Agent wieloetapowy z pętlą rozumowania
Na tej stronie
Agent wieloetapowy z pętlą rozumowania
Najpotężniejsze agenty nie kończą działania po jednym wywołaniu narzędzia. Łączą wiele kroków rozumowania, dostosowują swoją strategię w zależności od wyników i iterują, aż osiągną cel. W tej lekcji nauczysz się budować takie agenty wieloetapowe. Przykłady wykorzystują rodzinę modeli GPT-5.6: tam, gdzie poprzednia generacja wymagała przełączania modeli, aby włączyć rozumowanie, teraz kontrolujesz to zachowanie za pomocą ustawienia effort dla wybranego modelu.
Wzorzec planuj-wykonaj
Agent wieloetapowy zaczyna od stworzenia planu, a następnie wykonuje każdy jego krok. Ten podział jest celowy: planista nie ma dostępu do narzędzi i produkuje typowaną strukturę, podczas gdy wykonawca otrzymuje ten plan jako mapę drogową i po prostu go realizuje. Niejasne żądanie, takie jak „przygotuj kwartalne podsumowanie dla kluczowych klientów“, zamienia się w konkretną sekwencję działań – zapytanie do CRM, wygenerowanie raportu, wysłanie e-maila – zanim zostanie podjęta jakakolwiek akcja.
from agents import Agent, Runner, function_tool
from pydantic import BaseModel
import json
class PlanAction(BaseModel):
steps: list[str]
objective: str
planner_agent = Agent(
name="Planner",
instructions="""Otrzymujesz złożone zadanie. Rozbij je na proste, uporządkowane kroki.
Każdy krok musi być konkretnym, możliwym do wykonania elementem.""",
model="gpt-5.6-sol", # Zaawansowane rozumowanie do planowania
output_type=PlanAction,
)
@function_tool
def search_crm(query: str) -> str:
"""Wyszukuje informacje o klientach w systemie CRM."""
return json.dumps({"customers": [
{"name": "Acme Corp", "revenue": 500000, "contract": "Enterprise"},
{"name": "TechStart", "revenue": 50000, "contract": "Starter"},
]})
@function_tool
def generate_report(title: str, content: str) -> str:
"""Generuje sformatowany raport."""
return f"Raport '{title}' wygenerowany pomyślnie ({len(content)} znaków)"
@function_tool
def send_email(recipient: str, subject: str, body: str) -> str:
"""Wysyła e-mail."""
return f"E-mail wysłany do {recipient}: {subject}"
executor_agent = Agent(
name="Executor",
instructions="""Wykonujesz zadania krok po kroku.
Używaj dostępnych narzędzi do realizacji każdego kroku.
Jeśli krok się nie powiedzie, spróbuj alternatywnego podejścia.""",
tools=[search_crm, generate_report, send_email],
model="gpt-5.6-terra",
)
async def process_complex_task(task: str):
# Krok 1: Planowanie
plan = await Runner.run(planner_agent, task)
print(f"Plan: {plan.final_output.steps}")
# Krok 2: Wykonanie z planem jako kontekstem
execution_instructions = f"""Wykonaj następujące kroki w kolejności:
{chr(10).join(f'{i+1}. {e}' for i, e in enumerate(plan.final_output.steps))}
Cel: {plan.final_output.objective}"""
result = await Runner.run(executor_agent, execution_instructions)
return result.final_output
Agent samokorygujący
Samo planowanie nie wystarczy: w rzeczywistym świecie narzędzia zawiodzą. Druga forma pętli pozwala agentowi wykryć własne błędy i je naprawić. Wszystko zależy od szczegółu, który często umyka uwadze – narzędzie nie zgłasza wyjątku, lecz zwraca czytelny komunikat o błędzie. Agent odczytuje go, orientuje się, że zapomniał klauzuli FROM, przepisuje zapytanie i ponawia próbę, w ramach limitu trzech prób określonego w instrukcjach.
from agents import Agent, Runner, function_tool
@function_tool
def execute_sql_query(sql: str) -> str:
"""Wykonuje zapytanie SQL w bazie danych."""
# Symulacja: niektóre zapytania kończą się niepowodzeniem
if "DROP" in sql.upper():
return "BŁĄD: Zapytania destrukcyjne są zabronione."
if "SELECT" in sql.upper() and "FROM" not in sql.upper():
return "BŁĄD: Nieprawidłowa składnia SQL – brak klauzuli FROM."
return json.dumps({
"columns": ["name", "monthly_revenue", "region"],
"rows": [
["Acme Corp", 45000, "Île-de-France"],
["TechStart", 12000, "Rhône-Alpes"],
],
"result_count": 2
})
analyst_agent = Agent(
name="Data Analyst",
instructions="""Analizujesz dane, wykonując zapytania SQL.
Jeśli zapytanie się nie powiedzie:
1. Przeanalizuj komunikat o błędzie
2. Popraw zapytanie
3. Ponów próbę
Maksymalnie 3 próby na zapytanie.
Nigdy nie używaj DROP, DELETE ani TRUNCATE.""",
tools=[execute_sql_query],
model="gpt-5.6-terra",
max_turns=10, # Wystarczająca liczba tur na poprawki
)
result = Runner.run_sync(
analyst_agent,
"Jaki jest całkowity przychód w podziale na regiony?"
)
Zauważ, że zakaz stosowania zapytań destrukcyjnych pojawia się w dwóch miejscach: w instrukcjach i w kodzie narzędzia. Instrukcja prowadzi model, ale tylko sprawdzenie po stronie serwera w narzędziu gwarantuje, że polecenie DROP TABLE nigdy nie przeniknie dalej.
Wzorzec: łańcuch wyspecjalizowanych agentów
W przypadku złożonych przepływów pracy lepiej połączyć kilku wyspecjalizowanych agentów niż obciążać jednego agenta wszystkimi obowiązkami. Każde ogniwo ma jasną rolę: kolektor gromadzi surowy materiał, analityk – wyposażony w model rozumujący – identyfikuje trendy, a pisarz formatuje wynik. Korzyść jest zarówno edukacyjna, jak i operacyjna: gdy końcowy raport zawodzi, od razu wiesz, którego z trzech agentów należy naprawić.
from agents import Agent, Runner
collection_agent = Agent(
name="Data Collector",
instructions="Zbierz wszystkie dane niezbędne do analizy.",
tools=[search_crm, execute_sql_query],
model="gpt-5.6-terra",
)
analysis_agent = Agent(
name="Analyst",
instructions="Przeanalizuj zebrane dane i zidentyfikuj trendy.",
model="gpt-5.6-sol", # Zaawansowane rozumowanie do analizy
)
writing_agent = Agent(
name="Writer",
instructions="""Napisz jasny, ustrukturyzowany raport w języku angielskim
na podstawie dostarczonej analizy. Format: wstęp, kluczowe punkty, rekomendacje.""",
model="gpt-5.6-terra",
)
async def analysis_pipeline(question: str):
# Krok 1: Zbieranie danych
data = await Runner.run(collection_agent, question)
# Krok 2: Analiza
analysis = await Runner.run(
analysis_agent,
f"Przeanalizuj te dane: {data.final_output}"
)
# Krok 3: Napisanie raportu
report = await Runner.run(
writing_agent,
f"Napisz raport na podstawie tej analizy: {analysis.final_output}"
)
return report.final_output
Kontrolowanie głębokości rozumowania
Wszystkie te pętle mają jedną wspólną cechę: mogą nigdy się nie zakończyć. Parametr max_turns jest Twoim głównym zabezpieczeniem; dostosowujesz go w zależności od ambicji zadania. Trzy tury wystarczą dla agenta, który ma odpowiedzieć za pierwszym razem; dwadzieścia pięć jest potrzebnych do eksploracji, która odpytuje wiele źródeł przed wyciągnięciem wniosków.
# Agent konserwatywny: mało tur
simple_agent = Agent(
name="Simple Agent",
instructions="Odpowiedz w jednej turze, jeśli to możliwe.",
model="gpt-5.6-terra",
)
result = await Runner.run(simple_agent, "Proste pytanie", max_turns=3)
# Agent złożony: wiele tur
research_agent = Agent(
name="Deep Researcher",
instructions="Zbadaj wszystkie aspekty przed wyciągnięciem wniosków.",
tools=[search_crm, execute_sql_query],
model="gpt-5.6-terra",
)
result = await Runner.run(research_agent, "Kompletna analiza Q1", max_turns=25)
Ustaw tę wartość, obserwując swoje ślady (traces), a nie zgadując: jeśli Twoje rzeczywiste wykonania kończą się po sześciu turach, limit dwudziestu pięciu niczego nie zabezpiecza.
Kluczowe wnioski
- Wzorzec planuj-wykonaj oddziela planowanie (model rozumujący) od wykonania
- Agent samokorygujący analizuje swoje błędy i dostosowuje strategię
- Łańcuchy wyspecjalizowanych agentów umożliwiają tworzenie złożonych, łatwych w utrzymaniu przepływów pracy
max_turnskontroluje głębokość rozumowania i chroni przed nieskończonymi pętlami- Rezerwuj zaawansowane możliwości rozumowania do planowania i analizy