Agentai su samprotavimu (GPT-5.6 Sol, nuo didelio iki maksimalaus pastangų lygio)
Šiame puslapyje
- Agentai su samprotavimu (GPT-5.6, nuo didelio iki maksimalaus pastangų lygio)
- Kada agente įjungti samprotavimą
- Sol + didelis/ypatingai didelis pastangų lygis: gilus samprotavimas
- Terra + vidutinis pastangų lygis: greitas samprotavimas
- Šablonas: konfigūracijos maršrutizatorius
- Srautinio perdavimo elgsena įjungus samprotavimą
- Išlaidų optimizavimas
- Svarbiausi punktai
Atnaujinta 2026 m. lapkričio 2 d. — modeliai.
o3,o3-proir senieji GPT-5 variantai bus pašalinti iš API 2026 m. gruodžio 11 d., oo4-minijau seniai pakeistas naujesniais modeliais. Naujiems agentams pradėkite nuo GPT-6 šeimos: GPT-6.1 Sol pusiausvyrai pasiekti, GPT-6 Astra – sudėtingiausiems uždaviniams.
Agentai su samprotavimu (GPT-5.6, nuo didelio iki maksimalaus pastangų lygio)
Nuo 2026 m. liepos mėn. prieinama GPT-5.6 šeima pakeitė ankstesnį požiūrį: samprotavimas nebėra atskirų modelių (pvz., o3-pro, o4-mini) išskirtinė savybė. Dabar tai kiekvienos užklausos nustatymas (none, low, medium, high, xhigh, max), taikomas bet kuriam modeliui. Agentui, kuriam tikrai reikia „pagalvoti“ – prieš atsakant išnagrinėti kelias galimas kryptis – paprastai naudojamas GPT-5.6 Sol su high arba xhigh pastangų lygiu. Integruotas į tavo agentus, šis samprotavimo gebėjimas atveria duris uždaviniams, reikalaujantiems tikros deliberacijos.
Kada agente įjungti samprotavimą
Gilus samprotavimas ypač naudingas specifinėse situacijose, turinčiose bendrą bruožą: prieš priimant sprendimą reikia palyginti galimas kryptis. Tai taikoma sudėtingam planavimui, kai uždavinį skaidai į optimalius žingsnius, bei matematinei analizei – skaičiavimams, statistikai, optimizavimui, kur viena klaida sugriauna visą rezultatą. Tai taip pat galioja derinimui (debugging), kai reikia atsekti simptomą iki jo priežasties, ir sprendimų priėmimui, kai tenka įvertinti kelias alternatyvas ir pasirinkti geriausią. Kodo peržiūra taip pat patenka į šią kategoriją: norint aptikti subtilią klaidą, reikia mintyse imituoti vykdymą, ko tiesinis skaitymas neatskleis.
Paprastiems uždaviniams (atsakyti į klausimą, suformatuoti tekstą) GPT-5.6 Terra arba Luna su mažu pastangų lygiu (arba net none) yra greitesni ir pigesni. Mokėti už samprotavimą norint performuluoti pastraipą yra tas pats, kas laikyti lenktyninį automobilį kamštyje tuščiąja eiga.
Sol + didelis/ypatingai didelis pastangų lygis: gilus samprotavimas
GPT-5.6 Sol su dideliu samprotavimo lygiu pakeičia tai, ką anksčiau darė o3-pro. Agentas sugaišta daugiau laiko, tačiau pateikia gilesnę analizę. Toliau pateiktas pavyzdys yra tipiškas: strateginis klausimas su trimis variantais, kur teisingas atsakymas priklauso nuo kompromisų tarp rizikos, kainos ir laiko horizonto. Atkreipk dėmesį, kad instrukcijose aiškiai apibrėžti nagrinėtini aspektai – samprotavimas visada laimi, kai turi aiškius apribojimus.
from agents import Agent, Runner, ModelSettings
from openai.types.shared import Reasoning
strategic_advisor = Agent(
name="Strategic Advisor",
instructions="""You are a business strategy consultant.
Analyze deeply before recommending.
Always consider: risks, opportunities,
costs, and alternatives.""",
model="gpt-5.6-sol",
model_settings=ModelSettings(reasoning=Reasoning(effort="high")),
)
result = Runner.run_sync(
strategic_advisor,
"""Our SaaS startup has 500 clients, €2M MRR, and is growing 15% per month.
We are debating:
A) Raise a Series B (€20M) and accelerate in the US
B) Stay bootstrapped and consolidate in Europe
C) Seek a strategic acquirer
Which strategy do you recommend and why?"""
)
print(result.final_output)
Svarbiausioms analizėms lygį galima pakelti iki xhigh arba max. Taip pat egzistuoja ultra nustatymas (paskelbtas 2026 m. liepą), kuris pagal nutylėjimą koordinuoja 4 agentus lygiagrečiai (kai kuriuose vertinimuose – iki 16) sunkiausiems uždaviniams. Tai galinga, tačiau sukuria žymiai didesnę žetonų sąnaudą: naudok tai tik problemoms, kurios pateisina tokią kainą.
Terra + vidutinis pastangų lygis: greitas samprotavimas
Tarp visiško samprotavimo nebuvimo ir gilios analizės yra aukso viduriukas, plačiai naudojamas gamyboje. GPT-5.6 Su medium pastangų lygiu siūlo gerą kompromisą tarp samprotavimo gebėjimų ir greičio – tai buvusio o4-mini atitikmuo. Idealus agentams, kuriems reikia greitai samprotauti, pavyzdžiui, šiam diagnostikos agentui, kuris nusko serverio metrikas ir turi per kelias sekundes susieti atminties perkrovą su 5xx klaidų šuoliu, kol svetainėje vyksta incidentas.
from agents import Agent, Runner, ModelSettings, function_tool
from openai.types.shared import Reasoning
@function_tool
def get_server_metrics(server: str) -> str:
"""Retrieves metrics for a server."""
import json
metrics = {
"cpu": 87.5,
"ram": 92.1,
"disk": 65.3,
"requests_per_second": 1250,
"response_time_p99": 450,
"errors_5xx": 23,
}
return json.dumps(metrics)
diagnostic_agent = Agent(
name="Diagnostic Agent",
instructions="""You diagnose infrastructure problems.
Analyze the metrics and identify the probable cause.
Propose immediate and long-term corrective actions.""",
model="gpt-5.6-terra",
model_settings=ModelSettings(reasoning=Reasoning(effort="medium")),
tools=[get_server_metrics],
)
result = Runner.run_sync(
diagnostic_agent,
"The site has been slow for 30 minutes. Diagnose server web-prod-01."
)
Šablonas: konfigūracijos maršrutizatorius
Nereikia vieną kartą pasirinkti konfigūracijos ir jos laikytis amžinai. Naudok lengvą konfigūraciją maršrutizavimui, o tinkamą – vykdymui: pirmasis agentas perskaito užduotį ir grąžina tipizuotą objektą, nurodantį, kurį modelį ir pastangų lygį naudoti, tada tu sukuri vykdymo agentą su tuo sprendimu. Laukas reason nėra tik dekoracija – jis leidžia peržiūrint žurnalus patikrinti, ar maršrutizatorius sistemingai neperkrauna išteklių.
from pydantic import BaseModel
from typing import Literal
class ConfigDecision(BaseModel):
model: Literal["gpt-5.6-luna", "gpt-5.6-terra", "gpt-5.6-sol"]
effort: Literal["none", "low", "medium", "high", "xhigh"]
reason: str
router_agent = Agent(
name="Smart Router",
instructions="""Analyze the task and decide which configuration to use:
- gpt-5.6-luna, effort none/low: simple tasks (summaries, rephrasing, factual answers)
- gpt-5.6-terra, effort medium: fast reasoning (classification, diagnostics)
- gpt-5.6-sol, effort high/xhigh: complex tasks (strategic planning, deep analysis, math)""",
model="gpt-5.6-terra",
model_settings=ModelSettings(reasoning=Reasoning(effort="medium")),
output_type=ConfigDecision,
)
async def process_with_optimal_config(task: str):
# Step 1: choose the configuration
decision = await Runner.run(router_agent, task)
config = decision.final_output
print(f"Configuration: {config.model} / effort {config.effort} ({config.reason})")
# Step 2: execute with the right configuration
execution_agent = Agent(
name="Execution Agent",
instructions="Accomplish the requested task with precision.",
model=config.model,
model_settings=ModelSettings(reasoning=Reasoning(effort=config.effort)),
)
result = await Runner.run(execution_agent, task)
return result.final_output
Srautinio perdavimo elgsena įjungus samprotavimą
Įjungus samprotavimą, srautinis perdavimas turi ypatybę: modelio vidinis minties procesas nėra transliuojamas kaip paprastas tekstas. Todėl tavo sąsaja gauna žetonus galutiniam atsakymui, tačiau samprotavimo fazėje negauna nieko.
agent = Agent(
name="Analyst",
instructions="Analyze the data deeply.",
model="gpt-5.6-sol",
model_settings=ModelSettings(reasoning=Reasoning(effort="high")),
)
# Streaming delivers the final answer, not the intermediate reasoning
result = Runner.run_streamed(agent, "Analyze this complex problem.")
async for event in result.stream_events():
if event.type == "raw_response_event":
if hasattr(event.data, "delta") and event.data.delta:
print(event.data.delta, end="", flush=True)
Į tai turi atsižvelgti savo vartotojo sąsajoje (UX): naudojant high ar aukštesnį lygį, pirmieji žetonai gali pasirodyti tik po reikšmingo „mąstymo“ laiko. Aiškus laukimo indikatorius neleis vartotojams manyti, kad programa užstrigo, ir atnaujinti puslapį netinkamiausiu momentu.
Išlaidų optimizavimas
Samprotavimas suvartoja papildomų žetonų (vidinis mąstymas yra apmokestinamas). Dvi svirtys padeda suvaldyti išlaidas: sumažink numatytąjį pastangų lygį ir didink jį tik esant poreikiui; taip pat atskirk sprendimo priėmimą nuo vykdymo – tai yra, samprotauk norėdamas nuspręsti, bet vykdyk be samprotavimo. Toliau pateiktas hibridinis darbo eigos pavyzdys taiko antrąjį principą: Terra su medium lygiu nustato metodiką, o Luna ją įgyvendina naudodama įrankius.
# Pattern: hybrid reasoning
# Terra + medium for decision, Luna without reasoning for execution
decision_agent = Agent(
name="Decider",
instructions="Decide on the optimal approach.",
model="gpt-5.6-terra",
model_settings=ModelSettings(reasoning=Reasoning(effort="medium")),
)
executor_agent = Agent(
name="Executor",
instructions="Execute the decided plan.",
model="gpt-5.6-luna", # Cheaper for execution
tools=[search_crm, generate_report],
)
async def hybrid_workflow(task: str):
plan = await Runner.run(decision_agent, f"How to handle: {task}")
result = await Runner.run(executor_agent, plan.final_output)
return result.final_output
Svarbiausi punktai
- Samprotavimas yra kiekvienos užklausos nustatymas visuose GPT-5.6 modeliuose (nuo none iki max), tai nebėra atskiri modeliai kaip o3-pro/o4-mini
- GPT-5.6 Sol su
high/xhighpastangų lygiu: strateginis planavimas, sudėtinga analizė, matematika - GPT-5.6 Terra su
mediumpastangų lygiu: greitas samprotavimas diagnostikai ir maršrutizavimui - Nustatymas
ultrakoordinuoja kelis agentus lygiagrečiai sunkiausiems uždaviniams – žymiai didesnė žetonų kaina - Maršrutizatoriaus šablonas dinamiškai pasirenka modelio ir pastangų lygio derinį bei optimizuoja išlaidas
- Samprotauk norėdamas nuspręsti, vykdyk be samprotavimo: tai geriausias kokybės ir kainos santykis