Resonemang, kodkörning och webbsökning: automatiserade arbetsflöden
På denna sida
När resonemang möter verktyg
Genom att kombinera högnivåresonemang med kodkörning och webbsökning förvandlas språkmodellen till en agent som kan beräkna, söka och sammanställa resultat till en enda slutsats. I den här lektionen får du lära dig hur du utnyttjar denna synergism. En liten terminologisk notering först: i ChatGPT kallas kodkörning för Data Analysis och sökning för Search; i API:t motsvaras dessa av verktygen Code Interpreter och Web Search. Tidigare generationer reserverade denna roll för dedikerade resonemangsmodeller som o3; idag är det en inställning tillgänglig för varje modell.
Tre kompletterande roller
Den första pelaren är modellen själv. På en hög resonemangsnivå fungerar den som hjärnan: den resonerar, planerar, beslutar vilka åtgärder som ska vidtas och orkestrerar hela processen.
Kodkörningen fungerar som händerna. Den kör Python i en isolerad miljö, vilket gör att den kan manipulera dina Excel-, CSV- eller JSON-filer, utföra komplexa beräkningar, skapa diagram och visualiseringar samt rensa eller transformera data innan analys. Webbsökningen fungerar som ögonen: den ger tillgång till information i realtid, oavsett om du behöver uppdaterade data, faktagranskning, information insamlad från flera källor eller tillgång till offentliga webbplatser och databaser.
Hur modellen beslutar att använda ett verktyg
Du behöver generellt sett inte nämna verktyget vid namn: modellen upptäcker när en beräkning eller aktuell information behövs och anropar verktyget vid rätt tillfälle. Om du föredrar ett specifikt verktyg, säg det: “gör beräkningen i Python”, “sök på webben”. På API-sidan går Responses API ett steg längre med Programmatic Tool Calling: modellen skriver ett JavaScript-program, som körs i en isolerad miljö, som anropar verktygen – potentiellt parallellt – och filtrerar mellanliggande resultat, istället för att anropa dem ett i taget.
En begäran om en omfattande finansiell analys illustrerar denna sekvens väl.
“Här är mina försäljningsdata för de senaste 12 månaderna (Excel). Analysera trenderna, beräkna den genomsnittliga månatliga tillväxttakten, prognostisera försäljningen för de nästa 3 månaderna och sök på webben efter branschprognoser för att jämföra. Ta fram en rapport med diagram.”
Modellen kan sedan exekvera en sekvens som denna utan att du behöver bryta ner den; den exakta ordningen varierar från en begäran till en annan.
- Resonera: Förstå problemstrukturen
- Kör kod: Läs in Excel-filen, beräkna trender, gör prognoser
- Sök på webben: Hitta branschprognoser
- Resonera: Jämför resultat och dra slutsatser
- Kör kod: Generera diagram
- Resonera: Skriv den slutgiltiga rapporten
Lägg märke till växelspelet: resonemanget sker inte bara i början; det återkommer mellan varje verktygsanrop för att besluta om nästa steg. Det är denna rytm som skiljer en agent från en enkel exekutor.
Vad kombinationen möjliggör
Automatiserad benchmarking är det mest omedelbara användningsområdet, eftersom det kräver att du jämför dina siffror med externa data.
“Här är mina företags nyckeltal för finansiell prestation (Excel-fil). Sök på webben efter genomsnittliga finansiella nyckeltal i vår sektor (B2B SaaS i Europa) och jämför dem med våra. Ta fram en benchmarking-tabell med färgkodning: grönt om vi ligger över snittet, rött om under.”
Konkurrentbevakning får en ny dimension när den backas upp av dina egna data: istället för att bara samla in tillkännagivanden mäter du deras påverkan.
“Sök efter de senaste tillkännagivandena från våra 3 konkurrenter (Konkurrent A, Konkurrent B, Konkurrent C) under de senaste 30 dagarna. Korsreferera detta med våra webbtrafikdata (bifogad CSV-fil) för att identifiera om deras tillkännagivanden påverkade vår trafik.”
Det tredje typiska användningsområdet är en datadriven rapport med visualiseringar, där kodkörningen gör grovjobbet med dina interna data.
“Här är våra HR-data (Excel-fil). Beräkna personalomsättningen per avdelning, den genomsnittliga kostnaden för en ersättare (antagande: 6 månaders lön) och projicera budgetpåverkan. Generera ett diagram per avdelning och en sammanfattande tabell.”
Aktivera och styra verktygen
I ChatGPT aktiveras Data Analysis närhelst en fil eller beräkning kräver det; i en företagsarbetsyta bör du verifiera att en administratör inte har inaktiverat det. Webbsökning utlöses när modellen upptäcker ett behov av aktuell information, och du kan tvinga fram det med knappen +, följt av Search. På API-sidan deklareras båda verktygen i begäran. För resonemangsnivå kategoriserar OpenAI verktygsanvändning och sökning som low när hastighet är avgörande, och rekommenderar medium när planering och omdöme spelar roll – vilket är fallet för arbetsflöden med flera verktyg.
Dessa verktyg har tydliga gränser som du behöver känna till. Python-miljön för Data Analysis har inte tillgång till internet: den arbetar endast med de filer du tillhandahåller, och externa data måste komma via sökning eller dina egna importer. Svarstiderna ökar avsevärt när alla tre kombineras, och kvoter förbrukas snabbare, särskilt på högre resonemangsnivåer.
Din tur
Alla tre byggstenar tillsammans. Testa hela kombinationen på ett fall där resonemang, kod och sökning alla är avgörande.
“Här är en CSV-fil med mina månatliga utgifter över 12 månader. (1) Analysera trender i Python och generera ett diagram. (2) Sök på webben efter inflationstakten i Frankrike för varje motsvarande månad. (3) Beräkna mina inflationsjusterade utgifter. (4) Ta fram en rapport som jämför nominella och reala utgifter.”
Om du inte har en CSV-fil till hands, be modellen att först generera en realistisk sådan. Ha tre reflexer i åtanke under övningen. Verifiera beräkningar: en felaktig formel som körs felfritt är fortfarande en felaktig formel. Korskontrollera sökkällor, eftersom resultat kan vara inaktuella eller felaktiga. Och hämta genererade filer – diagram, tabeller – innan du avslutar konversationen. Ett sista råd gäller allt: även när modellen hanterar sina egna verktyg ger komplexa arbetsflöden bättre resultat när de bryts ner i steg snarare än att klämmas ihop i en enda jätteprompt.
Officiella källor: Data analysis with ChatGPT (OpenAI Help Center: isolerad Python, ingen webbtillgång) · Searching the web with ChatGPT · Code Interpreter och Web search (API-verktyg) · Programmatic Tool Calling · Reasoning models (ansträngningsnivåer och verktyg)
Viktiga punkter
- En hög resonemangsnivå kombinerar tänkande, kodkörning och webbsökning autonomt
- Modellen beslutar automatiskt när varje verktyg ska användas; på API-sidan låter Programmatic Tool Calling den orkestrera verktyg via kod
- Kodkörning (Data Analysis, Code Interpreter) manipulerar filer och skapar diagram utan webbtillgång; sökning hämtar aktuell information
- För arbetsflöden med flera verktyg, börja med
medium, den nivå OpenAI rekommenderar när planering spelar roll - Verifiera alltid resultaten – verktyg förstärker både kraften och risken för fel