Ga naar hoofdinhoud
Nederlands— Kies een taal
Menu

Multi-Tool Pipeline

Les 13 van 14 Bijgewerkt op 29 juli 2026 Ontwikkelaar
Op deze pagina
  1. Tools in een reeks orkestreren
  2. Pipeline-architectuur
  3. Voorbeeld: pipeline voor concurrentie-informatie
  4. Uitvoering van de pipeline
  5. Server- en client-tools combineren in een pipeline
  6. Patroon: fan-out / fan-in
  7. Foutafhandeling in een pipeline
  8. Belangrijkste punten

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