Przejdź do głównej treści
Polski— Wybierz język
Menu

Łączenie rozumowania z narzędziami

Lekcja 10 z 12 Zaktualizowano 5 listopada 2026 Średnio zaawansowani
Na tej stronie
  1. Wyjdź poza podstawy dzięki zaawansowanym narzędziom
  2. Rozumowanie jako sterownik narzędzi
  3. Trzy wzorce łączenia
  4. Odzyskanie kontroli nad narzędziami
  5. Wizualizacje wymagające osądu
  6. Czas na Ciebie
  7. Kluczowe wnioski

Wyjdź poza podstawy dzięki zaawansowanym narzędziom

Wiesz już, jak łączyć rozumowanie z wykonywaniem kodu i wyszukiwaniem w sieci. Ta lekcja zgłębia zaawansowane kombinacje: strategiczne łączenie narzędzi w łańcuchy, wykorzystywanie rozumowania do ich sterowania oraz budowanie prawdziwie autonomicznych przepływów pracy.

Rozumowanie jako sterownik narzędzi

Różnica między modelem, który odpowiada bez myślenia, a modelem rozumującym, który używa narzędzi, jest fundamentalna. Rozpoczynając od poziomu wysiłku medium – co OpenAI zaleca zawsze, gdy istotne jest planowanie – model może zaplanować, których narzędzi użyć i w jakiej kolejności, ocenić wyniki każdego z nich przed przejściem dalej, dostosować swoją strategię, gdy narzędzie nie zwróci oczekiwanych danych, oraz połączyć wyniki w spójną konkluzję. Konkretnie: nie wykonuje kodu tylko dlatego, że o to poprosisz; najpierw przemyśli problem, zdecyduje, że kod jest najlepszym sposobem na jego rozwiązanie, napisze odpowiedni kod, przeanalizuje wynik, a następnie zdecyduje, czy kontynuować. Niuanse mogą wydawać się subtelne, ale w przepływie pracy z czterema narzędziami zmieniają wszystko – błędna decyzja na początku przenosi się aż do samego końca.

Po stronie API dwa mechanizmy wspierają tę logikę. W przypadku wywoływania funkcji (function calling) OpenAI zaleca zwracanie elementów rozumowania wygenerowanych przy ostatnim wywołaniu modelu, oprócz samego wyniku funkcji: dzięki temu model pozostaje zgodny z pierwotnym planem. W ramach programatycznego wywoływania narzędzi (Programmatic Tool Calling) model zapisuje program w JavaScript, uruchamiany w izolowanym środowisku, który koordynuje wywołania narzędzi i filtruje wyniki pośrednie. Wreszcie, w ChatGPT Work i Codex, tryb Ultra rozdziela najcięższe zadania między podagenta, co wiąże się jednak ze znacznie wyższym zużyciem zasobów.

Trzy sposoby łączenia narzędzi w łańcuchy Trzy kolumny. Najpierw wyszukiwanie: zacznij od sieci, oceń źródła, następnie oblicz i wizualizuj. Najpierw Twoje dane: zacznij od swojego pliku, oblicz w Pythonie, potem porównaj z siecią. Kod iteracyjny: wypróbuj metodę, oceń wynik, przełącz się na metodę zapasową. WZORCE ŁĄCZENIA Trzy sposoby łączenia narzędzi w łańcuchy Najpierw wyszukiwanie Start Sieć Następnie Ocena źródeł Koniec Obliczenia i wykres Najpierw Twoje dane Start Twój plik Następnie Obliczenia w Pythonie Koniec Porównanie z siecią Kod iteracyjny Start Pierwsza metoda Następnie Oceniony wynik Koniec Metoda zapasowa W API zwracaj elementy rozumowania wraz z wynikiem każdej funkcji.
Na podstawie przewodnika po modelach rozumujących OpenAI API oraz Centrum pomocy OpenAI (listopad 2026).

Trzy wzorce łączenia

Pierwszy wzorzec – Wyszukiwanie, następnie Analiza, potem Kod – sprawdza się w analizach rynkowych i benchmarkach, czyli w sytuacjach, gdy dane nie są jeszcze w Twoim posiadaniu.

„Wyszukaj udziały w rynku 5 największych dostawców chmury w Europie w 2025 roku. Następnie na podstawie tych danych stwórz wykres słupkowy i oblicz wskaźnik koncentracji rynku (indeks HHI). Zinterpretuj wynik.“

Model łączy wtedy cztery odrębne fazy:

  1. Wyszukiwanie w sieci w celu zebrania danych
  2. Rozumowanie dotyczące wiarygodności źródeł
  3. Wykonanie kodu dla wykresu i obliczeń
  4. Rozumowanie dotyczące interpretacji ekonomicznej

Druga faza to ta, o której ludzie często zapominają przy tworzeniu promptu, a właśnie ona chroni przed budowaniem indeksu HHI na przybliżonych danych.

Drugi wzorzec odwraca punkt wyjścia: zaczynasz od swoich danych, aby wzbogacić je informacjami z zewnątrz – Dane, Kod, Wyszukiwanie, Synteza.

„Oto mój plik sprzedażowy według krajów (CSV). Oblicz tempo wzrostu dla każdego kraju, a następnie wyszukaj tempo wzrostu PKB każdego z nich w tym samym okresie. Wskaż kraje, w których nasz wzrost przewyższa wzrost PKB (outperformance), oraz te, w których jest odwrotnie.”

Trzeci wzorzec, czyli iteracyjny kod z rozumowaniem, wykorzystuje zdolność modelu do pisania kodu, analizy wyniku, wykrywania problemu i ponownego zapisu – wszystko automatycznie. Możesz nawet określić metodę zapasową.

„Oto zbiór danych transakcyjnych (CSV). Wykryj anomalie statystyczne. Jeśli pierwsza metoda (wynik Z) nie da jasnych rezultatów, spróbuj metody międzykwartylowej. Wybierz najbardziej odpowiednią metodę i wyjaśnij dlaczego.”

Odzyskanie kontroli nad narzędziami

Pozwolenie modelowi na samodzielne decyzje jest wygodne, ale czasem już wiesz, które narzędzie pasuje – i powiedzenie mu tego jest wydajniejsze niż pozwalanie mu na eksplorację. Możesz więc nałożyć ograniczenia: „Bez wyszukiwania w sieci przeanalizuj wyłącznie dane z załączonego pliku i przedstaw wnioski oparte wyłącznie na tych danych“ lub „Nie wykonuj kodu dla tego pytania. Rozważ wyłącznie informacje, które dostarczam“.

W przypadku długich przepływów pracy wstawiaj punkty kontrolne zamiast uruchamiać wszystko w jednym bloku: „Krok 1: oblicz podstawowe metryki i pokaż mi wyniki przed kontynuacją. Krok 2 (po mojej walidacji): wzbogać danymi z sieci. Krok 3: przygotuj raport końcowy“. Dzięki temu zachowujesz możliwość zatrzymania procesu, zanim błąd przeniesie się na kosztowne etapy.

Wizualizacje wymagające osądu

Połączenie rozumowania z wykonywaniem kodu błyszczy szczególnie wtedy, gdy sama wizualizacja implikuje decyzje: jaki typ wykresu wybrać, jakie progi przyjąć, co wyróżnić.

„Oto moje dane dotyczące wydajności (Excel). Stwórz jednopstronicowy dashboard zawierający: (1) najbardziej odpowiedni wykres dla każdej metryki – dobierz typ wykresu samodzielnie w zależności od charakteru danych, (2) automatyczne wyróżnienie anomalii, (3) kod kolorystyczny zielony/żółty/czerwony oparty na progach, które określisz na podstawie rozkładu danych.”

Model rozumuje nad optymalnym typem wykresu dla każdej metryki z osobna, oblicza statystycznie istotne progi zamiast je wymyślać i generuje odpowiedni kod. To dokładnie praca, którą analityk wykonałby przed otwarciem edytora.

Czas na Ciebie

Kompleksowy przepływ pracy. Przetestuj ten przepływ na wysokim poziomie rozumowania (High w czacie, high w API).

„Przekażę Ci plik CSV z miesięcznymi wydatkami według kategorii z ostatnich 24 miesięcy. Chcę, abyś:

  1. Zidentyfikował 3 kategorie z największym wzrostem (obliczenia w Pythonie)
  2. Dla każdej z nich wyszukał, czy jest to trend ogólnokrajowy, czy specyficzny dla mojego przypadku (wyszukiwanie w sieci)
  3. Stworzył wykres porównawczy: moje wydatki kontra trend ogólnokrajowy (Python)
  4. Napisał podsumowanie z rekomendacjami (czyste rozumowanie) Przedstaw wynik każdego kroku.”

Podczas ćwiczenia obserwuj, co się dzieje, gdy wykonanie kodu nie powiedzie się. Model może spróbować ponownie samodzielnie, co jest dobre; ale jeśli problem leży po stronie Twoich danych, żaden ponowny zapis go nie naprawi: sprawdź plik zamiast restartować proces. A jeśli żądanie stanie się zbyt ciężkie, rozbij je na kroki walidowane jeden po drugim.

Źródła oficjalne: Modele rozumujące (OpenAI API: poziomy wysiłku, zwracanie elementów rozumowania wraz z wywołaniami funkcji) · Programatyczne wywoływanie narzędzi · Analiza danych z ChatGPT (wykonywanie kodu w ChatGPT) · Modele (Ultra)

Kluczowe wnioski

  • Przy wystarczającym poziomie wysiłku rozumowanie strategicznie steruje narzędziami, a nie działa mechanicznie
  • Trzy kluczowe wzorce: wyszukiwanie, analiza, potem kod; dane, kod, potem wyszukiwanie; kod iteracyjny
  • Po stronie API zwracaj elementy rozumowania wraz z wynikami funkcji i rozważ programatyczne wywoływanie narzędzi
  • Możesz wymusić lub ograniczyć użycie narzędzi zgodnie ze swoimi potrzebami
  • Wstawiaj punkty kontrolne w długich przepływach pracy, aby zachować kontrolę