Pipeline med flera verktyg
På denna sida
Orkestrering av verktyg i sekvens
Väderagenten från föregående lektion använde oberoende verktyg. I en pipeline med flera verktyg matas resultaten från ett verktyg vidare till nästa anrop. Modellen orkestrerar sekvensen automatiskt – din roll är att tillhandahålla verktygen och exekvera anropen.
Pipeline-arkitektur
En typisk pipeline följer detta schema:
Sökning → Analys → Åtgärd → Avisering
Varje steg producerar data som konsumeras av nästa steg. Modellen hanterar denna orkestrering naturligt tack vare konversationskontexten.
Exempel: pipeline för konkurrentanalys
Föreställ dig en pipeline som övervakar konkurrenters priser och genererar en rapport:
tools = [
{
"type": "function",
"function": {
"name": "scrape_competitor_prices",
"description": "Retrieve current prices from a competitor "
"for a list of products. Returns an array "
"of {product, price, availability}.",
"parameters": {
"type": "object",
"properties": {
"competitor": {
"type": "string",
"description": "Competitor name"
},
"products": {
"type": "array",
"items": {"type": "string"},
"description": "List of products to check"
}
},
"required": ["competitor", "products"]
}
}
},
{
"type": "function",
"function": {
"name": "compare_with_our_prices",
"description": "Compare competitor prices with our prices. "
"Returns percentage gaps and adjustment "
"recommendations.",
"parameters": {
"type": "object",
"properties": {
"competitor_prices": {
"type": "array",
"items": {
"type": "object",
"properties": {
"product": {"type": "string"},
"price": {"type": "number"}
}
}
}
},
"required": ["competitor_prices"]
}
}
},
{
"type": "function",
"function": {
"name": "generate_report",
"description": "Generate a PDF report with the benchmark "
"analysis results. Returns the report URL.",
"parameters": {
"type": "object",
"properties": {
"title": {"type": "string"},
"data": {"type": "object"},
"format": {
"type": "string",
"enum": ["pdf", "csv", "json"]
}
},
"required": ["title", "data"]
}
}
},
{
"type": "function",
"function": {
"name": "send_notification",
"description": "Send an email or Slack notification "
"with a summary and a link to the report.",
"parameters": {
"type": "object",
"properties": {
"channel": {
"type": "string",
"enum": ["email", "slack"]
},
"recipient": {"type": "string"},
"message": {"type": "string"},
"attachment_url": {"type": "string"}
},
"required": ["channel", "recipient", "message"]
}
}
}
]
Exekvering av pipeline
När användaren frågar: « Analysera CompetitorX priser för våra 5 bästa produkter och skicka rapporten till säljteamet », orkestrerar modellen följande:
Omgång 1 : scrape_competitor_prices(competitor="CompetitorX", products=[...])
Omgång 2 : compare_with_our_prices(competitor_prices=[results from turn 1])
Omgång 3 : generate_report(title="CompetitorX Price Monitoring", data={...})
Omgång 4 : send_notification(channel="slack", recipient="#sales", ...)
Varje omgång använder resultaten från den föregående. Modellen skickar naturligt vidare data från ett verktyg till nästa.
Kombinera server- och klientverktyg i en pipeline
De mest kraftfulla pipeline-lösningarna kombinerar server- och klientverktyg:
tools = [
{"type": "web_search"}, # Server: web search
{
"type": "function",
"function": {
"name": "extract_data",
"description": "Extract structured data from raw text",
"parameters": { ... }
}
},
{
"type": "function",
"function": {
"name": "save_to_crm",
"description": "Save extracted data to the CRM",
"parameters": { ... }
}
}
]
Flöde: modellen utför en webbsökning (automatiskt på serversidan), anropar sedan din extraheringsfunktion (klientsidan) och sparar slutligen till CRM-systemet (klientsidan).
Mönster: fan-out / fan-in
Vissa pipeline-lösningar kräver ett fan-out-mönster (flera parallella anrop) följt av ett fan-in (aggregering av resultat):
┌→ scrape_site_A ─┐
Request ─┤→ scrape_site_B ─┤→ aggregate_results → generate_report
└→ scrape_site_C ─┘
Modellen hanterar detta naturligt med parallella anrop:
Omgång 1 : [scrape_site_A, scrape_site_B, scrape_site_C] (parallel)
Omgång 2 : aggregate_results(data=[result_A, result_B, result_C])
Omgång 3 : generate_report(aggregated_data={...})
Hantering av fel i en pipeline
En robust pipeline hanterar fel i varje steg:
def execute_with_retry(name, args, max_retries=2):
for attempt in range(max_retries + 1):
try:
result = execute_function(name, args)
if "error" not in result:
return result
except Exception:
pass
if attempt < max_retries:
time.sleep(1) # Wait before retry
return {
"error": f"Failed after {max_retries + 1} attempts",
"function": name,
"partial_data": None
}
När ett steg misslyckas kan modellen:
- Försöka igen med justerade parametrar
- Hoppa över steget och fortsätta med ofullständig data
- Informera användaren och begära instruktioner
Viktiga punkter
- En pipeline med flera verktyg länkar samman resultaten från ett verktyg till nästa
- Modellen orkestrerar sekvensen automatiskt tack vare kontexten
- Fan-out/fan-in-mönstret kombinerar parallella anrop och aggregering
- Kombinera serververktyg (web_search) och klientverktyg (dina funktioner) för hybrida pipeline-lösningar
- Hantera fel i varje steg med återförsök och reservlösningar
- Varje verktyg i pipeline-lösningen måste ha ett tydligt, enskilt ansvarsområde