Razmišljanje, izvajanje kode in spletno iskanje: avtomatizirana delovna poteka
Na tej strani
Ko se razmišljanje sreča z orodji
Kombinacija razmišljanja na visoki ravni z izvajanjem kode in spletnim iskanjem pretvori jezikovni model v agenta, ki zna izračunavati, iskati in sintetizirati rezultate v en sam zaključek. Ta lekcija ti pokaže, kako izkoristiti to sinergijo. Najprej opomba o terminologiji: v ChatGPT se izvajanje kode imenuje analiza podatkov (Data Analysis), iskanje pa iskanje (Search); v API-ju so to orodja Code Interpreter in Web Search. Prejšnje generacije so to vlogo rezervirale za namenske modele za razmišljanje, kot je o3; danes je to nastavitev, na voljo za vsak model.
Tri dopolnjujoče se vloge
Prvi steber je sam model. Na visoki ravni razmišljanja deluje kot možgani: razmišlja, načrtuje, odloča, katera dejanja izvesti, in usklajuje celoten proces.
Izvajanje kode služi kot roke. V izoliranem okolju izvaja Python, kar mu omogoča manipulacijo tvojih datotek Excel, CSV ali JSON, izvajanje kompleksnih izračunov, ustvarjanje grafikov in vizualizacij ter čiščenje ali preoblikovanje podatkov pred analizo. Spletno iskanje deluje kot oči: zagotavlja dostop do informacij v realnem času, ne glede na to, ali potrebuješ najnovejše podatke, preverjanje dejstev, informacije iz več virov ali dostop do javnih spletnih mest in baz podatkov.
Kako se model odloči za uporabo orodja
Orodja običajno ni treba poimenovati: model zazna, kdaj je potreben izračun ali nedavna informacija, in orodje pokliče ob pravem trenutku. Če želiš določeno orodje, to povej: „izračunaj v Pythonu”, „poišči na spletu”. Na strani API-ja gre Responses API še dlje s programskim klicanjem orodij (Programmatic Tool Calling): model napiše program JavaScript, ki se izvrši v izoliranem okolju, pokliče orodja – potencialno vzporedno – in filtrira vmesne rezultate, namesto da bi jih klical enega za drugim.
Zahteva za celovito finančno analizo dobro ponazarja to zaporedje.
„Tukaj so moji prodajni podatki za zadnjih 12 mesecev (Excel). Analiziraj trende, izračunaj povprečno mesečno stopnjo rasti, napovej prodajo za naslednje 3 mesece in poišči na spletu napovedi za panogo za primerjavo. Pripravi poročilo z grafi.”
Model lahko nato izvrši zaporedje, kot je to, ne da bi ga moral razčlenjevati; natančen vrstni red se od zahteve do zahteve razlikuje.
- Razmišljaj: Razumi strukturo problema
- Izvedi kodo: Naloži datoteko Excel, izračunaj trende, naredi projekcije
- Išči na spletu: Poišči napovedi za panogo
- Razmišljaj: Primerjaj rezultate in potegni zaključke
- Izvedi kodo: Ustvari grafe
- Razmišljaj: Napiši končno poročilo
Opazi izmenjavo: razmišljanje se ne zgodi le na začetku; vrne se med vsakim klicem orodja, da se odloči za naslednji korak. Ta ritem je tisto, kar loči agenta od preprostega izvrševalca.
Kaj omogoča kombinacija
Avtomatizirano primerjalno merjenje (benchmarking) je najbolj neposredna uporaba, saj zahteva primerjavo tvojih številk z zunanjimi podatki.
„Tukaj so metrike finančne uspešnosti mojega podjetja (datoteka Excel). Poišči na spletu povprečna finančna razmerja v našem sektorju (B2B SaaS v Evropi) in jih primerjaj z našimi. Pripravi tabelo za primerjalno merjenje z barvnim kodiranjem: zeleno, če smo nad povprečjem, rdeče, če smo pod njim.”
Konkurenčna obveščevalna dejavnost dobi novo razsežnost, ko jo podprejo tvoji lastni podatki: namesto zgolj zbiranja objav meriš njihov vpliv.
„Poišči najnovejše objave naših treh konkurentov (Konkurent A, Konkurent B, Konkurent C) v zadnjih 30 dneh. To navzkrižno poveži s podatki o prometu na našem spletnem mestu (priložena datoteka CSV), da ugotoviš, ali so njihove objave vplivale na naš promet.”
Tretji tipičen primer uporabe je poročilo, podprto s podatki in vizualizacijami, kjer izvajanje kode opravi glavno delo na tvojih internih podatkih.
„Tukaj so naši kadrovski podatki (datoteka Excel). Izračunaj stopnjo fluktuacije po oddelkih, povprečni strošek zamenjave (predpostavka: 6 mesecev plače) in projiciraj vpliv na proračun. Ustvari graf za vsak oddelek in povzetek v tabeli.”
Omogočanje in nadzor orodij
V ChatGPT se analiza podatkov vklopi, kadar koli datoteka ali izračun to zahtevata; v delovnem prostoru za podjetja preveri, ali skrbnik ni onemogočil te funkcije. Spletno iskanje se sproži, ko model zazna potrebo po nedavnih informacijah, prisiliti pa ga lahko z gumbom +, nato Search. Na strani API-ja sta obe orodji deklarirani v zahtevi. Za raven razmišljanja OpenAI uporabo orodij in iskanje razvršča kot low, kadar je hitrost najpomembnejša, in priporoča medium, kadar sta pomembna načrtovanje in presoja – kar velja za delovne poteke z več orodji.
Ta orodja imajo jasne meje, ki jih moraš poznati. Okolje Python za analizo podatkov nima dostopa do interneta: deluje le s podatki, ki jih priskrbiš ti, zunanji podatki pa morajo prispeti prek iskanja ali tvojih uvozov. Časi odziva se znatno podaljšajo, ko so združena vsa tri, kvote pa se porabijo hitreje, zlasti na višjih ravneh razmišljanja.
Tvoja vrsta
Vsi trije gradniki skupaj. Preizkusi popolno kombinacijo na primeru, kjer so razmišljanje, koda in iskanje vsi bistveni.
„Tukaj je datoteka CSV z mojimi mesečnimi izdatki za 12 mesecev. (1) Analiziraj trende v Pythonu in ustvari graf. (2) Poišči na spletu stopnjo inflacije v Franciji za vsak ustrezen mesec. (3) Izračunaj moje izdatke, prilagojene inflaciji. (4) Pripravi poročilo, ki primerja nominalne in realne izdatke.”
Če nimaš pri roki datoteke CSV, prosi model, naj najprej ustvari realistično. Med vadbo imej v mislih tri reflekse. Preveri izračune: napačna formula, ki se čisto izvrši, je še vedno napačna formula. Navzkrižno preveri vire iskanja, saj so rezultati lahko zastareli ali netočni. In pred zaprtjem pogovora prenesi ustvarjene datoteke – grafe, tabele. En sam nasvet velja za vse: tudi ko model upravlja svoja orodja, kompleksni delovni poteki dajejo boljše rezultate, če so razčlenjeni na korake, namesto da bi bili stisnjeni v en sam ogromen poziv.
Uradni viri: Analiza podatkov s ChatGPT (središče za pomoč OpenAI: izoliran Python, brez dostopa do spleta) · Iskanje po spletu s ChatGPT · Code Interpreter in Web search (orodja API) · Programmatic Tool Calling · Reasoning models (ravni napora in orodja)
Ključne ugotovitve
- Visoka raven razmišljanja avtonomno združuje razmišljanje, izvajanje kode in spletno iskanje
- Model samodejno odloči, kdaj uporabiti vsako orodje; na strani API-ja programsko klicanje orodij omogoča njihovo usklajevanje prek kode
- Izvajanje kode (analiza podatkov, Code Interpreter) manipulira z datotekami in ustvarja grafe brez dostopa do spleta; iskanje prinaša nedavne informacije
- Za delovne poteke z več orodji začni z
medium, ravnjo, ki jo OpenAI priporoča, kadar je pomembno načrtovanje - Vedno preveri rezultate – orodja povečujejo tako moč kot tveganje za napake