Arkitettura tal-aġent: iċ-ċiklu tar-raġunar u l-għodod
F'din il-paġna
Aġġornat fit-3 ta’ Novembru 2026: F’
rechercher_produit, iċ-ċwievetprixustockkienu nieqsa mill-virgoli, u kkawżawNameErrorfl-ewwel sejħa tal-għodda.
Arkitettura tal-aġent: iċ-ċiklu tar-raġunar u l-għodod
Biex tibni aġenti effettivi, trid tifhem l-arkitettura interna tagħhom. Aġent ta’ OpenAI jaħdem fuq ċiklu ta’ raġunar: jirċievi kompitu, jaħseb, juża għodda, josserva r-riżultat, u mbagħad jiddeċiedi jekk lestiex jew jekk għandux ikompli. Kull ma tagħmel wara—tiddikjara għodod, tistabbilixxi protezzjonijiet, tikkordina aġenti multipli—jibni fuq dan iċ-ċiklu.
Iċ-ċiklu tal-ħajja tal-aġent
Kull eżekuzzjoni ssegwi sitt passi:
- Riċeviment: L-aġent jirċievi l-messaġġ tal-utent u l-istruzzjonijiet tas-sistema
- Raġunar: Il-mudell janalizza t-talba u jiddeċiedi dwar l-azzjoni li jmiss
- Sejħa tal-għodda: Jekk meħtieġ, l-aġent isejjaħ għodda waħda jew aktar
- Osservazzjoni: L-aġent jirċievi r-riżultati tal-għodda
- Deċiżjoni: L-aġent jiddeċiedi jekk ikomplix (lura għall-pass 2) jew jirrispondix
- Risposta: L-aġent jipproduċi t-tweġiba finali tiegħu
Iċ-ċavetta hija ċ-ċiklu bejn il-passi 2 u 5, li jista’ jiġri diversi drabi. Aġent jista’ jgħaqqad 5, 10, jew saħansitra 20 sejħa tal-għodda qabel ma jipproduċi tweġiba finali, mingħajr ma tikteb linja waħda ta’ kodiċi ta’ orkestrazzjoni. L-eżempju hawn taħt juri dan: jiġu ddikjarati żewġ għodod indipendenti, u l-mudell jiddeċiedi kif igħaqqadhom.
from agents import Agent, Runner, function_tool
@function_tool
def rechercher_produit(nom: str) -> str:
"""Searches for a product in the catalog."""
# Simulation - in production, call your database
catalogue = {
"laptop-pro": {"prix": 1299, "stock": 45},
"tablet-air": {"prix": 599, "stock": 120},
}
produit = catalogue.get(nom)
if produit:
return f"Produit {nom}: {produit['prix']}€, stock: {produit['stock']}"
return f"Produit {nom} non trouvé"
@function_tool
def calculer_remise(prix: float, pourcentage: float) -> str:
"""Calculates the price after discount."""
prix_final = prix * (1 - pourcentage / 100)
return f"Prix après {pourcentage}% de remise : {prix_final:.2f}€"
agent = Agent(
name="Sales Agent",
instructions="You help customers find products and calculate discounts.",
tools=[rechercher_produit, calculer_remise],
model="gpt-5.6-terra",
)
# The agent will: 1) find the product, 2) calculate the discount, 3) respond
result = Runner.run_sync(
agent,
"What is the price of the laptop-pro with a 15% discount?"
)
print(result.final_output)
Il-mistoqsija teħtieġ żewġ operazzjonijiet li mhumiex marbuta espliċitament fil-kodiċi. L-aġent awtomatikament jagħmel żewġ sejħiet tal-għodda f’sekwenza: l-ewwel rechercher_produit, imbagħad calculer_remise bil-prezz miksub. Din il-katina hija deċiżjoni tal-mudell, mhux istruzzjoni tiegħek.
Struttura interna: oġġetti u messaġġi
L-API tar-Risposti tistruttura kull interazzjoni bħala oġġetti (items). Il-qari tagħhom jurik x’għamel l-aġent tiegħek fil-fatt. Jidhru tliet tipi fil-konversazzjoni:
message: messaġġ ta’ test (mill-utent jew mill-aġent)function_call: sejħa tal-għodda ddeċiża mill-aġentfunction_call_output: ir-riżultat irritornat mill-għodda
result = Runner.run_sync(agent, "Find the tablet-air")
# Inspect the reasoning steps
for item in result.raw_responses:
print(f"Type: {type(item).__name__}")
# You'll see: message input → function_call → function_call_output → message output
Agħmilha drawwa li ttraċċa dan iċ-ċiklu kull darba li aġent jipproduċi tweġiba sorprendenti. Disa’ drabi minn għaxra, l-anomalija tidher f’function_call b’argumenti mhux mistennija.
Sejħiet paralleli vs sekwenzjali
Mhux il-passi kollha jiddependu fuq xulxin. Meta żewġ sejħiet ikunu indipendenti, l-aġent jista’ jiddeċiedi li jħaddimhom b’mod parallel.
@function_tool
def obtenir_meteo(ville: str) -> str:
"""Gets the current weather for a city."""
meteos = {"Paris": "18°C, sunny", "Lyon": "16°C, cloudy"}
return meteos.get(ville, "Data unavailable")
agent = Agent(
name="Travel Agent",
instructions="You help plan trips.",
tools=[obtenir_meteo, rechercher_produit],
model="gpt-5.6-terra",
)
# The agent will call obtenir_meteo("Paris") and obtenir_meteo("Lyon") in parallel
result = Runner.run_sync(
agent,
"What's the weather in Paris and Lyon?"
)
It-temp f’Lyon ma jiddependix fuq dak ta’ Pariġi: l-SDK jimmaniġġja l-paralleliżmu awtomatikament u يطلق iż-żewġ sejħiet fl-istess ħin, u b’hekk inaqqas il-latency. Qabbel dan mal-eżempju tal-bejgħ ta’ hawn fuq, fejn il-kalkolu tal-iskont kellu jistenna l-prezz: hemmhekk, is-sekwenza timponi ruħha.
Il-parametru max_turns
Ċiklu awtonomu jista’, fl-agħar każ, ma jieqaf qatt: l-aġent isejjaħ għodda, ir-riżultat imexxieh isejjaħ oħra, u hekk далее. Is-salvagwardja hija parametru wieħed biss.
result = Runner.run_sync(
agent,
"Full catalog analysis",
max_turns=10 # Maximum 10 loop iterations
)
Jekk l-aġent jilħaq il-limitu, jieqaf bir-riżultati miksuba sa dak il-mument. Fil-produzzjoni, din hija sikurezza essenzjali: tillimita kemm il-ħin tar-risposta kif ukoll l-ispiża.
Punti Ewlenin
- Aġent jaħdem fi ċiklu: raġunar → għodda → osservazzjoni → deċiżjoni
- Dan iċ-ċiklu jista’ jiġri diversi drabi qabel ma jipproduċi tweġiba
- Il-mudell jiddeċiedi awtomatikament liema għodod isejjaħ u f’liema ordni
- Sejħiet tal-għodod indipendenti jiġu esegwiti b’mod parallel
max_turnsjillimita n-numru ta’ iterazzjonijiet għas-sikurezza