Ga naar hoofdinhoud
Nederlands— Kies een taal
Menu

Redeneren en tools combineren

Les 10 van 12 Bijgewerkt op 5 november 2026 Gemiddeld
Op deze pagina
  1. Ga verder met geavanceerde tools
  2. Redeneren als aanstuurder van tools
  3. Drie combinatiepatronen
  4. Herstel de controle over tools
  5. Visualisaties die oordeelsvermogen vereisen
  6. Aan de slag
  7. Belangrijkste punten

Ga verder met geavanceerde tools

U weet nu hoe u redeneren kunt combineren met code-uitvoering en webzoekopdrachten. Deze les verkent geavanceerde combinaties: tools strategisch aan elkaar koppelen, redeneren gebruiken om ze aan te sturen, en echt autonome workflows bouwen.

Redeneren als aanstuurder van tools

Het verschil tussen een model dat antwoordt zonder na te denken en een redeneermodel dat tools gebruikt, is fundamenteel. Beginnend op een inspanningsniveau van medium—wat OpenAI aanbeveelt wanneer planning belangrijk is—kan het model plannen welke tools het in welke volgorde gebruikt, de resultaten van elke tool evalueren voordat het verdergaat, zijn strategie aanpassen wanneer een tool niet het verwachte oplevert, en uitvoeren samenvoegen tot een coherente conclusie. Concreet voert het niet zomaar code uit wanneer u daarom vraagt: het denkt het probleem door, besluit dat code de beste manier is om het op te lossen, schrijft de juiste code, analyseert het resultaat en besluit vervolgens of het verder moet gaan. De nuance lijkt misschien subtiel; het verandert alles in een workflow met vier tools, waar een slechte initiële beslissing zich voortplant tot helemaal aan het einde.

Aan de API-kant duwen twee mechanismen deze logica vooruit. Bij function calling raadt OpenAI aan om de redeneeritems die bij de laatste aanroep naar het model zijn geproduceerd, terug te sturen, naast het functieresultaat: dit houdt het model op koers met wat het had gepland. Met Programmatic Tool Calling schrijft het model een JavaScript-programma, uitgevoerd in een geïsoleerde omgeving, dat tool-aanroepen orchestreert en tussenresultaten filtert. Tot slot verdeelt Ultra in ChatGPT Work en Codex de zwaarste taken onder sub-agenten, tegen de prijs van een aanzienlijk hoger verbruik.

Drie manieren om tools aan elkaar te koppelen Drie kolommen. Eerst zoeken: begin bij het web, beoordeel bronnen, bereken en plot daarna. Eerst uw data: begin bij uw bestand, bereken in Python, vergelijk daarna met het web. Iteratieve code: probeer een methode, evalueer het resultaat, schakel over op de fallback-methode. COMBINATIEPATRONEN Drie manieren om tools aan elkaar te koppelen Eerst zoeken Start Het web Volgende Beoordeel bronnen Einde Bereken en maak diagram Eerst uw data Start Uw bestand Volgende Python-berekeningen Einde Vergelijk met het web Iteratieve code Start Een eerste methode Volgende Geëvalueerd resultaat Einde Fallback-methode Stuur in de API redeneeritems terug samen met het resultaat van elke functie.
Gebaseerd op de OpenAI API Reasoning models-gids en het OpenAI Help Center (november 2026).

Drie combinatiepatronen

Het eerste patroon—Zoeken, dan Analyseren, dan Code—past bij marktanalyses en benchmarks, dus situaties waarin de data nog niet in uw bezit is.

“Zoek naar de marktaandelen van de top 5 cloudproviders in Europa in 2025. Maak op basis van deze gegevens een staafdiagram en bereken de marktconcentratiegraad (HHI-index). Interpreteer het resultaat.”

Het model koppelt vervolgens vier distincte fasen aan elkaar.

  1. Het web doorzoeken om data te verzamelen
  2. Redeneren over de betrouwbaarheid van bronnen
  3. Code uitvoeren voor het diagram en de berekening
  4. Redeneren over de economische interpretatie

De tweede fase is degene die mensen vergeten bij het schrijven van de prompt, terwijl het juist de fase is die voorkomt dat u een HHI-index bouwt op benaderende cijfers.

Het tweede patroon draait het startpunt om: het begint met uw data om deze van buitenaf te verrijken—Data, Code, Zoeken, Synthese.

“Hier is mijn verkoopbestand per land (CSV). Bereken het groeipercentage per land, zoek vervolgens het bbp-groeipercentage van elk land over dezelfde periode. Identificeer landen waar onze groei de bbp-groei overtreft (outperformance) en landen waar het omgekeerde het geval is.”

Het derde patroon, iteratieve code met redeneren, maakt gebruik van het vermogen van het model om code te schrijven, het resultaat te analyseren, een probleem te signaleren en opnieuw te schrijven—allemaal automatisch. U kunt zelfs de fallback-methode specificeren.

“Hier is een transactiedataset (CSV). Detecteer statistische anomalieën. Als de eerste methode (z-score) geen duidelijke resultaten oplevert, probeer dan de interkwartielafstand-methode. Kies de meest relevante methode en leg uit waarom.”

Herstel de controle over tools

Het model laten beslissen is handig, maar soms weet u al welke tool past—en het vertellen is efficiënter dan het laten verkennen. U kunt het daarom beperken: “Zoek niet op het web, analyseer alleen de data in het bijgevoegde bestand en geef me uw conclusies uitsluitend op basis van deze data,” of “Voer geen code uit voor deze vraag. Redeneer alleen op basis van de informatie die ik verstrek.”

Voor lange workflows voegt u controlepunten in in plaats van alles in één blok te lanceren: “Stap 1: bereken basisstatistieken en toon me de resultaten voordat je verdergaat. Stap 2 (na mijn validatie): verrijk met webdata. Stap 3: produceer het eindrapport.” Hierdoor kunt u het proces stoppen voordat een fout zich voortplant naar kostbare stappen.

Visualisaties die oordeelsvermogen vereisen

De combinatie van redeneren plus code-uitvoering blinkt vooral uit wanneer de visualisatie zelf beslissingen impliceert: welk type diagram, welke drempelwaarden, welke highlightings.

“Hier is mijn prestatiedata (Excel). Maak een dashboard van één pagina met: (1) het meest relevante diagram voor elke metric—kies zelf het diagramtype op basis van de aard van de data, (2) automatische highlighting van anomalieën, (3) een groen/geel/rood kleurencode op basis van drempelwaarden die u bepaalt op basis van de dataverdeling.”

Het model redeneert per metric over het optimale diagramtype, berekent statistisch relevante drempelwaarden in plaats van ze te verzinnen, en produceert de bijbehorende code. Dit is precies het werk dat een analist zou doen voordat hij zijn editor opent.

Aan de slag

Een complete workflow. Test deze workflow op een hoog redeneerniveau (High in Chat, high in de API).

“Ik geef u een CSV-bestand met maandelijkse uitgaven per categorie over 24 maanden. Ik wil:

  1. Identificeer de 3 categorieën met de hoogste stijging (berekening in Python)
  2. Zoek voor elk na of dit een nationale trend is of specifiek voor mijn geval (webzoekopdracht)
  3. Produceer een vergelijkend diagram: mijn uitgaven vs. de nationale trend (Python)
  4. Schrijf een samenvatting met aanbevelingen (puur redeneren) Presenteer het resultaat van elke stap.”

Tijdens de oefening, let op wat er gebeurt wanneer de code-uitvoering mislukt. Het model kan zelf opnieuw proberen, wat goed is; maar als het probleem in uw data ligt, lost geen enkele herschrijving het op: controleer het bestand in plaats van opnieuw te starten. En als de aanvraag te zwaar wordt, breek deze dan op in stappen die één voor één worden gevalideerd.

Officiële bronnen: Reasoning models (OpenAI API: inspanningsniveaus, redeneeritems terugsturen bij function calls) · Programmatic Tool Calling · Data-analyse met ChatGPT (code-uitvoering in ChatGPT) · Modellen (Ultra)

Belangrijkste punten

  • Op een voldoende hoog inspanningsniveau stuurt redeneren tools strategisch aan, niet mechanisch
  • Drie kernpatronen: zoeken, analyseren dan code; data, code dan zoeken; iteratieve code
  • Aan de API-kant: stuur redeneeritems terug samen met functieresultaten, en overweeg Programmatic Tool Calling
  • U kunt toolgebruik afdwingen of beperken op basis van uw behoeften
  • Voeg controlepunten in in lange workflows om de controle te behouden