Pereiti prie pagrindinio turinio
Lietuvių— Pasirinkite kalbą
Meniu

Derinkite samprotavimą ir įrankius

Paskaita 10 iš 12 Atnaujinta 2026 m. lapkričio 5 d. Vidutinis lygis
Šiame puslapyje
  1. Ženk toliau su pažangiais įrankiais
  2. Samprotavimas kaip įrankių vairuotojas
  3. Trys derinimo šablonai
  4. Atgaunant įrankių kontrolę
  5. Vizualizacijos, reikalaujančios sprendimų
  6. Tavo eilė
  7. Svarbiausi punktai

Ženk toliau su pažangiais įrankiais

Dabar jau žinai, kaip derinti samprotavimą su kodų vykdymu ir paieška internete. Šioje pamokoje nagrinėsime pažangius derinius: strateginį įrankių grandinių kūrimą, samprotavimo naudojimą joms valdyti ir tikrai autonomiškų darbo eigų kūrimą.

Samprotavimas kaip įrankių vairuotojas

Skirtumas tarp modelio, kuris atsako negalvodamas, ir samprotuojančio modelio, kuris naudoja įrankius, yra esminis. Pradedant nuo medium pastangų lygio – ką „OpenAI“ rekomenduoja, kai svarbus planavimas, – modelis gali suplanuoti, kuriuos įrankius naudoti ir kokia tvarka, įvertinti kiekvieno įrankio rezultatus prieš tęsiant, pritaikyti savo strategiją, jei įrankis grąžina netikėtus rezultatus, ir sujungti išvestis į darnią išvadą. Konkrečiai kalbant, jis ne tik vykdo kodą, kai jo paprašai: jis pergalvoja problemą, nusprendžia, kad kodas yra geriausias būdas ją išspręsti, parašo tinkamą kodą, analizuoja rezultatą ir tada nusprendžia, ar judėti toliau. Šis niuansas gali atrodyti subtilus, tačiau keturių įrankių darbo eigoje jis keičia viską, nes blogas pradinis sprendimas perduodamas iki pat galo.

API pusėje šią logiką stumia du mechanizmai. Naudojant funkcijų kvietimą, „OpenAI“ rekomenduoja grąžinti samprotavimo elementus, sukurtus paskutinio kvietimo modeliu metu, be funkcijos rezultato: tai padeda modeliui išlikti ties tuo, ką jis buvo suplanavęs. Naudojant programinį įrankių kvietimą (Programmatic Tool Calling), modelis parašo „JavaScript“ programą, vykdomą izoliuotoje aplinkoje, kuri organizuoja įrankių kvietimus ir filtruoja tarpinius rezultatus. Galiausiai, „ChatGPT Work“ ir „Codex“ aplinkose, Ultra paskirsto sunkiausias užduotis tarp subagentų, tačiau tai kainuoja žymiai daugiau išteklių.

Trys būdai sujungti įrankius Trys stulpeliai. Pirma ieškoti: pradėti nuo interneto, įvertinti šaltinius, tada skaičiuoti ir braižyti. Pirma tavo duomenys: pradėti nuo savo failo, skaičiuoti naudojant „Python“, tada lyginti su internetu. Iteracinis kodas: išbandyti metodą, įvertinti rezultatą, pereiti prie atsarginio metodo. DERINIMO ŠABLONAI Trys būdai sujungti įrankius Pirma ieškoti Pradžia Internetas Toliau Įvertinti šaltinius Pabaiga Skaičiuoti ir braižyti Pirma tavo duomenys Pradžia Tavo failas Toliau „Python“ skaičiavimai Pabaiga Lyginti su internetu Iteracinis kodas Pradžia Pirmasis metodas Toliau Įvertintas rezultatas Pabaiga Atsarginis metodas API naudodamas grąžink samprotavimo elementus kartu su kiekvienos funkcijos rezultatu.
Pagal „OpenAI“ API samprotavimo modelių gidą ir „OpenAI“ pagalbos centrą (2026 m. lapkritis).

Trys derinimo šablonai

Pirmasis šablonas – „Ieškoti, tada analizuoti, tada koduoti“ – tinka rinkos analizėms ir lyginamiesiems tyrimams, tai yra situacijoms, kai duomenų dar neturi savo žinioje.

„Ieškok didžiausių 5 debesijos paslaugų teikėjų rinkos dalių Europoje 2025 m. Tada, remdamasis šiais duomenimis, sukurk stulpelinę diagramą ir apskaičiuok rinkos koncentracijos rodiklį (HHI indeksą). Interpretuok rezultatą.”

Tada modelis sujungia keturias skirtingas fazes.

  1. Ieškoti internete duomenims surinkti
  2. Samprotauti apie šaltinių patikimumą
  3. Vykdyti kodą diagramai ir skaičiavimams
  4. Samprotauti apie ekonominę interpretaciją

Antroji fazė yra ta, kurią žmonės pamiršta rašydami užklausą, tačiau būtent ji neleidžia kurti HHI indekso remiantis apytiksliais skaičiais.

Antrasis šablonas apverčia pradžios tašką: jis prasideda nuo tavo duomenų, kad juos praturtintum iš išorės – Duomenys, Kodas, Paieška, Sintezė.

„Štai mano pardavimų failas pagal šalis (CSV). Apskaičiuok augimo tempą kiekvienai šaliai, tada ieškok kiekvienos šalies BVP augimo tempo tuo pačiu laikotarpiu. Nustatyk šalis, kuriose mūsų augimas viršija BVP augimą (persvara), ir tas, kuriose yra atvirkščiai.”

Trečiasis šablonas – iteracinis kodavimas su samprotavimu – išnaudoja modelio gebėjimą rašyti kodą, analizuoti rezultatą, pastebėti problemą ir perrašyti – visa tai automatiškai. Gali net nurodyti atsarginį metodą.

„Štai sandorių duomenų rinkinys (CSV). Aptik statistines anomalijas. Jei pirmasis metodas (z-reikšmė) neduoda aiškių rezultatų, pabandyk tarpkvartilinės imties metodą. Pasirink tinkamiausią metodą ir paaiškink, kodėl.“

Atgaunant įrankių kontrolę

Leisti modeliui spręsti yra patogu, tačiau kartais jau žinai, kuris įrankis tinka – ir nurodyti jam yra efektyviau nei leisti jam tyrinėti. Todėl gali jį apriboti: „Neieškodamas internete, analizuok tik pridėtame faile esančius duomenis ir pateik išvadas, remdamasis tik šiais duomenimis“, arba „Šiam klausimui nevykdyk kodo. Samprotauk tik remdamasis mano pateikta informacija.“

Ilgiems darbo eigoms įterpk kontrolinius taškus, o ne paleisk viską vienu bloku: „1 žingsnis: apskaičiuok pagrindinius rodiklius ir parodyk man rezultatus prieš tęsiant. 2 žingsnis (po mano patvirtinimo): praturtink interneto duomenimis. 3 žingsnis: pareng galutinę ataskaitą.“ Tai leidžia tau sustabdyti procesą, prieš klaidai plintant į brangius žingsnius.

Vizualizacijos, reikalaujančios sprendimų

Samprotavimo ir kodų vykdymo derinys ypač gerai veikia, kai pati vizualizacija reiškia sprendimų priėmimą: kokio tipo diagramą pasirinkti, kokias ribines vertes nustatyti, ką paryškinti.

„Štai mano veiklos duomenys („Excel“). Sukurk vieno puslapio skydelį su: (1) pačia tinkamiausia diagrama kiekvienam rodikliui – diagramos tipą pasirink pats, atsižvelgdamas į duomenų pobūdį, (2) automatiniu anomalijų paryškinimu, (3) žalia/geltona/raudona spalvų koduote, pagrįsta ribinėmis vertėmis, kurias nustatysi pagal duomenų pasiskirstymą.”

Modelis samprotauja apie optimalų diagramos tipą kiekvienam rodikliui, apskaičiuoja statistiškai reikšmingas ribines vertes vietoj to, kad jas išgalvotų, ir sukuria atitinkamą kodą. Tai būtent tas darbas, kurį analitikas atliktų prieš atverdamas savo redaktorių.

Tavo eilė

Pilna darbo eiga. Išbandyk šią darbo eigą naudodamas aukštą samprotavimo lygį („High“ pokalbyje, high API).

„Pateiksiu tau CSV failą su mėnesinėmis išlaidomis pagal kategorijas per 24 mėnesius. Noriu:

  1. Nustatyti 3 kategorijas, kurių augimas didžiausias (skaičiavimas naudojant „Python“)
  2. Kiekvienai iš jų išsiaiškinti, ar tai nacionalinė tendencija, ar specifinė mano atveju (paieška internete)
  3. Sukurti lyginamąją diagramą: mano išlaidos prieš nacionalinę tendenciją („Python“)
  4. Parašyti santrauką su rekomendacijomis (grynas samprotavimas) Pateik kiekvieno žingsnio rezultatą.”

Pratimo metu stebėk, kas nutinka, kai kodų vykdymas nepavyksta. Modelis gali bandyti iš naujo pats, ir tai yra gerai; tačiau jei problema slypi tavo duomenyse, joks perrašymas jos neištaisys: vietoj paleidimo iš naujo patikrink failą. O jei užklausa tampa per sunki, suskaidyk ją į žingsnius, tvirtinamus po vieną.

Oficialūs šaltiniai: Samprotavimo modeliai („OpenAI“ API: pastangų lygiai, samprotavimo elementų grąžinimas kartu su funkcijų kvietimais) · Programinis įrankių kvietimas · Duomenų analizė su „ChatGPT“ (kodų vykdymas „ChatGPT“) · Modeliai („Ultra“)

Svarbiausi punktai

  • Esant pakankamam pastangų lygiui, samprotavimas strategiškai, o ne mechaniškai valdo įrankius
  • Trys pagrindiniai šablonai: ieškoti, analizuoti, tada koduoti; duomenys, kodas, tada ieškoti; iteracinis kodavimas
  • API pusėje grąžink samprotavimo elementus kartu su funkcijų rezultatais ir apsvarstyk programinį įrankių kvietimą
  • Gali priverstinai naudoti arba apriboti įrankių naudojimą pagal savo poreikius
  • Ilgose darbo eigose įterpk kontrolinius taškus, kad išlaikytum kontrolę