Agenți de raționament (GPT-5.6 Sol, efort ridicat până la maxim)
Pe această pagină
- Agenți de raționament (GPT-5.6, efort ridicat până la maxim)
- Când să activați raționamentul într-un agent
- Sol + efort high/xhigh: raționament profund
- Terra + efort medium: raționament rapid
- Model: Router de configurare
- Comportamentul streaming-ului cu raționament activat
- Optimizarea costurilor
- Puncte cheie
Actualizat la 2 noiembrie 2026 — modele.
o3,o3-proși snapshot-urile legacy GPT-5 vor fi eliminate din API la 11 decembrie 2026, iaro4-minia fost deja depășit de mult timp. Pentru noii agenți, începeți cu familia GPT-6: GPT-6.1 Sol pentru echilibru, GPT-6 Astra pentru cele mai solicitante sarcini.
Agenți de raționament (GPT-5.6, efort ridicat până la maxim)
Odată cu familia GPT-5.6 (disponibilă din iulie 2026), raționamentul nu mai este gestionat de modele separate, ca în generația anterioară (o3-pro, o4-mini): acesta este acum o setare per cerere (none, low, medium, high, xhigh, max) aplicabilă fiecărui model. Un agent care are nevoie să gândească cu adevărat — explorând multiple căi înainte de a răspunde — va utiliza de obicei GPT-5.6 Sol cu un efort high sau xhigh. Integrată în agenții dumneavoastră, această capacitate de raționament deblochează sarcini care necesită o deliberare autentică.
Când să activați raționamentul într-un agent
Raționamentul profund excelează în situații specifice, iar experiența arată că toate acestea împărtășesc o trăsătură comună: compararea căilor posibile înainte de a lua o decizie. Acest lucru se aplică planificării complexe, unde descompuneți o sarcină în pași optimi, și analizei matematice — calcule, statistici, optimizare — unde un singur pas greșit invalidează restul. Se aplică, de asemenea, depanării, care implică urmărirea unui simptom până la cauza sa rădăcină, și luării deciziilor, unde trebuie să evaluați mai multe opțiuni și să o alegeți pe cea mai bună. Revizuirea codului intră în aceeași categorie: găsirea unui bug subtil necesită simularea mentală a execuțiilor pe care o citire liniară nu le va revela.
Pentru sarcini simple (răspuns la o întrebare, formatare text), GPT-5.6 Terra sau Luna cu efort redus (sau chiar none) sunt mai rapide și mai ieftine. A plăti pentru raționament doar pentru a reformula un paragraf este ca și cum ai lăsa un motor de curse să meargă în gol în trafic.
Sol + efort high/xhigh: raționament profund
GPT-5.6 Sol cu efort ridicat de raționament înlocuiește ceea ce făcea anterior o3-pro. Agentul durează mai mult, dar produce analize mai profunde. Exemplul de mai jos este tipic: o întrebare strategică cu trei opțiuni, unde răspunsul corect depinde de compromisurile dintre risc, cost și orizontul de timp. Rețineți că instrucțiunile definesc în mod explicit dimensiunile de luat în considerare — raționamentul beneficiază întotdeauna de constrângeri clare.
from agents import Agent, Runner, ModelSettings
from openai.types.shared import Reasoning
strategic_advisor = Agent(
name="Strategic Advisor",
instructions="""You are a business strategy consultant.
Analyze deeply before recommending.
Always consider: risks, opportunities,
costs, and alternatives.""",
model="gpt-5.6-sol",
model_settings=ModelSettings(reasoning=Reasoning(effort="high")),
)
result = Runner.run_sync(
strategic_advisor,
"""Our SaaS startup has 500 clients, €2M MRR, and is growing 15% per month.
We are debating:
A) Raise a Series B (€20M) and accelerate in the US
B) Stay bootstrapped and consolidate in Europe
C) Seek a strategic acquirer
Which strategy do you recommend and why?"""
)
print(result.final_output)
Pentru cele mai critice analize, creșteți nivelul la xhigh sau max. Există, de asemenea, o setare ultra (anunțată în iulie 2026) care coordonează implicit 4 agenți în paralel (până la 16 la anumite evaluări) pentru cele mai grele sarcini — puternică, dar cu un consum de tokeni semnificativ mai mare: rezervați-o pentru probleme care justifică costul.
Terra + efort medium: raționament rapid
Între absența raționamentului și analiza profundă se află un punct optim utilizat pe scară largă în producție. GPT-5.6 Terra cu efort medium oferă un compromis bun între capacitatea de raționament și viteză — echivalentul fostului o4-mini. Ideal pentru agenții care trebuie să raționeze rapid, cum ar fi acest agent de diagnostic care citește metricile serverului și trebuie să lege saturația memoriei de un vârf al erorilor 5xx în câteva secunde, în timp ce site-ul traversează un incident.
from agents import Agent, Runner, ModelSettings, function_tool
from openai.types.shared import Reasoning
@function_tool
def get_server_metrics(server: str) -> str:
"""Retrieves metrics for a server."""
import json
metrics = {
"cpu": 87.5,
"ram": 92.1,
"disk": 65.3,
"requests_per_second": 1250,
"response_time_p99": 450,
"errors_5xx": 23,
}
return json.dumps(metrics)
diagnostic_agent = Agent(
name="Diagnostic Agent",
instructions="""You diagnose infrastructure problems.
Analyze the metrics and identify the probable cause.
Propose immediate and long-term corrective actions.""",
model="gpt-5.6-terra",
model_settings=ModelSettings(reasoning=Reasoning(effort="medium")),
tools=[get_server_metrics],
)
result = Runner.run_sync(
diagnostic_agent,
"The site has been slow for 30 minutes. Diagnose server web-prod-01."
)
Model: Router de configurare
Nu trebuie să alegeți o singură configurație pentru totdeauna. Utilizați o configurație ușoară pentru rutare și pe cea adecvată pentru execuție: un prim agent citește sarcina, returnează un obiect tipizat indicând ce model și ce efort să se utilizeze, apoi instanțiați agentul de execuție cu acea decizie. Câmpul reason nu este decorativ — vă permite, atunci când vă revizuiți jurnalele, să verificați dacă routerul nu supra-dimensionează sistematic resursele.
from pydantic import BaseModel
from typing import Literal
class ConfigDecision(BaseModel):
model: Literal["gpt-5.6-luna", "gpt-5.6-terra", "gpt-5.6-sol"]
effort: Literal["none", "low", "medium", "high", "xhigh"]
reason: str
router_agent = Agent(
name="Smart Router",
instructions="""Analyze the task and decide which configuration to use:
- gpt-5.6-luna, effort none/low: simple tasks (summaries, rephrasing, factual answers)
- gpt-5.6-terra, effort medium: fast reasoning (classification, diagnostics)
- gpt-5.6-sol, effort high/xhigh: complex tasks (strategic planning, deep analysis, math)""",
model="gpt-5.6-terra",
model_settings=ModelSettings(reasoning=Reasoning(effort="medium")),
output_type=ConfigDecision,
)
async def process_with_optimal_config(task: str):
# Step 1: choose the configuration
decision = await Runner.run(router_agent, task)
config = decision.final_output
print(f"Configuration: {config.model} / effort {config.effort} ({config.reason})")
# Step 2: execute with the right configuration
execution_agent = Agent(
name="Execution Agent",
instructions="Accomplish the requested task with precision.",
model=config.model,
model_settings=ModelSettings(reasoning=Reasoning(effort=config.effort)),
)
result = await Runner.run(execution_agent, task)
return result.final_output
Comportamentul streaming-ului cu raționament activat
Când raționamentul este activat, streaming-ul are o particularitate: procesul intern de gândire al modelului nu este transmis în flux ca text simplu. Interfața dumneavoastră primește astfel tokeni pentru răspunsul final, dar nimic în timpul fazei de raționament.
agent = Agent(
name="Analyst",
instructions="Analyze the data deeply.",
model="gpt-5.6-sol",
model_settings=ModelSettings(reasoning=Reasoning(effort="high")),
)
# Streaming delivers the final answer, not the intermediate reasoning
result = Runner.run_streamed(agent, "Analyze this complex problem.")
async for event in result.stream_events():
if event.type == "raw_response_event":
if hasattr(event.data, "delta") and event.data.delta:
print(event.data.delta, end="", flush=True)
Luați în calcul această latență în experiența utilizatorului (UX): cu un efort high sau superior, primii tokeni pot sosi după un timp semnificativ de gândire. Un indicator de așteptare explicit împiedică utilizatorii să creadă că aplicația s-a blocat și să reîncarce pagina în cel mai nepotrivit moment.
Optimizarea costurilor
Raționamentul consumă tokeni suplimentari (gândirea internă este facturată). Două pârghii ajută la limitarea costurilor: reduceți efortul implicit și creșteți-l doar când este necesar, apoi separați decizia de execuție — adică raționați pentru a decide, dar executați fără raționament. Fluxul de lucru hibrid de mai jos aplică al doilea principiu — Terra la medium stabilește abordarea, Luna o execută cu instrumente.
# Pattern: hybrid reasoning
# Terra + medium for decision, Luna without reasoning for execution
decision_agent = Agent(
name="Decider",
instructions="Decide on the optimal approach.",
model="gpt-5.6-terra",
model_settings=ModelSettings(reasoning=Reasoning(effort="medium")),
)
executor_agent = Agent(
name="Executor",
instructions="Execute the decided plan.",
model="gpt-5.6-luna", # Cheaper for execution
tools=[search_crm, generate_report],
)
async def hybrid_workflow(task: str):
plan = await Runner.run(decision_agent, f"How to handle: {task}")
result = await Runner.run(executor_agent, plan.final_output)
return result.final_output
Puncte cheie
- Raționamentul este o setare per cerere pe fiecare model GPT-5.6 (none → max), nu mai sunt modele separate ca o3-pro/o4-mini
- GPT-5.6 Sol cu efort
high/xhigh: planificare strategică, analiză complexă, matematică - GPT-5.6 Terra cu efort
medium: raționament rapid pentru diagnostice și rutare - Setarea
ultracoordonează mai mulți agenți în paralel pentru cele mai grele sarcini — cost de tokeni semnificativ mai mare - Modelul router selectează dinamic combinația model + efort și optimizează costurile
- Raționați pentru a decide, executați fără raționament: cel mai bun raport calitate-preț