs_objectifs"],
"max_num_results": 10
},
# Žiniatinklio paieška rinkos kontekstui
{
"type": "web_search",
"search_context_size": "medium"
},
# Kodo vykdymas analizei
{"type": "code_interpreter", "container": {"type": "auto"}},
# Funkcija ataskaitai išsaugoti
{
"type": "function",
"name": "sauvegarder_rapport",
"description": "Išsaugoti analizės ataskaitą dokumentų sistemoje",
"parameters": {
"type": "object",
"properties": {
"titre": {"type": "string"},
"contenu": {"type": "string"},
"categorie": {
"type": "string",
"enum": ["analyse", "prevision", "audit", "comparaison"]
},
"tags": {
"type": "array",
"items": {"type": "string"}
}
},
"required": ["titre", "contenu", "categorie", "tags"],
"additionalProperties": False
},
"strict": True
}
]
response = client.responses.create(
model="gpt-5.6-terra",
input=[{
"role": "user",
"content": [
{"type": "input_text", "text": (
"Remiantis šiuo pardavimų failu: "
"1. Išanalizuok tendencijas per paskutinius 12 mėnesių "
"2. Palygink su mūsų metiniais tikslais (ieškok dokumentuose) "
"3. Ieškok žiniatinklyje rinkos tendencijų "
"4. Sugeneruok palyginimo diagramą "
"5. Parašyk santraukos ataskaitą "
"6. Išsaugok ataskaitą"
)},
{"type": "input_file", "file_id": fichier.id}
]
}],
tools=tools,
instructions=(
"Esi vyresnysis verslo analitikas. "
"Naudok visus turimus įrankius, kad parengtum "
"išsamią, šaltiniais pagrįstą analizę."
)
)
Daugiaįrankio ciklo valdymas
Čia yra asimetrija, kurios turi nepamiršti, nes ji lemia tavo kodo struktūrą. Integruoti įrankiai – „Web Search“, „File Search“, „Code Interpreter“ – vykdomi „OpenAI“ serveriuose: modelis juos iškviečia, gauna rezultatą ir tęsia darbą, visa tai vieno užklausos ciklo metu. Tavo sukurtos funkcijos, tačiau, vykdomos tavo pusėje: modelis gali tik prašyti jų įvykdymo, tada jis perduoda valdymą ir laukia.
Todėl žemiau pateiktas ciklas. Kol atsakyme yra funkcijų kvietimų, tu jas vykdai, grąžini rezultatus ir paleidi iš naujo. Nustatyk maksimalų iteracijų skaičių: modelis, kuris be galo kartotinai kviečia tą patį įrankį, nes rezultatas jo netenkina, yra retas, bet realus atvejis, ir be apsaugos jis sunaudos tavo biudžetą iki visiško išsekimo.
import json
def boucle_multi_outils(prompt, tools, fichiers=None, max_tours=15):
"""Funkcijų kvietimo ciklas su kelių įrankių palaikymu."""
content = [{"type": "input_text", "text": prompt}]
if fichiers:
for fid in fichiers:
content.append({"type": "input_file", "file_id": fid})
messages = [{"role": "user", "content": content}]
for tour in range(max_tours):
response = client.responses.create(
model="gpt-5.6-terra",
input=messages,
tools=tools,
instructions="Naudok reikiamus įrankius, kad atsakytum išsamiai."
)
# Integruoti įrankiai (web_search, file_search, code_interpreter)
# vykdomi automatiškai serverio pusėje.
# Mes tvarkome tik custom function_call elementus.
appels_custom = [
item for item in response.output
if item.type == "function_call"
]
if not appels_custom:
# Nėra custom kvietimo: modelis baigė darbą
return {
"reponse": response.output_text,
"tours": tour + 1,
"tokens": response.usage.total_tokens
}
# Vykdyti custom funkcijas
resultats = []
for appel in appels_custom:
resultat = dispatcher_fonctions(appel.name, appel.arguments)
resultats.append({
"type": "function_call_output",
"call_id": appel.call_id,
"output": json.dumps(resultat)
})
# Paruošti kitą ėjimą
messages = response.output + resultats
return {"reponse": "Pasiektas ėjimų limitas", "tours": max_tours}
Orkestracijos strategijos
Nukreipk įrankių eiliškumą
Automatinė orkestracija veikia gerai, kol eiliškumas nėra svarbus. Ji nustoja veikti, kai vienas žingsnis turi informuoti kitą: pavyzdžiui, pirmiausia ieškoti savo dokumentuose, o tik tada žiniatinklyje, nes vidinė terminija lemia išorinės užklausos aktualumą. Sistemos promptas yra svertas – ne kaip techninis apribojimas, o kaip metodologinė instrukcija, kurią modelis vykdo tuo geriau, kuo ji labiau pagrįsta.
# 1 strategija: pirmiausia ieškoti, tada veikti
instructions_recherche_dabord = (
"Prieš imantis bet kokio veiksmo, pirmiausia ieškok reikiamos informacijos "
"vidiniuose dokumentuose ir žiniatinklyje. "
"Nesiūlyk veiksmų, kol nesurinkai visų duomenų."
)
# 2 strategija: duomenų analizė, tada papildymas
instructions_analyse_dabord = (
"Pradėk nuo duomenų analizės naudodamas Code Interpreter. "
"Tada papildyk savo išvadas žiniatinklio paieškomis. "
"Galiausiai palygink su vidiniais dokumentais."
)
# 3 strategija: kryžminis patikrinimas
instructions_verification = (
"Kiekvieną svarbią informacijos dalį patikrink bent dviejuose šaltiniuose: "
"vidiniuose dokumentuose IR žiniatinklio paieškoje. Pranešk apie bet kokius prieštaravimus."
)
Apribok įrankius pagal žingsnį
Priešingas požiūris – pašalinti pasirinkimą. Vietoj vieno kvietimo su visu įrankių rinkiniu, darbo eigą padaliji į kelis kvietimus, kurių kiekviename deklaruojamas tik tam tikram žingsniui skirtas įrankis. Prarandi automatinę orkestraciją, bet gauni tris dalykus, svarbius gamyboje: garantuotą eiliškumą, numatomas išlaidas ir izoliuotas klaidas. Kritinei eigai tai beveik visada yra teisingas kompromisas.
# 1 žingsnis: duomenų rinkimas (be kodo)
response_collecte = client.responses.create(
model="gpt-5.6-terra",
input="Surink informaciją apie projektą Alpha",
tools=[
{"type": "file_search", "vector_store_ids": ["vs_projets"]},
{"type": "web_search"}
]
)
# 2 žingsnis: analizė su surinktais duomenimis
response_analyse = client.responses.create(
model="gpt-5.6-terra",
input=f"Išanalizuok šią informaciją ir sugeneruok diagramas:\n"
f"{response_collecte.output_text}",
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
Šablonas: kelių įgūdžių agentas
Šis paskutinis pavyzdys derina abu požiūrius: maršrutizatorius pasirenka įrankių konfigūraciją pagal užklausos pobūdį, tada leidžia modeliui orkestruoti veiksmus toje apribotoje srityje. Tai kompromisas, kuris pasiteisina naudojant – pakankamai laisvės įvairioms užklausoms apdoroti, pakankamai struktūros, kad išlaidos ir elgsena būtų numatomi.
class AgentMultiCompetences:
def __init__(self, vector_stores: list[str], fonctions: list[dict]):
self.client = OpenAI()
self.tools = [
{"type": "file_search", "vector_store_ids": vector_stores},
{"type": "web_search", "search_context_size": "medium"},
{"type": "code_interpreter", "container": {"type": "auto"}},
] + fonctions
def traiter(self, requete: str, fichiers: list[str] = None) -> dict:
return boucle_multi_outils(requete, self.tools, fichiers)
# Sukurti agento instanciją
agent = AgentMultiCompetences(
vector_stores=["vs_docs", "vs_contrats"],
fonctions=[
{
"type": "function",
"name": "envoyer_email",
"description": "Siųsti pranešimo el. laišką",
"parameters": {
"type": "object",
"properties": {
"destinataire": {"type": "string"},
"sujet": {"type": "string"},
"corps": {"type": "string"}
},
"required": ["destinataire", "sujet", "corps"],
"additionalProperties": False
},
"strict": True
},
{
"type": "function",
"name": "creer_tache",
"description": "Sukurti užduotį projektų valdytojuje",
"parameters": {
"type": "object",
"properties": {
"titre": {"type": "string"},
"assignee": {"type": "string"},
"priorite": {"type": "string", "enum": ["basse", "moyenne", "haute"]},
"echeance": {"type": "string"}
},
"required": ["titre", "assignee", "priorite"],
"additionalProperties": False
},
"strict": True
}
]
)
# Agentas dabar gali:
# - Ieškoti dokumentuose
# - Ieškoti žiniatinklyje
# - Analizuoti duomenis
# - Siųsti el. laiškus
# - Kurti užduotis
resultat = agent.traiter(
"Išanalizuok I ketvirčio pardavimus, palygink su tikslais "
"ir sukurk užduotį pardavimų direktoriui, jei atsiliekame."
)
Svarbiausi punktai
- Visi įrankiai egzistuoja kartu tame pačiame
toolsmasyve - Integruoti įrankiai vykdomi serverio pusėje, custom funkcijos – kliento pusėje
- Modelis automatiškai orkestruoja kvietimų eiliškumą
- Nukreipk orkestracijos strategiją naudodamas sistemos promptą
- Įgyvendink ciklą custom funkcijų kvietimams valdyti