Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Pipeline de Múltiplas Ferramentas

Aula 13 de 14 Atualizada a 29 de julho de 2026 Programador
Nesta página
  1. Orquestração de ferramentas em sequência
  2. Arquitetura do pipeline
  3. Exemplo: pipeline de inteligência competitiva
  4. Execução do pipeline
  5. Combinação de ferramentas de servidor e cliente num pipeline
  6. Padrão: fan-out / fan-in
  7. Gestão de falhas num pipeline
  8. Pontos-chave

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