Chamadas Paralelas e Sequenciais
Nesta página
Chamadas Paralelas e Sequenciais
O modelo pode emitir múltiplas chamadas de função numa única resposta, fazendo-o automaticamente sempre que identifica necessidades independentes. Isto não é apenas uma otimização cosmética: três chamadas de dois segundos executadas em conjunto levam dois segundos no total, mas encadeadas sequencialmente levam seis.
O foco real desta lição não é como paralelizar — o modelo trata disso — mas como reconhecer os casos em que não o deve fazer. Duas chamadas são independentes quando a ordem de execução não afeta o resultado. Assim que uma operação lê o que outra escreve, ou um parâmetro deve vir de uma chamada anterior, o paralelismo torna-se um erro difícil de reproduzir.
Chamadas Paralelas
Nada precisa de ser ativado: este é o comportamento padrão. Uma consulta sobre três cidades produz três itens function_call na mesma resposta; o seu código executa-os. Note que o modelo raciocina sobre o significado das funções com base nas suas descrições — as descrições conduzem a decisão, como em quase tudo neste curso.
from openai import OpenAI
import json
import asyncio
client = OpenAI()
tools = [
{
"type": "function",
"name": "get_meteo",
"description": "Get current weather for a city",
"parameters": {
"type": "object",
"properties": {
"ville": {"type": "string"}
},
"required": ["ville"],
"additionalProperties": False
},
"strict": True
},
{
"type": "function",
"name": "get_taux_change",
"description": "Get exchange rate between two currencies",
"parameters": {
"type": "object",
"properties": {
"source": {"type": "string"},
"cible": {"type": "string"}
},
"required": ["source", "cible"],
"additionalProperties": False
},
"strict": True
}
]
response = client.responses.create(
model="gpt-5.6-terra",
input="What's the weather in Paris and Berlin, "
"and what is the EUR/USD exchange rate?",
tools=tools
)
# The model emits 3 calls in parallel
appels = [item for item in response.output if item.type == "function_call"]
print(f"Nombre d'appels : {len(appels)}")
# => Nombre d'appels : 3
Executar Chamadas Paralelas no Lado do Cliente
Receber três chamadas de uma vez é inútil se o seu código as executar uma após a outra: perde todo o ganho no lado do cliente. asyncio.gather é o mínimo; adicione duas precauções para produção — um limite de concorrência, para não abrir cinquenta ligações simultâneas a um serviço que suporta apenas dez, e tratamento de erros por chamada, para que uma falha isolada não derrube os outros resultados.
async def executer_fonction(name: str, arguments: str) -> dict:
args = json.loads(arguments)
if name == "get_meteo":
return await api_meteo(args["ville"])
elif name == "get_taux_change":
return await api_change(args["source"], args["cible"])
async def traiter_appels_paralleles(appels):
taches = [
executer_fonction(appel.name, appel.arguments)
for appel in appels
]
resultats = await asyncio.gather(*taches)
return [
{
"type": "function_call_output",
"call_id": appel.call_id,
"output": json.dumps(resultat)
}
for appel, resultat in zip(appels, resultats)
]
# Execute
resultats = asyncio.run(traiter_appels_paralleles(appels))
# Send back to the model
response_finale = client.responses.create(
model="gpt-5.6-terra",
input=response.output + resultats,
tools=tools
)
print(response_finale.output_text)
Desativar Chamadas Paralelas
parallel_tool_calls=False força o modelo a emitir apenas uma chamada por resposta. Utilize esta definição deliberadamente: troca latência por segurança. Reserve-a para funções que escrevem, modificam ou acionam algo externo.
response = client.responses.create(
model="gpt-5.6-terra",
input="Process these three orders",
tools=tools,
parallel_tool_calls=False # One call per response
)
Casos de uso para desativar o paralelismo:
- Operações que devem ser executadas numa ordem específica
- Funções com efeitos colaterais que interferem entre si
- Quando o resultado de uma chamada condiciona a próxima
Chamadas Sequenciais com um Ciclo
A execução sequencial não é controlada por um parâmetro: emerge do ciclo. Executa a chamada, envia o resultado de volta e o modelo decide o próximo passo com base no que acabou de aprender. É precisamente isto que distingue uma cadeia dinâmica de um plano rígido — se o passo 2 revelar que o passo 3 é desnecessário, o modelo não o chamará.
def boucle_function_calling(prompt: str, tools: list, max_tours: int = 10):
"""Complete loop for sequential function calling."""
messages_input = prompt
tour = 0
while tour < max_tours:
response = client.responses.create(
model="gpt-5.6-terra",
input=messages_input,
tools=tools,
parallel_tool_calls=False
)
# Check for function calls
appels = [i for i in response.output if i.type == "function_call"]
if not appels:
# Model is done, responding with text
return response.output_text
# Execute each call
resultats = []
for appel in appels:
resultat = executer_fonction_sync(appel.name, appel.arguments)
resultats.append({
"type": "function_call_output",
"call_id": appel.call_id,
"output": json.dumps(resultat)
})
# Prepare next turn
messages_input = response.output + resultats
tour += 1
return "Turn limit reached"
Exemplo Prático: Pipeline de Processamento
Um caso típico onde a execução sequencial é obrigatória, porque cada passo consome o que o anterior produziu:
tools_pipeline = [
{
"type": "function",
"name": "valider_commande",
"description": "Verify order validity (stock, price, customer)",
"parameters": {
"type": "object",
"properties": {
"commande_id": {"type": "string"}
},
"required": ["commande_id"],
"additionalProperties": False
},
"strict": True
},
{
"type": "function",
"name": "calculer_livraison",
"description": "Calculate shipping fees and delays. "
"Requires a validated order.",
"parameters": {
"type": "object",
"properties": {
"commande_id": {"type": "string"},
"mode": {"type": "string", "enum": ["standard", "express"]}
},
"required": ["commande_id", "mode"],
"additionalProperties": False
},
"strict": True
},
{
"type": "function",
"name": "confirmer_commande",
"description": "Confirm the order and trigger payment. "
"Requires prior validation and shipping calculation.",
"parameters": {
"type": "object",
"properties": {
"commande_id": {"type": "string"},
"livraison_id": {"type": "string"}
},
"required": ["commande_id", "livraison_id"],
"additionalProperties": False
},
"strict": True
}
]
# The model will naturally call in this order:
# 1. valider_commande
# 2. calculer_livraison (using step 1 result)
# 3. confirmer_commande (using results from steps 1 and 2)
resultat = boucle_function_calling(
"Process order CMD-42567 with express shipping",
tools_pipeline
)
Padrão Híbrido: Paralelo Depois Sequencial
Na prática, a maioria dos fluxos de trabalho do mundo real segue este padrão misto: uma fase de recolha onde tudo pode correr simultaneamente, seguida de uma fase de processamento que respeita as dependências. Não precisa de codificar nada de especial para isto — é a consequência natural do ciclo, desde que as suas descrições tornem as dependências claras.
# Turn 1: Parallel data collection
# The model calls get_client AND get_stock in parallel
# Turn 2: Sequential decision based on results
# The model calls valider_commande with collected info
# Turn 3: Final action
# The model calls confirmer_commande
Este padrão parece natural: o modelo paraleliza automaticamente quando as chamadas são independentes e depois encadeia sequencialmente quando surge uma dependência.
Pontos-chave
- O modelo paraleliza automaticamente chamadas independentes
- Utilize
asyncio.gatherpara executar chamadas paralelas no lado do cliente - Desative com
parallel_tool_calls=Falsequando a ordem importa - Implemente um ciclo para fluxos de trabalho em múltiplos passos
- As descrições das funções orientam o modelo sobre as dependências entre passos