Pipeline de Múltiplas Ferramentas
Nesta página
Orquestração de ferramentas em sequência
O agente meteorológico da lição anterior utilizava ferramentas independentes. Num pipeline de múltiplas ferramentas, os resultados de uma ferramenta alimentam a chamada seguinte. O modelo orquestra a sequência automaticamente; o seu papel consiste em fornecer as ferramentas e executar as chamadas.
Arquitetura do pipeline
Um pipeline típico segue este esquema:
Pesquisa → Análise → Ação → Notificação
Cada passo produz dados consumidos pelo seguinte. O modelo gere esta orquestração naturalmente graças ao contexto da conversa.
Exemplo: pipeline de inteligência competitiva
Imagine um pipeline que monitoriza os preços da concorrência e gera um relatório:
tools = [
{
"type": "function",
"function": {
"name": "scrape_competitor_prices",
"description": "Retrieve current prices from a competitor "
"for a list of products. Returns an array "
"of {product, price, availability}.",
"parameters": {
"type": "object",
"properties": {
"competitor": {
"type": "string",
"description": "Competitor name"
},
"products": {
"type": "array",
"items": {"type": "string"},
"description": "List of products to check"
}
},
"required": ["competitor", "products"]
}
}
},
{
"type": "function",
"function": {
"name": "compare_with_our_prices",
"description": "Compare competitor prices with our prices. "
"Returns percentage gaps and adjustment "
"recommendations.",
"parameters": {
"type": "object",
"properties": {
"competitor_prices": {
"type": "array",
"items": {
"type": "object",
"properties": {
"product": {"type": "string"},
"price": {"type": "number"}
}
}
}
},
"required": ["competitor_prices"]
}
}
},
{
"type": "function",
"function": {
"name": "generate_report",
"description": "Generate a PDF report with the benchmark "
"analysis results. Returns the report URL.",
"parameters": {
"type": "object",
"properties": {
"title": {"type": "string"},
"data": {"type": "object"},
"format": {
"type": "string",
"enum": ["pdf", "csv", "json"]
}
},
"required": ["title", "data"]
}
}
},
{
"type": "function",
"function": {
"name": "send_notification",
"description": "Send an email or Slack notification "
"with a summary and a link to the report.",
"parameters": {
"type": "object",
"properties": {
"channel": {
"type": "string",
"enum": ["email", "slack"]
},
"recipient": {"type": "string"},
"message": {"type": "string"},
"attachment_url": {"type": "string"}
},
"required": ["channel", "recipient", "message"]
}
}
}
]
Execução do pipeline
Quando o utilizador pede: «Analise os preços da CompetitorX para os nossos 5 principais produtos e envie o relatório à equipa de vendas», o modelo orquestra:
Turn 1 : scrape_competitor_prices(competitor="CompetitorX", products=[...])
Turn 2 : compare_with_our_prices(competitor_prices=[results from turn 1])
Turn 3 : generate_report(title="CompetitorX Price Monitoring", data={...})
Turn 4 : send_notification(channel="slack", recipient="#sales", ...)
Cada turno utiliza os resultados do anterior. O modelo transfere naturalmente os dados de uma ferramenta para a seguinte.
Combinação de ferramentas de servidor e cliente num pipeline
Os pipelines mais poderosos combinam ferramentas de servidor e de cliente:
tools = [
{"type": "web_search"}, # Server: web search
{
"type": "function",
"function": {
"name": "extract_data",
"description": "Extract structured data from raw text",
"parameters": { ... }
}
},
{
"type": "function",
"function": {
"name": "save_to_crm",
"description": "Save extracted data to the CRM",
"parameters": { ... }
}
}
]
Fluxo: o modelo realiza uma pesquisa na Web (automática no lado do servidor), chama depois a sua função de extração (lado do cliente) e, finalmente, guarda os dados no CRM (lado do cliente).
Padrão: fan-out / fan-in
Alguns pipelines exigem um padrão fan-out (múltiplas chamadas em paralelo) seguido de um fan-in (agregação de resultados):
┌→ scrape_site_A ─┐
Request ─┤→ scrape_site_B ─┤→ aggregate_results → generate_report
└→ scrape_site_C ─┘
O modelo gere isto naturalmente com chamadas paralelas:
Turn 1 : [scrape_site_A, scrape_site_B, scrape_site_C] (parallel)
Turn 2 : aggregate_results(data=[result_A, result_B, result_C])
Turn 3 : generate_report(aggregated_data={...})
Gestão de falhas num pipeline
Um pipeline robusto gere falhas em cada etapa:
def execute_with_retry(name, args, max_retries=2):
for attempt in range(max_retries + 1):
try:
result = execute_function(name, args)
if "error" not in result:
return result
except Exception:
pass
if attempt < max_retries:
time.sleep(1) # Wait before retry
return {
"error": f"Failed after {max_retries + 1} attempts",
"function": name,
"partial_data": None
}
Quando uma etapa falha, o modelo pode:
- Tentar novamente com parâmetros ajustados
- Ignorar a etapa e continuar com dados parciais
- Informar o utilizador e solicitar instruções
Pontos-chave
- Um pipeline de múltiplas ferramentas encadeia os resultados de uma ferramenta para a seguinte
- O modelo orquestra a sequência automaticamente graças ao contexto
- O padrão fan-out/fan-in combina chamadas paralelas e agregação
- Combine ferramentas de servidor (web_search) e ferramentas de cliente (as suas funções) para pipelines híbridos
- Gere falhas em cada etapa com novas tentativas e planos de contingência
- Cada ferramenta no pipeline deve ter uma responsabilidade única e clara