Aġent b'diversi passi b'ċiklu ta' raġunament
F'din il-paġna
Aġent b’diversi passi b’ċiklu ta’ raġunament
L-aġenti l-aktar qawwija ma jieqfux wara sejħa waħda għal għodda. Dawn iqabbdu diversi passi ta’ raġunament, jaġġustaw l-istrateġija tagħhom skont ir-riżultati, u jirrepetu sakemm jilħqu l-għan tagħhom. F’din il-lezzjoni, se titgħallem kif tibni dawn l-aġenti b’diversi passi. L-eżempji jużaw il-familja GPT-5.6: fejn il-ġenerazzjoni preċedenti kienet teħtieġ tibdel il-mudelli biex tattivaw ir-raġunament, issa tikkontrolla dan l-imġiba permezz tal-issettjar tal-isforz fuq il-mudell li għażilt.
Il-mudell ippjana-eżegwixxi
Aġent b’diversi passi jibda billi joħloq pjan, imbagħad jeżegwixxi kull pass. Din is-separazzjoni hija deliberata: l-ippjanatur m’għandux għodod u jipproduċi struttura ttajpjata, filwaqt li l-eżekutur jirċievi dan il-pjan bħala mappa tat-triq u sempliċiment isegwih. Talba vaga bħal “ħejji r-reviżjoni trimestrali għall-klijenti ewlenin” issir sekwenza konkreta ta’ azzjonijiet—istaqsi lis-CRM, iġġenera r-rapport, ibgħat l-email—qabel ma tiġi ppruvata kwalunkwe azzjoni.
from agents import Agent, Runner, function_tool
from pydantic import BaseModel
import json
class PlanAction(BaseModel):
steps: list[str]
objective: str
planner_agent = Agent(
name="Planner",
instructions="""You receive a complex task. Break it down into simple, ordered steps.
Each step must be a concrete, actionable item.""",
model="gpt-5.6-sol", # Advanced reasoning for planning
output_type=PlanAction,
)
@function_tool
def search_crm(query: str) -> str:
"""Searches the CRM for customer information."""
return json.dumps({"customers": [
{"name": "Acme Corp", "revenue": 500000, "contract": "Enterprise"},
{"name": "TechStart", "revenue": 50000, "contract": "Starter"},
]})
@function_tool
def generate_report(title: str, content: str) -> str:
"""Generates a formatted report."""
return f"Report '{title}' generated successfully ({len(content)} characters)"
@function_tool
def send_email(recipient: str, subject: str, body: str) -> str:
"""Sends an email."""
return f"Email sent to {recipient}: {subject}"
executor_agent = Agent(
name="Executor",
instructions="""You execute tasks step by step.
Use available tools to complete each step.
If a step fails, try an alternative approach.""",
tools=[search_crm, generate_report, send_email],
model="gpt-5.6-terra",
)
async def process_complex_task(task: str):
# Step 1: Plan
plan = await Runner.run(planner_agent, task)
print(f"Plan: {plan.final_output.steps}")
# Step 2: Execute with the plan as context
execution_instructions = f"""Execute the following steps in order:
{chr(10).join(f'{i+1}. {e}' for i, e in enumerate(plan.final_output.steps))}
Objective: {plan.final_output.objective}"""
result = await Runner.run(executor_agent, execution_instructions)
return result.final_output
Aġent li jikkoreġi lilu nnifsu
L-ippjanar mhux biżżejjed: fid-dinja reali, l-għodod ifallu. It-tieni forma ta’ ċikli tippermetti lill-aġent jiskopri l-iżbalji tiegħu stess u jikkoreġihom. Kollox jiddependi fuq dettall li spiss jiġi injorat—l-għodda ma tqajjimx eċċezzjoni; tirritorna messaġġ ta’ żball li jista’ jinqara. L-aġent jaqrah, jinduna li nesa l-klawżola FROM, jikteb mill-ġdid il-mistoqsija tiegħu, u jerġa’ jipprova, fil-limitu ta’ tliet tentattivi stabbilit mill-istruzzjonijiet tiegħu.
from agents import Agent, Runner, function_tool
@function_tool
def execute_sql_query(sql: str) -> str:
"""Executes an SQL query on the database."""
# Simulation: some queries fail
if "DROP" in sql.upper():
return "ERROR: Destructive queries are forbidden."
if "SELECT" in sql.upper() and "FROM" not in sql.upper():
return "ERROR: Invalid SQL syntax - missing FROM."
return json.dumps({
"columns": ["name", "monthly_revenue", "region"],
"rows": [
["Acme Corp", 45000, "Île-de-France"],
["TechStart", 12000, "Rhône-Alpes"],
],
"result_count": 2
})
analyst_agent = Agent(
name="Data Analyst",
instructions="""You analyze data by executing SQL queries.
If a query fails:
1. Analyze the error message
2. Correct the query
3. Retry
Maximum 3 attempts per query.
Never use DROP, DELETE, or TRUNCATE.""",
tools=[execute_sql_query],
model="gpt-5.6-terra",
max_turns=10, # Enough turns for corrections
)
result = Runner.run_sync(
analyst_agent,
"What is the total revenue by region?"
)
Innota li l-projbizzjoni fuq mistoqsijiet distruttivi tidher f’żewġ postijiet: fl-istruzzjonijiet u fil-kodiċi tal-għodda. L-istruzzjoni tiggwida l-mudell, iżda biss il-verifika fuq in-naħa tas-server fl-għodda tiggarantixxi li DROP TABLE qatt ma tgħaddi.
Mudell: katina ta’ aġenti speċjalizzati
Għal flussi ta’ ħidma kumplessi, qabbad diversi aġenti speċjalizzati minflok ma tgħabbi aġent wieħed b’kull responsabbiltà. Kull ħolqa għandha rwol ċar: il-ġemmiegħ jiġbor il-materja prima, l-analista—mgħammar b’mudell ta’ raġunament—jidentifika x-xejriet, u l-kittieb jifforma l-output. Il-benefiċċju huwa kemm edukattiv kif ukoll operattiv: meta r-rapport finali jiddisappunta, tkun taf immedjatament liema mit-tliet aġenti trissewwa.
from agents import Agent, Runner
collection_agent = Agent(
name="Data Collector",
instructions="Collect all data necessary for the analysis.",
tools=[search_crm, execute_sql_query],
model="gpt-5.6-terra",
)
analysis_agent = Agent(
name="Analyst",
instructions="Analyze the collected data and identify trends.",
model="gpt-5.6-sol", # Advanced reasoning for analysis
)
writing_agent = Agent(
name="Writer",
instructions="""Write a clear, structured report in English
based on the provided analysis. Format: introduction, key points, recommendations.""",
model="gpt-5.6-terra",
)
async def analysis_pipeline(question: str):
# Step 1: Collect data
data = await Runner.run(collection_agent, question)
# Step 2: Analyze
analysis = await Runner.run(
analysis_agent,
f"Analyze this data: {data.final_output}"
)
# Step 3: Write the report
report = await Runner.run(
writing_agent,
f"Write a report based on this analysis: {analysis.final_output}"
)
return report.final_output
Kontroll tal-fond tar-raġunament
Dawn iċ-ċikli kollha jaqsmu karatteristika waħda: jistgħu qatt ma jieqfu. Il-parametru max_turns huwa l-protezzjoni primarja tiegħek, u taġġustah abbażi tal-ambizzjoni tal-kompitu. Tliet dawriet biżżejjed għal aġent mistenni jwieġeb fl-ewwel tentattiv; ħamsa u għoxrin huma meħtieġa għal esplorazzjoni li tistaqsi sorsi multipli qabel ma tikkonkludi.
# Conservative agent: few turns
simple_agent = Agent(
name="Simple Agent",
instructions="Answer in a single turn if possible.",
model="gpt-5.6-terra",
)
result = await Runner.run(simple_agent, "Simple question", max_turns=3)
# Complex agent: many turns
research_agent = Agent(
name="Deep Researcher",
instructions="Explore all angles before concluding.",
tools=[search_crm, execute_sql_query],
model="gpt-5.6-terra",
)
result = await Runner.run(research_agent, "Complete Q1 analysis", max_turns=25)
Ipprovdja dan il-valur billi tosserva t-traċċi tiegħek minflok ma tissuspetta: jekk l-eżekuzzjonijiet attwali tiegħek jispiċċaw f’sitt dawriet, limitu ta’ ħamsa u għoxrin ma jipproteġi kontra xejn.
Punti Ewlenin
- Il-mudell ippjana-eżegwixxi jissepara l-ippjanar (mudell ta’ raġunament) mill-eżekuzzjoni
- Aġent li jikkoreġi lilu nnifsu janalizza l-iżbalji tiegħu u jaġġusta l-istrateġija tiegħu
- Katini ta’ aġenti speċjalizzati jippermettu flussi ta’ ħidma kumplessi u li jistgħu jinżammu
max_turnsjikkontrolla l-fond tar-raġunament u jipproteġi kontra ċikli infiniti- Irriżerva kapaċitajiet avvanzati ta’ raġunament għall-ippjanar u l-analiżi