Workflows in meerdere stappen: het model als dirigent
Op deze pagina
Complexe taken orkestreren met hoogwaardig redeneervermogen
Het beantwoorden van een eenmalige vraag is één ding; het sturen van een heel proces is iets anders. Een model dat is ingesteld op een hoog redeneerniveau kan meerdere stappen aan elkaar koppelen terwijl het de context behoudt, en fungeert zo als een echte dirigent voor uw terugkerende processen. Deze les laat u zien hoe u een workflow beschrijft zodat deze van begin tot eind wordt uitgevoerd zonder onderweg de samenhang te verliezen.
Wat is een workflow in meerdere stappen?
Een workflow in meerdere stappen is een reeks taken waarbij elke stap afhangt van de output van de vorige: verzamel ruwe data, maak deze schoon en structureer ze, analyseer trends, produceer een rapport met aanbevelingen en genereer vervolgens een samenvattende e-mail voor het team. Traditioneel zijn elk van deze vijf stappen handmatig en draagt u de context van de ene naar de andere stap over. Met hoogwaardig redeneervermogen beschrijft u het hele proces één keer, en voert het model elke stap uit door voort te bouwen op wat het in de vorige stap heeft geproduceerd.
De meta-prompt techniek
Een meta-prompt is een prompt die een heel proces beschrijft in plaats van een geïsoleerde taak. Het geeft het model een globaal overzicht van wat u wilt bereiken, en dat verandert alles: wetende waar het naartoe gaat, kalibreert het model elke stap op basis van de volgende. Hier is een standaardstructuur die u kunt aanpassen aan uw eigen proces.
“U voert de volgende stappen in volgorde uit:
Stap 1 — Analyseer de bijgevoegde verkoopdata en identificeer de 3 best presterende en 3 slechtst presterende producten.
Stap 2 — Identificeer voor elk onderpresterend product de waarschijnlijke oorzaken door kruisverwijzing met data over klanttevredenheid.
Stap 3 — Stel voor elk onderpresterend product een actieplan met 3 punten voor, met meetbare KPI’s.
Stap 4 — Formatteer alles tot een gestructureerd rapport met een uitvoerende samenvatting van 5 regels aan het begin.
Presenteer het resultaat van elke stap voordat u naar de volgende gaat, en markeer alle onverwachte resultaten.”
Die laatste zin verdient uw aandacht. Het is niet nodig het model te vertellen om “stap voor stap na te denken”—dat doet het al. Maar het vereisen van de output van elke stap stelt u in staat een fout op te sporen voordat deze alles wat volgt besmet. In een workflow van vijf stappen kost een fout in stap 2 die te laat wordt ontdekt u de hele inspanning.
Waarom hoogwaardig redeneervermogen uitblinkt in orkestratie
Bij een lange workflow loopt een snel redeneerniveau het risico de draad kwijt te raken van de ene stap naar de andere. Een hoger niveau (High in Chat, high in de API, wat OpenAI’s documentatie aanbeveelt voor diepe planning) geeft het model de tijd om zijn tussentijdse conclusies in het oog te houden, de consistentie tussen stappen te verifiëren en wat er vervolgens komt aan te passen op basis van de behaalde resultaten. Vraag het expliciet om te markeren wanneer een stap een onverwacht resultaat oplevert in plaats van door te gaan alsof er niets aan de hand is. Dat gedrag is precies wat orkestratie onderscheidt van een simpele keten.
Deze flexibiliteit maakt conditionele workflows mogelijk, waarbij de verwerking afhangt van wat het model observeert: “Als een product een retourpercentage heeft boven de 10%, classificeer het dan als hoge prioriteit en stel een onmiddellijk actieplan voor. Classificeer het anders voor monitoring en stel een maandelijkse follow-up voor.” Het model past de conditie product per product toe en past zijn verwerking dienovereenkomstig aan, zonder dat u vooraf iets hoeft te sorteren.
Twee uitbreidingen: ChatGPT Work en de API
De prompt is niet de enige weg. In ChatGPT is de Work-ervaring specifiek ontworpen voor lange, meerstaps taken die resulteren in een deliverable: een document, spreadsheet, presentatie of rapport. Voor de zwaarste taken verdeelt de Ultra-instelling het werk over sub-agenten die parallel werken wanneer de taak opbreekt in onafhankelijke brokken; dit verbruikt aanzienlijk meer, en de meeste taken hebben dit niet nodig. Aan de ontwikkelaarskant laat Programmatic Tool Calling van de Responses API het model een JavaScript-programma schrijven, uitgevoerd in een geïsoleerde omgeving, dat de tools van de workflow aanroept—waar nodig paralleliserend—en tussentijdse resultaten filtert voordat ze naar het model worden teruggestuurd.
Drie workflows die u zo kunt hergebruiken
Competitive intelligence leent zich bij uitstek voor deze oefening: het model leest drie verstrekte artikelen over concurrenten, haalt belangrijke aankondigingen eruit—producten, prijzen, partnerships—vergelijkt ze met uw huidige positionering, identificeert bedreigingen en kansen, en stelt vervolgens een briefingnote op voor het leidinggevend team.
Vergadervoorbereiding volgt dezelfde logica toegepast op uw interne documenten: analyseer de notulen van de laatste vergadering, identificeer lopende acties en hun status, bereid de agenda voor de volgende vergadering voor, stel discussiepunten voor elk onderwerp op en genereer de bijbehorende uitnodigings-e-mail.
Tot slot combineert maandelijkse rapportage berekening en analyse: analyseer de data van de maand vanuit een Excel-bestand, vergelijk deze met de vorige maand en het budget, identificeer significante afwijkingen boven de 5%, analyseer de oorzaken van elke afwijking en produceer vervolgens het rapport met grafieken en aanbevelingen.
Aan de slag
Bouw uw eigen workflow. Kies een terugkerend proces in uw werk en transformeer het. Maak eerst een lijst van elke stap die u momenteel handmatig uitvoert, en spot vervolgens de conditionele beslissingen van het type “als X dan Y” die u maakt zonder na te denken—dit zijn de elementen die een starre workflow onderscheiden van een nuttige. Schrijf vervolgens de meta-prompt die het hele proces beschrijft en test deze op een hoog redeneerniveau; schroef het nog een tandje hoger als de kwaliteit plateaut.
Begin simpel, met drie of vier stappen, en voer de complexiteit geleidelijk op. Wanneer het proces lang wordt en de kwaliteit daalt, splits het dan op in sub-workflows in plaats van door te zetten. Zorg er ook voor dat elke stap duidelijk en op zichzelf staand is—als het model moet raden wat u van een stap verwacht, zal het resultaat willekeurig zijn, en de hele workflow daarmee. Lees tot slot daadwerkelijk de tussentijdse resultaten. Veel gebruikers kijken alleen naar de uiteindelijke output en missen het punt: in een goed gebouwde workflow zijn de bevindingen uit stap 2 en 3 vaak instructiever dan het rapport dat ze samenvat.
Officiële bronnen: Reasoning models (OpenAI API: inspanningsniveaus en use cases) · Reasoning best practices (eenvoudige instructies, precies doel) · Programmatic Tool Calling · ChatGPT Work and Codex (Work voor lange taken) · Models (Ultra)
Belangrijkste punten
- Een hoog redeneerniveau helpt het model een proces in meerdere stappen te orkestreren zonder de draad kwijt te raken
- Gebruik een meta-prompt om het volledige proces te beschrijven, met condities (als/dan) voor adaptieve workflows
- ChatGPT Work handelt lange taken af; in de API orkestreert Programmatic Tool Calling tools via code
- Ultra, in Work en Codex, verdeelt het werk over sub-agenten: reserveer dit voor zware, deelbare taken
- Vereis de output van elke stap, niet “stap-voor-stap” denken; begin simpel en voer de complexiteit geleidelijk op