Reasoning, wykonywanie kodu i wyszukiwanie w sieci: zautomatyzowane przepływy pracy
Na tej stronie
Gdy reasoning spotyka narzędzia
Połączenie rozumowania na wysokim poziomie z wykonywaniem kodu i wyszukiwaniem w sieci przekształca model językowy w agenta zdolnego do obliczania, szukania i syntezy wyników w jeden wniosek. Ta lekcja pokaże Ci, jak wykorzystać tę synergę. Najpierw uwaga dotycząca terminologii: w ChatGPT wykonywanie kodu nazywa się Data Analysis, a wyszukiwanie – Search; w API są to narzędzia Code Interpreter i Web Search. Poprzednie generacje rezerwowały tę rolę dla dedykowanych modeli rozumujących, takich jak o3; dziś jest to ustawienie dostępne dla każdego modelu.
Trzy uzupełniające się role
Pierwszym filarem jest sam model. Na wysokim poziomie rozumowania działa jak mózg: rozumuje, planuje, decyduje, jakie działania podjąć, i koordynuje cały proces.
Wykonywanie kodu pełni rolę rąk. Uruchamia Pythona w izolowanym środowisku, co pozwala manipulować plikami Excel, CSV lub JSON, przeprowadzać złożone obliczenia, tworzyć wykresy i wizualizacje oraz czyścić lub przekształcać dane przed analizą. Wyszukiwanie w sieci działa jak oczy: zapewnia dostęp do informacji w czasie rzeczywistym, czy to potrzebujesz aktualnych danych, weryfikacji faktów, informacji zebranych z wielu źródeł, czy dostępu do publicznych stron internetowych i baz danych.
Jak model decyduje się użyć narzędzia
Zazwyczaj nie musisz nazywać narzędzia: model wykrywa, gdy potrzebne są obliczenia lub najnowsze informacje, i wywołuje narzędzie we właściwym momencie. Jeśli wolisz konkretne narzędzie, powiedz o tym wprost: „wykonaj obliczenia w Pythonie“, „przeszukaj sieć“. Po stronie API interfejs Responses API idzie dalej dzięki Programmatic Tool Calling: model pisze program w JavaScript, uruchamiany w izolowanym środowisku, który wywołuje narzędzia – potencjalnie równolegle – i filtruje wyniki pośrednie, zamiast wywoływać je po kolei.
Prośba o kompleksową analizę finansową dobrze ilustruje tę sekwencję.
„Oto moje dane sprzedażowe z ostatnich 12 miesięcy (Excel). Przeanalizuj trendy, oblicz średni miesięczny wskaźnik wzrostu, prognozuj sprzedaż na kolejne 3 miesiące i wyszukaj w sieci prognozy branżowe, aby je porównać. Przygotuj raport z wykresami.”
Model może następnie wykonać taką sekwencję bez konieczności jej rozbijania przez Ciebie; dokładna kolejność zmienia się w zależności od żądania.
- Reasoning: Zrozumienie struktury problemu
- Wykonanie kodu: Załaduj plik Excel, oblicz trendy, stwórz prognozy
- Wyszukiwanie w sieci: Znajdź prognozy branżowe
- Reasoning: Porównaj wyniki i wyciągnij wnioski
- Wykonanie kodu: Wygeneruj wykresy
- Reasoning: Napisz końcowy raport
Zauważ naprzemienność: reasoning nie zachodzi tylko na początku; powraca między każdym wywołaniem narzędzia, aby zdecydować o kolejnym kroku. To właśnie ten rytm odróżnia agenta od prostego wykonawcy.
Co umożliwia połączenie tych narzędzi
Zautomatyzowane benchmarki to najbardziej oczywiste zastosowanie, ponieważ wymagają porównania Twoich danych z informacjami zewnętrznymi.
„Oto wskaźniki wyników finansowych mojej firmy (plik Excel). Wyszukaj w sieci średnie wskaźniki finansowe w naszej branży (B2B SaaS w Europie) i porównaj je z naszymi. Przygotuj tabelę benchmarkingową z kodowaniem kolorystycznym: zielony, jeśli jesteśmy powyżej średniej, czerwony, jeśli poniżej.”
Wywiad konkurencyjny zyskuje nowy wymiar, gdy wspiera go własna baza danych: zamiast jedynie zbierać ogłoszenia, mierzysz ich wpływ.
„Wyszukaj najnowsze ogłoszenia od naszych 3 konkurentów (Konkurent A, Konkurent B, Konkurent C) z ostatnich 30 dni. Skrzyżuj te informacje z danymi o ruchu na naszej stronie internetowej (dołączony plik CSV), aby ustalić, czy ich ogłoszenia wpłynęły na nasz ruch.”
Trzecim typowym przypadkiem użycia jest raport oparty na danych z wizualizacjami, gdzie wykonywanie kodu wykonuje najcięższą pracę na Twoich danych wewnętrznych.
„Oto nasze dane HR (plik Excel). Oblicz wskaźnik rotacji według działów, średni koszt zastępstwa (założenie: 6 miesięcy wynagrodzenia) i oszacuj wpływ na budżet. Wygeneruj wykres dla każdego działu oraz tabelę podsumowującą.”
Włączanie i kontrolowanie narzędzi
W ChatGPT funkcja Data Analysis uruchamia się zawsze, gdy wymaga tego plik lub obliczenie; w środowisku firmowym upewnij się, że administrator jej nie wyłączył. Wyszukiwanie w sieci aktywuje się, gdy model wykryje potrzebę uzyskania najnowszych informacji; możesz je wymusić, klikając przycisk +, a następnie Search. Po stronie API oba narzędzia deklaruje się w żądaniu. Jeśli chodzi o poziom rozumowania, OpenAI kategoryzuje użycie narzędzi i wyszukiwanie jako low, gdy priorytetem jest szybkość, i zaleca medium, gdy liczy się planowanie i osąd – co ma miejsce w przepływach pracy z wieloma narzędziami.
Narzędzia te mają jasne granice, które musisz znać. Środowisko Python do Data Analysis nie ma dostępu do internetu: działa wyłącznie na dostarczonych plikach, a dane zewnętrzne muszą pochodzić z wyszukiwania lub własnych importów. Czasy odpowiedzi znacznie rosną po połączeniu wszystkich trzech elementów, a limity zużywają się szybciej, zwłaszcza na wyższych poziomach rozumowania.
Czas na Ciebie
Wszystkie trzy bloki konstrukcyjne razem. Przetestuj pełne połączenie w przypadku, w którym reasoning, kod i wyszukiwanie są niezbędne.
„Oto plik CSV z moimi miesięcznymi wydatkami z ostatnich 12 miesięcy. (1) Przeanalizuj trendy w Pythonie i wygeneruj wykres. (2) Wyszukaj w sieci wskaźnik inflacji we Francji dla każdego odpowiedniego miesiąca. (3) Oblicz moje wydatki skorygowane o inflację. (4) Przygotuj raport porównujący wydatki nominalne i realne.”
Jeśli nie masz pod ręką pliku CSV, poproś model, aby najpierw wygenerował realistyczny przykład. Podczas ćwiczenia pamiętaj o trzech odruchach. Weryfikuj obliczenia: błędny wzór wykonany poprawnie nadal jest błędnym wzorem. Krzyżowo sprawdzaj źródła wyszukiwania, ponieważ wyniki mogą być nieaktualne lub niedokładne. I pobieraj wygenerowane pliki – wykresy, tabele – przed zamknięciem rozmowy. Jedna ostatnia rada dotyczy wszystkiego: nawet gdy model sam zarządza swoimi narzędziami, złożone przepływy pracy dają lepsze rezultaty, gdy zostaną rozbite na kroki, zamiast być wciskane w jeden gigantyczny prompt.
Źródła oficjalne: Analiza danych z ChatGPT (Centrum Pomocy OpenAI: izolowany Python, brak dostępu do sieci) · Wyszukiwanie w sieci z ChatGPT · Code Interpreter i Wyszukiwanie w sieci (narzędzia API) · Programmatic Tool Calling · Modele rozumujące (poziomy wysiłku i narzędzia)
Kluczowe wnioski
- Wysoki poziom rozumowania łączy myślenie, wykonywanie kodu i wyszukiwanie w sieci w sposób autonomiczny
- Model automatycznie decyduje, kiedy użyć każdego narzędzia; po stronie API Programmatic Tool Calling pozwala mu koordynować narzędzia za pomocą kodu
- Wykonywanie kodu (Data Analysis, Code Interpreter) manipuluje plikami i tworzy wykresy bez dostępu do sieci; wyszukiwanie dostarcza najnowszych informacji
- W przypadku przepływów pracy z wieloma narzędziami zacznij od poziomu
medium, który OpenAI zaleca, gdy istotne jest planowanie - Zawsze weryfikuj wyniki – narzędzia wzmacniają zarówno moc, jak i ryzyko błędu