Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Kombiniraj orodja v enem klicu

Lekcija 19 od 20 Posodobljeno 2. november 2026 Razvijalec
Na tej strani
  1. Kombiniraj orodja v enem klicu
  2. Načelo kombiniranja
  3. Celoten primer: analitični asistent
  4. Upravljanje zanke z več orodji
  5. Strategije orkestracije
  6. Vzorec: agent z več veščinami
  7. Ključne ugotovitve

Posodobljeno 2. novembra 2026 na podlagi dokumentacije OpenAI: orodje Code Interpreter zdaj zahteva parameter container (dodan vsem primerom), deli besedilnega vnosa uporabljajo vrsto input_text, spletno iskanje pa uporablja orodje web_search (web_search_preview je zdaj zastarelo orodje brez filtrov domen). Ustvarjene datoteke se pridobijo s funkcijama fichiers_generes in telecharger iz lekcije 10. Datoteke, priložene sporočilu, se naložijo z namenom user_data, kar OpenAI priporoča za vhode modela (File inputs). Viri: Code Interpreter · Web search.

Kombiniraj orodja v enem klicu

Do zdaj smo vsako orodje obravnavali ločeno. V produkcijskem okolju zanimiva vprašanja redko pridejo v takšni obliki. Vprašanje „kako se naše prodaje primerjajo s trgom?” zahteva pridobitev notranje številke, zunanje številke in nato njuno primerjavo. Tri orodja, trije viri, en klic.

Spremeni se tisti, ki odloča o vrstnem redu. Ne programiraš zaporedja: razglasiš razpoložljiva orodja in opišeš pričakovani rezultat, model pa sam vzpostavi svoj načrt. To je priročno, a hkrati točka, na katero moraš biti pozoren – implicitni načrt je načrt, ki ga ne moreš pregledati. Zadnji del te lekcije prikazuje, kako ponovno prevzeti nadzor, ko je vrstni red resnično pomemben.

Načelo kombiniranja

Vsa orodja so razglašena v istem polju tools in to je celoten mehanizem: ne obstaja API za sestavljanje, le seznam razpoložljivih zmogljivosti. Model prebere tvojo zahtevo, sklepa o potrebnih korakih in pokliče tisto, kar potrebuje, v vrstnem redu, ki se mu zdi koristen. Orodje, ki je razglašeno, a za nalogo nepotrebno, preprosto ne bo poklicano – ne stane ničesar razen nekaj žetonov v njegovem opisu.

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.6-terra",
    input="Compare our sales forecasts with market trends, "
          "then create a comparison chart.",
    tools=[
        {"type": "file_search", "vector_store_ids": ["vs_previsions"]},
        {"type": "web_search"},
        {"type": "code_interpreter", "container": {"type": "auto"}}
    ]
)

Model bo:

  1. Pridobil notranje napovedi prek File Search
  2. Pridobil tržne trende prek Web Search
  3. Ustvaril primerjalni grafikon prek Code Interpreter

Celoten primer: analitični asistent

with open("donnees_ventes.csv", "rb") as f:
    fichier = client.files.create(file=f, purpose="user_data")

tools = [
    # Iskanje po notranjih dokumentih
    {
        "type": "file_search",
        "vector_store_ids": ["vs_rapports", "vs_objectifs"],
        "max_num_results": 10
    },
    # Spletno iskanje za tržni kontekst
    {
        "type": "web_search",
        "search_context_size": "medium"
    },
    # Izvajanje kode za analizo
    {"type": "code_interpreter", "container": {"type": "auto"}},
    # Funkcija za shranjevanje poročila
    {
        "type": "function",
        "name": "sauvegarder_rapport",
        "description": "Save an analysis report to the document system",
        "parameters": {
            "type": "object",
            "properties": {
                "titre": {"type": "string"},
                "contenu": {"type": "string"},
                "categorie": {
                    "type": "string",
                    "enum": ["analyse", "prevision", "audit", "comparaison"]
                },
                "tags": {
                    "type": "array",
                    "items": {"type": "string"}
                }
            },
            "required": ["titre", "contenu", "categorie", "tags"],
            "additionalProperties": False
        },
        "strict": True
    }
]

response = client.responses.create(
    model="gpt-5.6-terra",
    input=[{
        "role": "user",
        "content": [
            {"type": "input_text", "text": (
                "Based on this sales file: "
                "1. Analyze trends over the last 12 months "
                "2. Compare with our annual goals (search the docs) "
                "3. Search the web for market trends "
                "4. Generate a comparison chart "
                "5. Write a summary report "
                "6. Save the report"
            )},
            {"type": "input_file", "file_id": fichier.id}
        ]
    }],
    tools=tools,
    instructions=(
        "You are a senior business analyst. "
        "Use all tools at your disposal to produce "
        "a complete, sourced analysis."
    )
)

Upravljanje zanke z več orodji

Tu obstaja asimetrija, na katero moraš biti pozoren, saj določa strukturo tvoje kode. Vgrajena orodja – Web Search, File Search, Code Interpreter – se izvajajo pri OpenAI: model jih pokliče, prejme rezultat in nadaljuje, vse v enem krogu komunikacije. Tvoje funkcije po meri pa se izvajajo na tvoji strani: model lahko le zahteva njihovo izvedbo, nato prepusti nadzor in čaka.

Zato spodnja zanka. Dokler odgovor vsebuje klice funkcij, jih izvršiš, vrneš rezultate in znova začneš. Nastavi največje število iteracij: model, ki bi v nedogled klical isto orodje, ker ga rezultat ne zadovolji, je redek, a realen primer, in brez varovala bo porabil tvoj proračun do izčrpanosti.

import json

def boucle_multi_outils(prompt, tools, fichiers=None, max_tours=15):
    """Function calling loop with multi-tool support."""
    content = [{"type": "input_text", "text": prompt}]
    if fichiers:
        for fid in fichiers:
            content.append({"type": "input_file", "file_id": fid})

    messages = [{"role": "user", "content": content}]

    for tour in range(max_tours):
        response = client.responses.create(
            model="gpt-5.6-terra",
            input=messages,
            tools=tools,
            instructions="Use the necessary tools to answer completely."
        )

        # Built-in tools (web_search, file_search, code_interpreter)
        # are executed automatically on the server side.
        # We only handle custom function_call items.
        appels_custom = [
            item for item in response.output
            if item.type == "function_call"
        ]

        if not appels_custom:
            # No custom call: the model is finished
            return {
                "reponse": response.output_text,
                "tours": tour + 1,
                "tokens": response.usage.total_tokens
            }

        # Execute custom functions
        resultats = []
        for appel in appels_custom:
            resultat = dispatcher_fonctions(appel.name, appel.arguments)
            resultats.append({
                "type": "function_call_output",
                "call_id": appel.call_id,
                "output": json.dumps(resultat)
            })

        # Prepare the next turn
        messages = response.output + resultats

    return {"reponse": "Turn limit reached", "tours": max_tours}

Strategije orkestracije

Usmeri vrstni red orodij

Samodejna orkestracija deluje dobro, dokler vrstni red ni pomemben. Preneha delovati, ko mora en korak informirati naslednjega: na primer iskanje po tvojih dokumentih pred spletom, ker notranji besednjak določa ustreznost zunanjega poizvedbe. Sistemski poziv je vzvod – ne kot tehnična omejitev, temveč kot metodološko navodilo, ki ga model tem bolje sledi, čim bolj je utemeljeno.

# Strategija 1: najprej išči, nato deluj
instructions_recherche_dabord = (
    "Before any action, first search for the necessary information "
    "in internal documents and on the web. "
    "Do not propose actions until you have gathered all data."
)

# Strategija 2: najprej analiza podatkov, nato obogatitev
instructions_analyse_dabord = (
    "Start by analyzing the data with Code Interpreter. "
    "Then enrich your conclusions with web searches. "
    "Finally, compare with internal documents."
)

# Strategija 3: navzkrižno preverjanje
instructions_verification = (
    "For each important piece of information, verify it in at least two sources: "
    "internal documents AND web search. Report any contradictions."
)

Omeji orodja po korakih

Nasprotni pristop je odstraniti izbiro. Namesto enega klica s polnim naborom orodij razdeliš delovni tok na več klicev, pri čemer vsak razglasi le orodje za svoj specifični korak. Izgubiš samodejno orkestracijo, a dobiš tri stvari, ki so v produkciji pomembne: zagotovljen vrstni red, predvidljive stroške in izolabilne napake. Za kritičen tok je to skoraj vedno pravi kompromis.

# 1. korak: zbiranje podatkov (brez kode)
response_collecte = client.responses.create(
    model="gpt-5.6-terra",
    input="Gather information on Project Alpha",
    tools=[
        {"type": "file_search", "vector_store_ids": ["vs_projets"]},
        {"type": "web_search"}
    ]
)

# 2. korak: analiza s zbranimi podatki
response_analyse = client.responses.create(
    model="gpt-5.6-terra",
    input=f"Analyze this information and generate charts:\n"
          f"{response_collecte.output_text}",
    tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)

Vzorec: agent z več veščinami

Ta zadnji primer združuje oba pristopa: usmerjevalnik izbere konfiguracijo orodij glede na naravo zahteve, nato pa modelu dovoli orkestracijo znotraj tega omejenega obsega. To je kompromis, ki se obnese v praksi – dovolj svobode za absorpcijo raznolikosti zahtev, dovolj strukture za ohranjanje predvidljivosti stroškov in vedenja.

class AgentMultiCompetences:
    def __init__(self, vector_stores: list[str], fonctions: list[dict]):
        self.client = OpenAI()
        self.tools = [
            {"type": "file_search", "vector_store_ids": vector_stores},
            {"type": "web_search", "search_context_size": "medium"},
            {"type": "code_interpreter", "container": {"type": "auto"}},
        ] + fonctions

    def traiter(self, requete: str, fichiers: list[str] = None) -> dict:
        return boucle_multi_outils(requete, self.tools, fichiers)

# Instantiacija agenta
agent = AgentMultiCompetences(
    vector_stores=["vs_docs", "vs_contrats"],
    fonctions=[
        {
            "type": "function",
            "name": "envoyer_email",
            "description": "Send a notification email",
            "parameters": {
                "type": "object",
                "properties": {
                    "destinataire": {"type": "string"},
                    "sujet": {"type": "string"},
                    "corps": {"type": "string"}
                },
                "required": ["destinataire", "sujet", "corps"],
                "additionalProperties": False
            },
            "strict": True
        },
        {
            "type": "function",
            "name": "creer_tache",
            "description": "Create a task in the project manager",
            "parameters": {
                "type": "object",
                "properties": {
                    "titre": {"type": "string"},
                    "assignee": {"type": "string"},
                    "priorite": {"type": "string", "enum": ["basse", "moyenne", "haute"]},
                    "echeance": {"type": "string"}
                },
                "required": ["titre", "assignee", "priorite"],
                "additionalProperties": False
            },
            "strict": True
        }
    ]
)

# Agent lahko zdaj:
# - Išče po dokumentih
# - Išče po spletu
# - Analizira podatke
# - Pošilja e-pošto
# - Ustvarja naloge
resultat = agent.traiter(
    "Analyze Q1 sales, compare with goals, "
    "and create a task for the sales director if we are behind."
)

Ključne ugotovitve

  • Vsa orodja sobivajo v istem polju tools
  • Vgrajena orodja se izvajajo na strani strežnika, funkcije po meri na strani odjemalca
  • Model samodejno orkestrira vrstni red klicev
  • Strategijo orkestracije usmeri prek sistemskega poziva
  • Implementiraj zanko za obravnavo klicev funkcij po meri