Spriešana, koda izpilde un tīmekļa meklēšana: automatizētas darbplūsmas
Šajā lapā
Kad spriešana satiekas ar rīkiem
Augsta līmeņa spriešanas apvienošana ar koda izpildi un tīmekļa meklēšanu pārvērš valodu modeli par aģentu, kas spēj veikt aprēķinus, meklēt informāciju un sintezēt rezultātus vienotā secinājumā. Šajā nodarbībā tu uzzināsi, kā izmantot šo sinerģiju. Vispirms neliela piezīme par terminoloģiju: ChatGPT vidē koda izpilde tiek dēvēta par Data Analysis (datu analīzi), bet meklēšana – par Search; API vidē tie ir rīki Code Interpreter un Web Search. Iepriekšējās paaudzes šo lomu rezervēja specializētiem spriešanas modeļiem, piemēram, o3; šodien tā ir iestatījuma opcija, kas pieejama katram modelim.
Trīs savstarpēji papildinošas lomas
Pirmais pīlārs ir pats modelis. Augstā spriešanas līmenī tas darbojas kā smadzenes: tas spriež, plāno, pieņem lēmumus par veicamajām darbībām un koordinē visu procesu.
Koda izpilde kalpo kā rokas. Tā izpilda Python kodu izolētā vidē, ļaujot manipulēt ar taviem Excel, CSV vai JSON failiem, veikt sarežģītus aprēķinus, izveidot diagrammas un vizualizācijas, kā arī attīrīt vai pārveidot datus pirms analīzes. Tīmekļa meklēšana darbojas kā acis: tā nodrošina piekļuvi informācijai reāllaikā, neatkarīgi no tā, vai tev ir nepieciešami jaunākie dati, faktu pārbaude, informācijas apkopošana no vairākiem avotiem vai piekļuve publiskām tīmekļa vietnēm un datubāzēm.
Kā modelis pieņem lēmumu izmantot rīku
Parasti tev nav jānorāda rīka nosaukums: modelis pats atpazīst, kad ir nepieciešams aprēķins vai jaunākā informācija, un izsauc rīku īstajā brīdī. Ja vēlies izmantot konkrētu rīku, pasaki to tieši: “veic aprēķinu Python valodā”, “meklē tīmeklī”. API pusē Responses API iet vēl tālāk ar Programmatic Tool Calling (programmētisku rīku izsaukšanu): modelis uzraksta JavaScript programmu, kas tiek izpildīta izolētā vidē, izsaucot rīkus – potenciāli paralēli – un filtrējot starprezultātus, nevis izsaucot tos vienu pēc otra.
Pieprasījums pēc visaptverošas finanšu analīzes labi ilustrē šo secību.
“Šeit ir mani pārdošanas dati par pēdējiem 12 mēnešiem (Excel). Analizē tendences, aprēķini vidējo ikmēneša pieauguma tempu, prognozē pārdošanas apjomus nākamajiem 3 mēnešiem un meklē tīmeklī nozares prognozes salīdzinājumam. Sagatavo ziņojumu ar diagrammām.”
Modelis tad var izpildīt šādu secību, tev to nesadalot sīkāk; precīzs secības kārtība katrā pieprasījumā var atšķirties.
- Spried: Izprot problēmas struktūru
- Izpildi kodu: Ielādē Excel failu, aprēķini tendences, veic prognozes
- Meklē tīmeklī: Atrodi nozares prognozes
- Spried: Salīdzini rezultātus un izdari secinājumus
- Izpildi kodu: Ģenerē diagrammas
- Spried: Uzraksti gala ziņojumu
Ievēro maiņkārtību: spriešana nenotiek tikai sākumā; tā atgriežas pēc katra rīka izsaukuma, lai lemtu par nākamo soli. Šis ritms ir tas, kas atšķir aģentu no vienkārša izpildītāja.
Ko ļauj sasniegt šī kombinācija
Automatizēta salīdzinošā izvērtēšana (benchmarking) ir visacīmredzamākais lietojums, jo tā prasa tavu rādītāju salīdzināšanu ar ārējiem datiem.
“Šeit ir mana uzņēmuma finanšu darbības rādītāji (Excel fails). Meklē tīmeklī vidējos finanšu koeficientus mūsu nozarē (B2B SaaS Eiropā) un salīdzini tos ar mējiem. Izveido salīdzinošo tabulu ar krāsu kodējumu: zaļš, ja esam virs vidējā, sarkans, ja zem tā.”
Konkurences izlūkošana iegūst jaunu dimensiju, balstoties uz taviem pašu datiem: tā vietā, lai tikai vāktu paziņojumus, tu mēri to ietekmi.
“Meklē jaunākos paziņojumus no mūsu 3 konkurentiem (Konkurents A, Konkurents B, Konkurents C) pēdējo 30 dienu laikā. Salīdzini tos ar mūsu tīmekļa trafika datiem (pievienotais CSV fails), lai noteiktu, vai viņu paziņojumi ir ietekmējuši mūsu trafiku.”
Trešais tipiskais lietojums ir uz datiem balstīts ziņojums ar vizualizācijām, kur koda izpilde uzņemas smago darbu ar taviem iekšējiem datiem.
“Šeit ir mūsu HR dati (Excel fails). Aprēķini darbinieku mainības koeficientu pa nodaļām, vidējās aizvietošanas izmaksas (pieņēmums: 6 mēnešu alga) un prognozē budžeta ietekmi. Ģenerē diagrammu katrai nodaļai un kopsavilkuma tabulu.”
Rīku aktivizēšana un kontrole
ChatGPT vidē Data Analysis tiek aktivizēts, kad fails vai aprēķins to prasa; uzņēmuma darbvietā pārliecinies, vai administrators to nav atspējojis. Tīmekļa meklēšana tiek iedarbināta, kad modelis konstatē vajadzību pēc jaunākās informācijas, un tu vari to piespiest, nospiežot pogu +, pēc tam izvēloties Search. API pusē abi rīki tiek deklarēti pieprasījumā. Attiecībā uz spriešanas līmeni OpenAI klasificē rīku izmantošanu un meklēšanu kā low, ja prioritāte ir ātrums, un iesaka medium, kad ir svarīga plānošana un spriedums – kas ir gadījums daudzrīku darbplūsmās.
Šiem rīkiem ir skaidras robežas, kas tev jāzina. Python vide datu analīzei nepieklūst internetam: tā strādā tikai ar failiem, ko tu nodrocini, un ārējiem datiem jānāk caur meklēšanu vai taviem pašu importiem. Atbildes laiks ievērojami palielinās, kad tiek apvienoti visi trīs elementi, un kvotas tiek patērētas ātrāk, it īpaši augstākos spriešanas līmeņos.
Tava kārta
Visi trīs būvbloki kopā. Pārbaudi pilno kombināciju gadījumā, kur spriešana, kods un meklēšana ir vienlīdz būtiski.
“Šeit ir CSV fails ar maniem ikmēneša izdevumiem 12 mēnešu garumā. (1) Analizē tendences Python valodā un ģenerē diagrammu. (2) Meklē tīmeklī inflācijas līmeni Francijā katram attiecīgajam mēnesim. (3) Aprēķini manus izdevumus, kas koriģēti pēc inflācijas. (4) Sagatavo ziņojumu, salīdzinot nominālos un reālos izdevumus.”
Ja tev nav pieejams CSV fails, lūdz modelim vispirms ģenerēt reālistisku failu. Vingrinājuma laikā paturi prātā trīs refleksus. Pārbaudi aprēķinus: nepareiza formula, kas izpildīta korekti, joprojām ir nepareiza formula. Pārbaudi meklēšanas avotus, jo rezultāti var būt novecojuši vai neprecīzi. Un saglabā ģenerētos failus – diagrammas, tabulas – pirms sarunas beigšanas. Vēl viens padoms attiecas uz visu: pat ja modelis pārvalda savus rīkus pats, sarežģītas darbplūsmas dod labākus rezultātus, ja tās tiek sadalītas soļos, nevis saspiestas vienā milzīgā promptā.
Oficiālie avoti: Data analysis with ChatGPT (OpenAI Help Center: izolēts Python, bez piekļuves tīmeklim) · Searching the web with ChatGPT · Code Interpreter un Web search (API rīki) · Programmatic Tool Calling · Reasoning models (piepūles līmeņi un rīki)
Galvenās atziņas
- Augsts spriešanas līmenis autonomi apvieno domāšanu, koda izpildi un tīmekļa meklēšanu
- Modelis automātiski izlemj, kad izmantot katru rīku; API pusē Programmatic Tool Calling ļauj tam koordinēt rīkus, izmantojot kodu
- Koda izpilde (Data Analysis, Code Interpreter) manipulē ar failiem un veido diagrammas bez piekļuves tīmeklim; meklēšana nodrošina jaunāko informāciju
- Daudzrīku darbplūsmām sāc ar
medium– līmeni, ko OpenAI iesaka, kad ir svarīga plānošana - Vienmēr pārbaudi rezultātus – rīki pastiprina gan iespējas, gan kļūdu risku