Architektura agenta: pętla rozumowanie-narzędzie
Na tej stronie
Zaktualizowano 3 listopada 2026: W funkcji
rechercher_produitbrakowało cudzysłowów wokół kluczyprixistock, co powodowało błądNameErrorprzy pierwszym wywołaniu narzędzia.
Architektura agenta: pętla rozumowanie-narzędzie
Aby budować skutecznych agentów, musisz zrozumieć ich wewnętrzną architekturę. Agent OpenAI działa w oparciu o pętlę rozumowania: otrzymuje zadanie, myśli, używa narzędzia, obserwuje wynik, a następnie decyduje, czy zakończyć pracę, czy kontynuować. Wszystko, co zrobisz dalej – deklarowanie narzędzi, ustawianie zabezpieczeń, orkiestracja wielu agentów – opiera się na tej pętli.
Cykl życia agenta
Każde wykonanie składa się z sześciu kroków:
- Odebranie: Agent otrzymuje wiadomość od użytkownika i instrukcje systemowe.
- Rozumowanie: Model analizuje żądanie i decyduje o kolejnym działaniu.
- Wywołanie narzędzia: W razie potrzeby agent wywołuje jedno lub więcej narzędzi.
- Obserwacja: Agent otrzymuje wyniki działania narzędzi.
- Decyzja: Agent decyduje, czy kontynuować (powrót do kroku 2), czy udzielić odpowiedzi.
- Odpowiedź: Agent generuje swoją finalną odpowiedź.
Kluczowa jest pętla między krokami 2 a 5, która może uruchomić się wielokrotnie. Agent może połączyć w łańcuch 5, 10, a nawet 20 wywołań narzędzi przed udzieleniem finalnej odpowiedzi, bez konieczności pisania przez Ciebie ani jednej linii kodu orkiestracyjnego. Poniższy przykład to ilustruje: zadeklarowano dwa niezależne narzędzia, a model sam decyduje, jak je połączyć.
from agents import Agent, Runner, function_tool
@function_tool
def rechercher_produit(nom: str) -> str:
"""Searches for a product in the catalog."""
# Simulation - in production, call your database
catalogue = {
"laptop-pro": {"prix": 1299, "stock": 45},
"tablet-air": {"prix": 599, "stock": 120},
}
produit = catalogue.get(nom)
if produit:
return f"Produit {nom}: {produit['prix']}€, stock: {produit['stock']}"
return f"Produit {nom} non trouvé"
@function_tool
def calculer_remise(prix: float, pourcentage: float) -> str:
"""Calculates the price after discount."""
prix_final = prix * (1 - pourcentage / 100)
return f"Prix après {pourcentage}% de remise : {prix_final:.2f}€"
agent = Agent(
name="Sales Agent",
instructions="You help customers find products and calculate discounts.",
tools=[rechercher_produit, calculer_remise],
model="gpt-5.6-terra",
)
# The agent will: 1) find the product, 2) calculate the discount, 3) respond
result = Runner.run_sync(
agent,
"What is the price of the laptop-pro with a 15% discount?"
)
print(result.final_output)
Pytanie wymaga dwóch operacji, które nie są w kodzie jawnie powiązane. Agent automatycznie wykonuje dwa wywołania narzędzi sekwencyjnie: najpierw rechercher_produit, a następnie calculer_remise z pobraną ceną. To łączenie w łańcuch jest decyzją modelu, a nie Twoją instrukcją.
Struktura wewnętrzna: elementy i wiadomości
API Responses strukturyzuje każdą interakcję jako elementy (items). Ich analiza pokazuje, co Twój agent faktycznie zrobił. W rozmowie pojawiają się trzy typy:
message: wiadomość tekstowa (od użytkownika lub od agenta)function_call: wywołanie narzędzia podjęte przez agentafunction_call_output: wynik zwrócony przez narzędzie
result = Runner.run_sync(agent, "Find the tablet-air")
# Inspect the reasoning steps
for item in result.raw_responses:
print(f"Type: {type(item).__name__}")
# You'll see: message input → function_call → function_call_output → message output
Wyrób sobie nawyk śledzenia tej pętli za każdym razem, gdy agent generuje zaskakującą odpowiedź. Dziewięć razy na dziesięć anomalia ujawnia się w function_call z nieoczekiwanymi argumentami.
Wywołania równoległe a sekwencyjne
Nie wszystkie kroki są od siebie zależne. Gdy dwa wywołania są niezależne, agent może zdecydować się na ich uruchomienie równolegle.
@function_tool
def obtenir_meteo(ville: str) -> str:
"""Gets the current weather for a city."""
meteos = {"Paris": "18°C, sunny", "Lyon": "16°C, cloudy"}
return meteos.get(ville, "Data unavailable")
agent = Agent(
name="Travel Agent",
instructions="You help plan trips.",
tools=[obtenir_meteo, rechercher_produit],
model="gpt-5.6-terra",
)
# The agent will call obtenir_meteo("Paris") and obtenir_meteo("Lyon") in parallel
result = Runner.run_sync(
agent,
"What's the weather in Paris and Lyon?"
)
Pogoda w Lyonie nie zależy od pogody w Paryżu: SDK obsługuje równoległość automatycznie i uruchamia oba wywołania jednocześnie, redukując opóźnienia. Porównaj to z wcześniejszym przykładem sprzedażowym, gdzie obliczenie rabatu musiało poczekać na cenę: tam sekwencja narzuca się sama.
Parametr max_turns
Autonomiczna pętla może w najgorszym przypadku nigdy się nie zakończyć: agent wywołuje narzędzie, wynik skłania go do wywołania kolejnego i tak dalej. Zabezpieczeniem jest pojedynczy parametr.
result = Runner.run_sync(
agent,
"Full catalog analysis",
max_turns=10 # Maximum 10 loop iterations
)
Jeśli agent osiągnie limit, zatrzymuje się z wynikami uzyskanymi do tego momentu. W środowisku produkcyjnym jest to niezbędne zabezpieczenie: ogranicza zarówno czas odpowiedzi, jak i koszty.
Kluczowe wnioski
- Agent działa w pętli: rozumowanie → narzędzie → obserwacja → decyzja
- Pętla ta może wykonać się wielokrotnie przed wygenerowaniem odpowiedzi
- Model automatycznie decyduje, które narzędzia wywołać i w jakiej kolejności
- Niezależne wywołania narzędzi działają równolegle
max_turnsogranicza liczbę iteracji ze względów bezpieczeństwa