Pāriet uz galveno saturu
Latviešu— Izvēlēties valodu
Izvēlne

Konveijers ar vairākiem rīkiem

Nodarbība 13 no 14 Atjaunota 2026. gada 29. jūlijs Programmētājs
Šajā lapā
  1. Rīku secīga orchestrēšana
  2. Konveijera arhitektūra
  3. Piemērs: konkurences izlūkošanas konveijers
  4. Konveijera izpilde
  5. Servera un klienta rīku apvienošana konveijerā
  6. Raksts: izplešanās / saplūšana (fan-out / fan-in)
  7. Kļūdu apstrāde konveijerā
  8. Galvenās atziņas

Rīku secīga orchestrēšana

Laika ziņu aģents no iepriekšējās nodarbības izmantoja neatkarīgus rīkus. Konveijerā ar vairākiem rīkiem viena rīka rezultāti baro nākamo izsaukumu. Modelis automātiski orchestrē secību — tavs uzdevums ir nodrošināt rīkus un izpildīt izsaukumus.

Konveijera arhitektūra

Tipisks konveijers seko šai shēmai:

Meklēšana → Analīze → Darbība → Paziņojums

Katrs solis ģenerē datus, ko patērē nākamais. Modelis dabiski pārvalda šo orchestrēšanu, pateicoties sarunas kontekstam.

Piemērs: konkurences izlūkošanas konveijers

Iedomājies konveijeru, kas uzrauga konkurentu cenas un ģenerē pārskatu:

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"]
            }
        }
    }
]

Konveijera izpilde

Kad lietotājs jautā: „Analizē CompetitorX cenas mūsu 5 populārākajiem produktiem un nosūti pārskatu pārdošanas komandai”, modelis orchestrē:

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", ...)

Katrs gājiens izmanto iepriekšējā gājiena rezultātus. Modelis dabiski nodod datus no viena rīka uz nākamo.

Servera un klienta rīku apvienošana konveijerā

Visjaudīgākie konveijeri apvieno servera un klienta rīkus:

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": { ... }
        }
    }
]

Plūsma: modelis veic tīmekļa meklēšanu (automātiski servera pusē), tad izsauc tavu datu ekstrakcijas funkciju (klienta pusē) un visbeidzot saglabā datus CRM sistēmā (klienta pusē).

Raksts: izplešanās / saplūšana (fan-out / fan-in)

Dažiem konveijeriem nepieciešams izplešanās (fan-out) raksts (vairāki paralēli izsaukumi), kam seko saplūšana (fan-in) jeb rezultātu apkopošana:

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

Modelis to dabiski pārvalda, veicot paralēlus izsaukumus:

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={...})

Kļūdu apstrāde konveijerā

Noturīgs konveijers apstrādā kļūdas katrā solī:

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
    }

Ja solis neizdodas, modelis var:

  • Mēģināt vēlreiz ar pielāgotiem parametriem
  • Izlaist soli un turpināt ar daļējiem datiem
  • Informēt lietotāju un pieprasīt norādījumus

Galvenās atziņas

  • Konveijers ar vairākiem rīkiem savieno viena rīka rezultātus ar nākamo
  • Modelis automātiski orchestrē secību, pateicoties kontekstam
  • Izplešanās/saplūšanas (fan-out/fan-in) raksts apvieno paralēlus izsaukumus un apkopošanu
  • Apvieno servera rīkus (web_search) un klienta rīkus (tavas funkcijas) hibrīdkonveijeros
  • Apstrādā kļūdas katrā solī, izmantojot atkārtotus mēģinājumus un rezerves risinājumus
  • Katram konveijera rīkam jābūt skaidrai, vienotai atbildībai