Raționament, executare de cod și căutare web: fluxuri de lucru automate
Pe această pagină
Când raționamentul întâlnește instrumentele
Combinarea raționamentului de nivel înalt cu executarea de cod și căutarea web transformă un model lingvistic într-un agent capabil să calculeze, să caute și să sintetizeze rezultatele într-o singură concluzie. Această lecție vă arată cum să valorificați această sinergie. Mai întâi, o notă privind terminologia: în ChatGPT, executarea de cod se numește Data Analysis (Analiză de date), iar căutarea se numește Search (Căutare); în API, acestea sunt instrumentele Code Interpreter și Web Search. Generațiile anterioare rezervau acest rol unor modele de raționament dedicate, precum o3; astăzi, este o setare disponibilă pentru fiecare model.
Trei roluri complementare
Primul pilon este modelul însuși. La un nivel ridicat de raționament, acesta acționează ca creierul: raționează, planifică, decide ce acțiuni să întreprindă și orchestrează întregul proces.
Executarea de cod servește drept mâini. Rulează Python într-un mediu izolat, permițându-i să manipuleze fișierele dumneavoastră Excel, CSV sau JSON, să efectueze calcule complexe, să creeze grafice și vizualizări, precum și să curățe sau să transforme datele înainte de analiză. Căutarea web acționează drept ochi: oferă acces la informații în timp real, fie că aveți nevoie de date actualizate, de verificarea faptelor, de informații colectate din mai multe surse sau de acces la site-uri web și baze de date publice.
Cum decide modelul să utilizeze un instrument
În general, nu este nevoie să numiți instrumentul: modelul detectează când este necesar un calcul sau informații recente și apelează instrumentul la momentul potrivit. Dacă preferați un instrument specific, spuneți acest lucru: „efectuați calculul în Python“, „căutați pe web“. În partea de API, Responses API merge mai departe cu Programmatic Tool Calling: modelul scrie un program JavaScript, executat într-un mediu izolat, care apelează instrumentele—potențial în paralel—și filtrează rezultatele intermediare, în loc să le apeleze unul câte unul.
O solicitare pentru o analiză financiară cuprinzătoare ilustrează bine această secvență.
„Iată datele mele de vânzări pentru ultimele 12 luni (Excel). Analizați tendințele, calculați rata medie de creștere lunară, prognozați vânzările pentru următoarele 3 luni și căutați pe web previziunile din industrie pentru a le compara. Produceți un raport cu grafice.”
Modelul poate executa apoi o secvență ca aceasta fără ca dumneavoastră să fie nevoie să o descompuneți; ordinea exactă variază de la o solicitare la alta.
- Raționați: Înțelegeți structura problemei
- Executați codul: Încărcați fișierul Excel, calculați tendințele, faceți proiecții
- Căutați pe web: Găsiți previziunile din industrie
- Raționați: Comparați rezultatele și trageți concluzii
- Executați codul: Generați grafice
- Raționați: Scrieți raportul final
Observați alternanța: raționamentul nu are loc doar la început; revine între fiecare apel de instrument pentru a decide pasul următor. Acest ritm este ceea ce distinge un agent de un simplu executor.
Ce permite combinația
Benchmarking-ul automatizat este cazul de utilizare cel mai imediat, deoarece necesită compararea cifrelor dumneavoastră cu date externe.
„Iată indicatorii de performanță financiară ai companiei mele (fișier Excel). Căutați pe web rapoartele financiare medii din sectorul nostru (B2B SaaS în Europa) și comparați-le cu ale noastre. Produceți un tabel de benchmarking cu codificare culori: verde dacă suntem peste medie, roșu dacă suntem sub medie.”
Informațiile competitive capătă o nouă dimensiune atunci când sunt susținute de propriile dumneavoastră date: în loc să colectați doar anunțuri, le măsurați impactul.
„Căutați cele mai recente anunțuri de la cei 3 competitori ai noștri (Competitor A, Competitor B, Competitor C) din ultimele 30 de zile. Corelați acest lucru cu datele noastre de trafic web (fișier CSV atașat) pentru a identifica dacă anunțurile lor ne-au afectat traficul.”
Al treilea caz de utilizare tipic este un raport bazat pe date cu vizualizări, unde executarea codului face grosul muncii asupra datelor interne.
„Iată datele noastre de resurse umane (fișier Excel). Calculați rata de fluctuație pe departamente, costul mediu al unei înlocuiri (ipoteză: 6 luni de salariu) și proiectați impactul bugetar. Generați un grafic per departament și un tabel sumar.”
Activarea și controlul instrumentelor
În ChatGPT, Data Analysis intervine ori de câte ori un fișier sau un calcul o necesită; într-un spațiu de lucru enterprise, verificați dacă un administrator nu l-a dezactivat. Căutarea web se declanșează atunci când modelul detectează o nevoie de informații recente, iar dumneavoastră o puteți forța cu butonul +, apoi Search. În partea de API, ambele instrumente sunt declarate în solicitare. Pentru nivelul de raționament, OpenAI clasifică utilizarea instrumentelor și căutarea ca fiind low atunci când viteza este primordială și recomandă medium ori de câte ori planificarea și judecata contează—ceea ce este valabil pentru fluxurile de lucru cu mai multe instrumente.
Aceste instrumente au limite clare pe care trebuie să le cunoașteți. Mediul Python pentru Data Analysis nu accesează internetul: funcționează doar cu fișierele pe care le furnizați, iar datele externe trebuie să provină prin căutare sau prin propriile dumneavoastră importuri. Timpii de răspuns cresc semnificativ atunci când toate cele trei sunt combinate, iar cotele sunt consumate mai rapid, în special la niveluri superioare de raționament.
Rândul dumneavoastră
Toate cele trei blocuri de construcție împreună. Testați combinația completă pe un caz în care raționamentul, codul și căutarea sunt toate esențiale.
„Iată un fișier CSV cu cheltuielile mele lunare pe 12 luni. (1) Analizați tendințele în Python și generați un grafic. (2) Căutați pe web rata inflației în Franța pentru fiecare lună corespunzătoare. (3) Calculați cheltuielile mele ajustate la inflație. (4) Produceți un raport comparând cheltuielile nominale și cele reale.”
Dacă nu aveți la îndemână un fișier CSV, cereți modelului să genereze mai întâi unul realist. Aveți în minte trei reflexe în timpul exercițiului. Verificați calculele: o formulă greșită executată corect rămâne o formulă greșită. Verificați încrucișat sursele de căutare, deoarece rezultatele pot fi învechite sau inexacte. Și descărcați fișierele generate—grafice, tabele—înainte de a închide conversația. Un ultim sfat se aplică totul: chiar și atunci când modelul își gestionează propriile instrumente, fluxurile de lucru complexe oferă rezultate mai bune atunci când sunt defalcate în pași, în loc să fie înghesuite într-un singur prompt gigantic.
Surse oficiale: Data analysis with ChatGPT (Centrul de ajutor OpenAI: Python izolat, fără acces web) · Searching the web with ChatGPT · Code Interpreter și Web search (instrumente API) · Programmatic Tool Calling · Reasoning models (niveluri de efort și instrumente)
Puncte cheie
- Un nivel ridicat de raționament combină gândirea, executarea de cod și căutarea web în mod autonom
- Modelul decide automat când să utilizeze fiecare instrument; în partea de API, Programmatic Tool Calling îi permite să orchestreze instrumentele prin cod
- Executarea de cod (Data Analysis, Code Interpreter) manipulează fișiere și creează grafice fără acces web; căutarea aduce informații recente
- Pentru fluxurile de lucru cu mai multe instrumente, începeți cu
medium, nivelul recomandat de OpenAI atunci când planificarea contează - Verificați întotdeauna rezultatele—instrumentele amplifică atât puterea, cât și riscul de eroare