Multi-Tool Pipeline
Op deze pagina
Tools in een reeks orkestreren
De weeragent uit de vorige les maakte gebruik van onafhankelijke tools. In een multi-tool pipeline voeden de resultaten van de ene tool de volgende aanroep. Het model orkestreert de reeks automatisch; uw rol is het leveren van de tools en het uitvoeren van de aanroepen.
Pipeline-architectuur
Een typische pipeline volgt dit schema:
Search → Analysis → Action → Notification
Elke stap produceert gegevens die door de volgende stap worden verbruikt. Het model regelt deze orkestratie op natuurlijke wijze dankzij de conversatiecontext.
Voorbeeld: pipeline voor concurrentie-informatie
Stel u een pipeline voor die de prijzen van concurrenten monitort en een rapport genereert:
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"]
}
}
}
]
Uitvoering van de pipeline
Wanneer de gebruiker vraagt: “Analyseer de prijzen van CompetitorX voor onze top 5 producten en stuur het rapport naar het verkoopteam”, orkestreert het model het volgende:
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", ...)
Elke beurt maakt gebruik van de resultaten van de vorige. Het model geeft de gegevens op natuurlijke wijze door van de ene tool naar de volgende.
Server- en client-tools combineren in een pipeline
De krachtigste pipelines combineren server- en client-tools:
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": { ... }
}
}
]
Verloop: het model voert een webzoekopdracht uit (automatisch aan de serverzijde), roept vervolgens uw extractiefunctie aan (clientzijde) en slaat de gegevens vervolgens op in het CRM (clientzijde).
Patroon: fan-out / fan-in
Sommige pipelines vereisen een fan-out-patroon (meerdere parallelle aanroepen), gevolgd door een fan-in (aggregatie van resultaten):
┌→ scrape_site_A ─┐
Request ─┤→ scrape_site_B ─┤→ aggregate_results → generate_report
└→ scrape_site_C ─┘
Het model regelt dit op natuurlijke wijze met parallelle aanroepen:
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={...})
Foutafhandeling in een pipeline
Een robuuste pipeline behandelt fouten in elke stap:
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
}
Wanneer een stap mislukt, kan het model:
- Opnieuw proberen met aangepaste parameters
- De stap overslaan en doorgaan met gedeeltelijke gegevens
- De gebruiker informeren en om instructies vragen
Belangrijkste punten
- Een multi-tool pipeline koppelt de resultaten van de ene tool aan de volgende
- Het model orkestreert de reeks automatisch dankzij de context
- Het fan-out/fan-in-patroon combineert parallelle aanroepen en aggregatie
- Combineer server-tools (web_search) en client-tools (uw functies) voor hybride pipelines
- Handel fouten in elke stap af met opnieuw proberen en fallback-opties
- Elke tool in de pipeline moet een duidelijke, enkele verantwoordelijkheid hebben