Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Pipeline med flera verktyg

Lektion 13 av 14 Uppdaterad 29 juli 2026 Utvecklare
På denna sida
  1. Orkestrering av verktyg i sekvens
  2. Pipeline-arkitektur
  3. Exempel: pipeline för konkurrentanalys
  4. Exekvering av pipeline
  5. Kombinera server- och klientverktyg i en pipeline
  6. Mönster: fan-out / fan-in
  7. Hantering av fel i en pipeline
  8. Viktiga punkter

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