Przejdź do głównej treści
Polski— Wybierz język
Menu

Reasoning, wykonywanie kodu i wyszukiwanie w sieci: zautomatyzowane przepływy pracy

Lekcja 7 z 12 Zaktualizowano 5 listopada 2026 Średnio zaawansowani
Na tej stronie
  1. Gdy reasoning spotyka narzędzia
  2. Trzy uzupełniające się role
  3. Jak model decyduje się użyć narzędzia
  4. Co umożliwia połączenie tych narzędzi
  5. Włączanie i kontrolowanie narzędzi
  6. Czas na Ciebie
  7. Kluczowe wnioski

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 między narzędziami Cztery kroki w pętli: rozumuj, aby zrozumieć i zaplanować; oblicz w Pythonie na swoich plikach; przeszukaj sieć w poszukiwaniu najnowszych danych; zakończ, porównując i pisząc. Reasoning powraca między każdym wywołaniem narzędzia, aby zdecydować o kolejnym kroku. KOD I WYSZUKIWANIE W SIECI Reasoning między narzędziami 1 Reasoning Zrozum i zaplanuj 2 Oblicz Python na Twoich plikach 3 Wyszukaj Najnowsze dane z sieci 4 Zakończ Porównaj, napisz Reasoning powraca między każdym wywołaniem narzędzia, aby zdecydować o kolejnym kroku Środowisko Python nie ma dostępu do sieci: dane zewnętrzne pochodzą z wyszukiwania.
Na podstawie artykułów z Centrum Pomocy OpenAI dotyczących Data Analysis i Web Search (listopad 2026).
  1. Reasoning: Zrozumienie struktury problemu
  2. Wykonanie kodu: Załaduj plik Excel, oblicz trendy, stwórz prognozy
  3. Wyszukiwanie w sieci: Znajdź prognozy branżowe
  4. Reasoning: Porównaj wyniki i wyciągnij wnioski
  5. Wykonanie kodu: Wygeneruj wykresy
  6. 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