Samprotavimas, kodo vykdymas ir žiniatinklio paieška: automatizuotos darbo eigos
Šiame puslapyje
Kai samprotavimas susitinka su įrankiais
Aukšto lygio samprotavimo derinimas su kodo vykdymu ir žiniatinklio paieška paverčia kalbos modelį agentu, gebančiu atlikti skaičiavimus, ieškoti informacijos ir apibendrinti rezultatus vienoje išvadoje. Šioje pamokoje sužinosi, kaip išnaudoti šią sąveiką. Pirmiausia – terminija: „ChatGPT“ sistemoje kodo vykdymas vadinamas duomenų analize („Data Analysis“), o paieška – paieška („Search“); naudojant API, tai yra kodo interpretatoriaus („Code Interpreter“) ir žiniatinklio paieškos („Web Search“) įrankiai. Ankstesnės kartos šį vaidmenį palikdavo specializuotiems samprotavimo modeliams, pavyzdžiui, o3; šiandien tai yra nustatymas, prieinamas kiekvienam modeliui.
Trys papildantys vaidmenys
Pirmasis ramstis – pats modelis. Esant aukštam samprotavimo lygiui, jis veikia kaip smegenys: samprotauja, planuoja, nusprendžia, kurių veiksmų imtis, ir koordinuoja visą procesą.
Kodo vykdymas tarnauja kaip rankos. Jis paleidžia „Python“ izoliuotoje aplinkoje, leisdamas manipuliuoti tavo „Excel“, „CSV“ ar „JSON“ failais, atlikti sudėtingus skaičiavimus, kurti diagramas bei vizualizacijas ir valyti arba transformuoti duomenis prieš analizę. Žiniatinklio paieška veikia kaip akys: ji suteikia prieigą prie naujausios informacijos, nesvarbu, ar tau reikia aktualių duomenų, faktų tikrinimo, informacijos iš kelių šaltinių, ar prieigos prie viešų svetainių ir duomenų bazių.
Kaip modelis nusprendžia naudoti įrankį
Paprastai nereikia įvardyti įrankio pavadinimo: modelis pats aptinka, kada reikia atlikti skaičiavimą ar gauti naujausią informaciją, ir tinkamu momentu iškviečia įrankį. Jei pageidauji konkretaus įrankio, taip ir pasakyk: „atlik skaičiavimą naudojant „Python“”, „ieškok žiniatinklyje“. API pusėje „Responses API“ eina dar toliau naudodamas programinį įrankių kvietimą („Programmatic Tool Calling“): modelis parašo „JavaScript“ programą, kuri vykdoma izoliuotoje aplinkoje, iškviečia įrankius (galbūt lygiagrečiai) ir filtruoja tarpinius rezultatus, užuot kvietusi juos vieną po kito.
Išsami finansinė analizė puikiai iliustruoja šią seką.
„Štai mano pardavimų duomenys už paskutinius 12 mėnesių („Excel“). Išanalizuok tendencijas, apskaičiuok vidutinį mėnesio augimo tempą, prognozuok pardavimus kitam 3 mėnesių laikotarpiui ir atlik paiešką žiniatinklyje, kad rastum šakos prognozes palyginimui. Pareng ataskaitą su diagramomis.”
Tada modelis gali įvykdyti tokią seką be tavo poreikio ją suskirstyti; tiksli tvarka kiekvienam užklausimui gali skirtis.
- Samprotauk: suprask problemos struktūrą
- Vykdyk kodą: įkelk „Excel“ failą, apskaičiuok tendencijas, sudaryk prognozes
- Ieškok žiniatinklyje: rask šakos prognozes
- Samprotauk: palygink rezultatus ir padaryk išvadas
- Vykdyk kodą: sugeneruok diagramas
- Samprotauk: parašyk galutinę ataskaitą
Atkreipk dėmesį į kaitą: samprotavimas vyksta ne tik pradžioje; jis grįžta po kiekvieno įrankio iškvietimo, kad nuspręstų, koks bus kitas žingsnis. Būtent šis ritmas išskiria agentą nuo paprasto vykdytojo.
Ką leidžia pasiekti šis derinys
Automatizuotas lyginamasis vertinimas („benchmarking“) yra akivaizdžiausias naudojimo atvejis, nes jame reikia palyginti tavo rodiklius su išoriniais duomenimis.
„Štai mano įmonės finansinės veiklos rodikliai („Excel“ failas). Atlik paiešką žiniatinklyje, kad rastum vidutinius finansinius santykius mūsų sektoriuje (B2B SaaS Europoje), ir palygink juos su mūsų rodikliais. Sudaryk lyginamojo vertinimo lentelę su spalviniu kodavimu: žalia, jei esame virš vidurkio, raudona – jei žemiau.”
Konkurencinė žvalgyba įgauna naują dimensiją, kai ją pagrindžia tavo paties duomenys: vietoj to, kad tiesiog rinktum pranešimus, įvertini jų poveikį.
„Ieškok naujausių mūsų 3 konkurentų („Competitor A“, „Competitor B“, „Competitor C“) pranešimų per pastaruosius 30 dienų. Sugretink tai su mūsų svetainės lankomumo duomenimis (pridėtas „CSV“ failas), kad nustatytum, ar jų pranešimai paveikė mūsų lankomumą.”
Trečias tipiškas naudojimo atvejis – duomenimis grįsta ataskaita su vizualizacijomis, kurioje kodo vykdymas atlieka sunkiausią darbą su tavo vidiniais duomenimis.
„Štai mūsų HR duomenys („Excel“ failas). Apskaičiuok darbuotojų kaitos rodiklį pagal skyrius, vidutinę pakeitimo kainą (prielaida: 6 mėnesių atlyginimas) ir numatyk biudžeto poveikį. Sugeneruok diagramą kiekvienam skyriui ir santraukos lentelę.”
Įrankių įjungimas ir valdymas
„ChatGPT“ sistemoje duomenų analizė įsijungia automatiškai, kai to reikalauja failas ar skaičiavimas; įmonės darbo aplinkoje įsitikink, kad administratorius jos neišjungė. Žiniatinklio paieška suveikia, kai modelis aptinka poreikį gauti naujausią informaciją, ir gali ją priverstinai įjungti paspaudęs mygtuką +, tada pasirinkęs Search (Ieškoti). API pusėje abu įrankiai deklaruojami užklausoje. Samprotavimo lygio atžvilgiu „OpenAI“ įrankių naudojimą ir paiešką klasifikuoja kaip low (žemas), kai svarbiausias greitis, ir rekomenduoja medium (vidutinis), kai svarbūs planavimas ir sprendimų priėmimas – būtent tai galioja darbo eigoms su keliais įrankiais.
Šie įrankiai turi aiškias ribas, kurias privalai žinoti. „Python“ aplinka duomenų analizei neturi prieigos prie interneto: ji dirba tik su tavo pateiktais failais, o išoriniai duomenys turi būti gaunami per paiešką arba tavo pačio importuojami. Atsakymo laikas žymiai pailgėja derinant visus tris komponentus, o kvotos sunaudojamos greičiau, ypač esant aukštesniems samprotavimo lygiams.
Tavo eilė
Visi trys statybiniai blokai kartu. Išbandyk visą derinį atveju, kai samprotavimas, kodas ir paieška yra vienodai svarbūs.
„Štai „CSV“ failas su mano mėnesinėmis išlaidomis per 12 mėnesių. (1) Išanalizuok tendencijas naudodamas „Python“ ir sugeneruok diagramą. (2) Atlik paiešką žiniatinklyje, kad rastum infliacijos lygį Prancūzijoje kiekvienam atitinkamam mėnesiui. (3) Apskaičiuok mano išlaidas, pakoreguotas pagal infliaciją. (4) Pareng ataskaitą, lyginančią nominalias ir realias išlaidas.”
Jei neturi po ranka „CSV“ failo, paprašyk modelio pirmiausia sugeneruoti realistišką. Atlikdamas pratimą turėk omenyje tris refleksus. Tikrink skaičiavimus: neteisinga formulė, vykdoma be klaidų, vis tiek lieka neteisinga formulė. Kryžmiškai tikrink paieškos šaltinius, nes rezultatai gali būti pasenę ar netikslūs. Ir atsisiųsk sugeneruotus failus – diagramas, lenteles – prieš baigdamas pokalbį. Dar vienas patarimas tinka viskam: net kai modelis pats valdo savo įrankius, sudėtingos darbo eigos duoda geresnių rezultatų, kai yra suskaidytos į žingsnius, o ne sutraukiamos į vieną milžinišką promptą.
Oficialūs šaltiniai: Duomenų analizė su „ChatGPT“ („OpenAI“ pagalbos centras: izoliuota „Python“, nėra prieigos prie žiniatinklio) · Žiniatinklio paieška su „ChatGPT“ · Kodo interpretatorius ir Žiniatinklio paieška (API įrankiai) · Programinis įrankių kvietimas · Samprotavimo modeliai (pastangų lygiai ir įrankiai)
Svarbiausi punktai
- Aukštas samprotavimo lygis autonomiškai sujungia mąstymą, kodo vykdymą ir žiniatinklio paiešką
- Modelis automatiškai nusprendžia, kada naudoti kiekvieną įrankį; API pusėje programinis įrankių kvietimas leidžia jam koordinuoti įrankius per kodą
- Kodo vykdymas (duomenų analizė, kodo interpretatorius) manipuliuoja failais ir kuria diagramas be prieigos prie žiniatinklio; paieška pateikia naujausią informaciją
- Darbo eigoms su keliais įrankiais pradėk nuo
medium– lygio, kurį „OpenAI“ rekomenduoja, kai svarbus planavimas - Visada tikrink rezultatus – įrankiai sustiprina tiek galią, tiek klaidų riziką