Gestão de erros e mecanismos de fallback
Nesta página
Gestão de erros e mecanismos de fallback
A chamada de funções introduz um desafio que o código clássico não enfrenta: quando a sua função falha, existem dois destinatários para esse erro. A sua aplicação, como é habitual, e o modelo, que está à espera de um resultado para continuar. Esquecer isto cria o sintoma mais desconcertante em produção: uma conversa que para abruptamente sem explicação, porque uma exceção foi engolida no lado do servidor e o modelo continua à espera.
A regra que estrutura toda esta lição é: devolva sempre um function_call_output, mesmo em caso de falha. Um modelo informado de que uma API está indisponível pode propor uma alternativa, pedir esclarecimentos ou explicar a situação ao utilizador. Um modelo que não recebe nada não pode fazer nada.
Devolução de erros ao modelo
O formato do erro é tão importante quanto o seu envio. Um simples “Erro” não ensina nada ao modelo; um objeto JSON que distingue o tipo de erro, se é transitório ou permanente, e os próximos passos, permite ao modelo decidir. Isto é contra-intuitivo: está a escrever mensagens de erro destinadas a ser lidas por uma máquina de raciocínio, e não registadas para humanos.
import json
from openai import OpenAI
client = OpenAI()
def execute_function(name: str, arguments: str, call_id: str) -> dict:
try:
args = json.loads(arguments)
result = dispatcher[name](**args)
return {
"type": "function_call_output",
"call_id": call_id,
"output": json.dumps(result)
}
except KeyError:
return {
"type": "function_call_output",
"call_id": call_id,
"output": json.dumps({
"error": "unknown_function",
"message": f"The function '{name}' does not exist"
})
}
except json.JSONDecodeError:
return {
"type": "function_call_output",
"call_id": call_id,
"output": json.dumps({
"error": "invalid_arguments",
"message": "The JSON arguments are malformed"
})
}
except Exception as e:
return {
"type": "function_call_output",
"call_id": call_id,
"output": json.dumps({
"error": "internal_error",
"message": str(e)
})
}
Nova tentativa com espera exponencial (Exponential Backoff)
A nova tentativa só faz sentido para problemas que possam resolver-se numa segunda tentativa: cortes de rede, códigos de estado 429 ou indisponibilidades temporárias. Tentar novamente um pedido rejeitado devido a autenticação inválida ou parâmetros incorretos apenas adia a falha enquanto multiplica as chamadas. É por isso que o código abaixo filtra explicitamente os erros — a filtragem faz o trabalho, enquanto o backoff é apenas a cortesia que deve ao serviço remoto.
import time
import random
def execute_with_retry(func, args, max_retries=3, base_delay=1.0):
"""Retry with exponential backoff and jitter."""
for attempt in range(max_retries + 1):
try:
return func(**args)
except (ConnectionError, TimeoutError) as e:
if attempt == max_retries:
raise
delay = base_delay * (2 ** attempt) + random.uniform(0, 0.5)
time.sleep(delay)
except ValueError:
# Data error: do not retry
raise
def execute_function_robust(name, arguments, call_id):
args = json.loads(arguments)
try:
result = execute_with_retry(dispatcher[name], args)
return {
"type": "function_call_output",
"call_id": call_id,
"output": json.dumps(result)
}
except Exception as e:
return {
"type": "function_call_output",
"call_id": call_id,
"output": json.dumps({
"error": type(e).__name__,
"message": str(e),
"retries_performed": 3
})
}
Timeouts por função
Um único timeout para todas as funções está sempre mal configurado: se for demasiado curto, mata o processamento pesado; se for demasiado longo, faz o utilizador esperar numa simples consulta de cache. Baseie cada valor nas durações observadas em condições normais, com uma margem — e não no pior caso imaginável, o que equivaleria efetivamente a não ter timeout nenhum.
import signal
from functools import wraps
TIMEOUTS = {
"search_client": 5,
"generate_report": 30,
"send_email": 10,
}
def with_timeout(func, timeout_seconds):
"""Executes a function with a timeout."""
import concurrent.futures
with concurrent.futures.ThreadPoolExecutor(max_workers=1) as executor:
future = executor.submit(func)
try:
return future.result(timeout=timeout_seconds)
except concurrent.futures.TimeoutError:
raise TimeoutError(
f"Function interrupted after {timeout_seconds}s"
)
def execute_with_timeout(name, arguments, call_id):
args = json.loads(arguments)
timeout = TIMEOUTS.get(name, 10) # 10s by default
try:
result = with_timeout(
lambda: dispatcher[name](**args),
timeout
)
return {
"type": "function_call_output",
"call_id": call_id,
"output": json.dumps(result)
}
except TimeoutError as e:
return {
"type": "function_call_output",
"call_id": call_id,
"output": json.dumps({
"error": "timeout",
"message": str(e),
"suggestion": "Retry with more specific criteria"
})
}
Fallback entre funções
O fallback é uma compensação, não um reflexo: servir dados em cache com seis horas de antiguidade é melhor do que nada para um painel de controlo, e muito pior do que nada para um saldo bancário. Quando degrada o serviço, diga-o — no resultado devolvido ao modelo, para que este possa avisar o utilizador em vez de apresentar dados desatualizados como se fossem recentes.
async def search_product(term: str) -> dict:
"""Search with fallback: primary API -> cache -> local database."""
# Attempt 1: Catalog API
try:
return await api_catalog.search(term)
except Exception:
pass
# Attempt 2: Redis cache
try:
cached = await redis_client.get(f"product:{term}")
if cached:
result = json.loads(cached)
result["_source"] = "cache"
result["_warning"] = "Data may be outdated"
return result
except Exception:
pass
# Attempt 3: Local SQLite database
try:
row = db.execute(
"SELECT * FROM products WHERE name LIKE ?",
(f"%{term}%",)
).fetchone()
if row:
return {
"name": row["name"],
"price": row["price"],
"_source": "local_db",
"_warning": "Data from last synchronization"
}
except Exception:
pass
return {
"error": "unavailable",
"message": "No data source accessible for this search"
}
Disjuntor (Circuit Breaker)
O disjuntor lida com aquilo que a nova tentativa não consegue: um serviço que está em baixo por um longo período. Após N falhas, ele dispara e devolve um erro imediatamente, sem sequer tentar, permitindo depois ocasionalmente a passagem de um pedido de teste para verificar a recuperação. O ganho é duplo: os seus utilizadores deixam de esperar por um timeout em cada pedido e o serviço em dificuldades não é mantido em baixo pelas suas novas tentativas.
from datetime import datetime, timedelta
class CircuitBreaker:
def __init__(self, failure_threshold=5, open_duration=60):
self.threshold = failure_threshold
self.duration = open_duration
self.failures = 0
self.last_failure = None
self.state = "closed" # closed, open, half-open
def can_execute(self) -> bool:
if self.state == "closed":
return True
if self.state == "open":
if datetime.now() - self.last_failure > timedelta(seconds=self.duration):
self.state = "half-open"
return True
return False
return True # half-open: allow one test attempt
def record_success(self):
self.failures = 0
self.state = "closed"
def record_failure(self):
self.failures += 1
self.last_failure = datetime.now()
if self.failures >= self.threshold:
self.state = "open"
# One circuit breaker per external service
breakers = {
"weather_api": CircuitBreaker(failure_threshold=3, open_duration=30),
"catalog_api": CircuitBreaker(failure_threshold=5, open_duration=60),
}
Ciclo completo robusto
O padrão completo reúne os cinco mecanismos acima. Uma precaução torna-o verdadeiramente seguro e é fácil de ignorar: limite o número de iterações. Um modelo que entra num ciclo a chamar uma função cujo resultado não lhe agrada é raro, mas sem um teto máximo irá queimar o seu orçamento até à exaustão — e esse é o tipo de incidente que só descobre na fatura.
def robust_loop(prompt, tools, max_turns=10):
messages = prompt
for turn in range(max_turns):
response = client.responses.create(
model="gpt-5.6-terra",
input=messages,
tools=tools
)
calls = [i for i in response.output if i.type == "function_call"]
if not calls:
return response.output_text
results = []
for call in calls:
result = execute_function_robust(
call.name, call.arguments, call.call_id
)
results.append(result)
messages = response.output + results
return "Workflow interrupted: turn limit reached"
Pontos-chave
- Devolva sempre um
function_call_output, mesmo em caso de erro - Estruture os erros como JSON para que o modelo os possa utilizar
- Tente novamente apenas erros transitórios com espera exponencial (exponential backoff)
- Implemente mecanismos de fallback entre fontes de dados
- Utilize um disjuntor (circuit breaker) para proteger serviços em falha