Pereiti prie pagrindinio turinio
Lietuvių— Pasirinkite kalbą
Meniu

Vieliaukštis įrankių vamzdynas

Paskaita 13 iš 14 Atnaujinta 2026 m. liepos 29 d. Kūrėjas
Šiame puslapyje
  1. Įrankių sekos orchestravimas
  2. Vamzdyno architektūra
  3. Pavyzdys: konkurencinės žvalgybos vamzdynas
  4. Vamzdyno vykdymas
  5. Serverio ir kliento įrankių derinimas vamzdyne
  6. Šablonas: išskleidimas / suglaudimas (fan-out / fan-in)
  7. Klaidų valdymas vamzdyne
  8. Svarbiausi punktai

Įrankių sekos orchestravimas

Ankstesnėje pamokoje nagrinėtas oro sąlygų agentas naudojo nepriklausomus įrankius. Daugiaįrankiame vamzdyne vieno įrankio rezultatai maitina kitą kvietimą. Modelis automatiškai suderina seką – tavo užduotis yra pateikti įrankius ir vykdyti kvietimus.

Vamzdyno architektūra

Tipiškas vamzdynas laikosi šios schemos:

Paieška → Analizė → Veiksmas → Pranešimas

Kiekvienas žingsnis sukuria duomenis, kuriuos sunaudoja kitas. Modelis natūraliai tvarko šį orchestravimą dėka pokalbio konteksto.

Pavyzdys: konkurencinės žvalgybos vamzdynas

Įsivaizduok vamzdyną, kuris stebi konkurentų kainas ir generuoja ataskaitą:

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"]
            }
        }
    }
]

Vamzdyno vykdymas

Kai vartotojas prašo: „Išanalizuok ‘CompetitorX’ kainas mūsų 5 populiariausiems produktams ir išsiųsk ataskaitą pardavimų komandai“, modelis suderina:

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", ...)

Kiekvienas posūkis naudoja ankstesniojo rezultatus. Modelis natūraliai perduoda duomenis iš vieno įrankio kitam.

Serverio ir kliento įrankių derinimas vamzdyne

Galingiausi vamzdynai sujungia serverio ir kliento įrankius:

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": { ... }
        }
    }
]

Eiga: modelis atlieka paiešką internete (automatiškai serverio pusėje), tada kviečia tavo duomenų ištraukimo funkciją (kliento pusėje), galiausiai išsaugo duomenis CRM sistemoje (kliento pusėje).

Šablonas: išskleidimas / suglaudimas (fan-out / fan-in)

Kai kuriems vamzdynams reikia išskleidimo (fan-out) šablono (kelie lygiagretūs kvietimai), po kurio seka suglaudimas (fan-in) – rezultatų agregavimas:

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

Modelis tai tvarko natūraliai naudodamas lygiagrečius kvietimus:

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={...})

Klaidų valdymas vamzdyne

Patikimas vamzdynas tvarko klaidas kiekviename žingsnyje:

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
    }

Kai žingsnis nepavyksta, modelis gali:

  • Bandyti iš naujo su pakoreguotais parametrais
  • Praleisti žingsnį ir tęsti su daliniais duomenimis
  • Informuoti vartotoją ir paprašyti nurodymų

Svarbiausi punktai

  • Daugiaįrankis vamzdynas sujungia vieno įrankio rezultatus su kitu
  • Modelis automatiškai suderina seką dėka konteksto
  • Išskleidimo/suglaudimo (fan-out/fan-in) šablonas derina lygiagrečius kvietimus ir agregavimą
  • Hibridiniams vamzdynams derink serverio įrankius (web_search) ir kliento įrankius (tavo funkcijas)
  • Kiekviename žingsnyje valdyk klaidas naudodamas pakartotinius bandymus ir atsarginius variantus
  • Kiekvienas vamzdyno įrankis turi turėti aiškią, vienintelę atsakomybę