Создание агентов с GPT-5

В статье рассматривается процесс разработки систем на основе агентов с применением модели GPT-5 от OpenAI. Ранее затрагивались аспекты эффективного использования GPT-5, а теперь акцент делается на ее роли в качестве агента. Внедрение агентов, оснащенных инструментами, в приложения вскоре станет стандартным требованием для большинства решений на базе искусственного интеллекта, поэтому реализацию следует начинать без промедления.

Обсуждается применение GPT-5 в качестве мощной модели для ответов на вопросы путем предоставления доступа к данным и оснащения полезными инструментами для обработки запросов пользователей. Материал представляет собой обзор возможностей использования GPT-5 в роли агента на высоком уровне.

Почему стоит использовать GPT-5 в роли агента?

При планировании внедрения системы, где GPT-5 выступает агентом, необходимо четко понимать причины такого выбора. Важно определить цели реализации и проблемы, которые предстоит решить. Среди возможных задач можно выделить:

• Доступ к внутренней базе знаний
• Агент для программирования
• Автоматизация рабочих процессов

Все перечисленные мотивы оправдывают создание агентской системы, и GPT-5 с инструментами помогает достигнуть их.

Основная причина выбора GPT-5 для агента связана с работой над корпусами документов, где экосистема OpenAI предлагает интегрированные решения, идеально подходящие для задач вроде ответа на запросы пользователей на основе предоставленной информации.

В последующих разделах статьи описываются различные инструменты, доступные в OpenAI. Стоит отметить наличие альтернатив, которые могут быть дешевле или лучше адаптированы под конкретные сценарии. Платформа Gemini от Google обеспечивает сопоставимый функционал с OpenAI и заслуживает внимания как вариант. Кроме того, существует множество открытых инструментов.

Доступ к данным через RAG

Метод RAG обеспечивает эффективный доступ к собственным данным. Традиционно RAG реализуется путем разбиения данных на фрагменты, их встраивания и загрузки в векторную базу, такую как Pinecone. Однако появились удобные управляемые сервисы RAG. OpenAI и Gemini предоставляют API для загрузки файлов, где происходит автоматическое разбиение и встраивание, с последующим доступом через простой вызов API. Это упрощает работу с данными. Подробности доступны на странице API. Некоторые примеры кода взяты оттуда.

После загрузки документов в векторное хранилище можно выполнять, например, векторный поиск для нахождения релевантных материалов с помощью:

user_query = "When is our latest data management agreement from?" results = client.vector_stores.search( vector_store_id=<your vector store id>, query=user_query, )

Это возвращает набор документов и конкретные фрагменты из них, аналогично Pinecone. Далее эти фрагменты используются для формирования ответов на запросы.

Векторное хранилище становится еще мощнее, если предоставить GPT-5 доступ к нему через инструмент.

from openai import OpenAI client = OpenAI(api_key="") response = client.responses.create( model="gpt-5", input="When is our latest data management agreement from?", tools=[{ "type": "file_search", "vector_store_ids": ["<your vector store id>"] }] )

Такой подход значительно усиливает возможности, поскольку векторное хранилище интегрируется с GPT-5 как инструмент. При вводе запроса пользователя модель самостоятельно решает, требуется ли использование инструмента. Если решение положительное, GPT-5 выполняет:

• Анализ доступных инструментов и векторных хранилищ для выбора подходящего.
• Переформулировку запроса: создание пяти вариантов пользовательского ввода, оптимизированных для поиска релевантной информации в RAG.
• Параллельный запуск пяти запросов и получение наиболее подходящих документов.
• Оценку достаточности информации для ответа.
  • При наличии достаточных данных формируется ответ.
  • При недостатке возможен дополнительный поиск в векторных хранилищах.

Это простой и эффективный метод доступа к данным, где OpenAI берет на себя всю сложность, включая:

• Разбиение документов на фрагменты и их встраивание.
• Определение необходимости векторного поиска.
• Переформулировку запросов.
• Выбор релевантных документов по степени сходства с запросами.
• Оценку объема информации для ответа.
• Формирование финального ответа на запрос.

Gemini недавно ввел управляемую систему RAG через Files API, предлагая аналогичный сервис.

Использование инструментов в GPT-5

В предыдущем разделе упоминался инструмент векторного хранилища для GPT-5. Кроме него, модельу можно предоставить любые другие инструменты. Классический пример — инструмент get_weather для получения текущей погоды. Пример взят из документации OpenAI.

from openai import OpenAI client = OpenAI() tools = [ { "type": "function", "name": "get_weather", "description": "Get current temperature for a given location.", "parameters": { "type": "object", "properties": { "location": { "type": "string", "description": "City and country e.g. Bogotá, Colombia", } }, "required": ["location"], "additionalProperties": False, }, "strict": True, }, ] response = client.responses.create( model="gpt-5", input=[ {"role": "user", "content": "What is the weather like in Paris today?"}, ], tools=tools, )

Необходимо определить, какие инструменты предоставить агенту для улучшения обработки запросов. Например:

• При работе с внешними базами знаний стоит добавить инструмент для их поиска и указать модели условия применения.
• Инструмент выполнения Python: модель получает возможность запускать код на Python и анализировать результаты.
• Калькулятор: вместо самостоятельных вычислений LLM (что неэффективно и подвержено ошибкам) предоставляется инструмент для точных расчетов.

И подобные варианты. Ключевой момент — обеспечить агенту максимум возможностей для точных ответов. Однако легко переусердствовать с количеством инструментов. Следует придерживаться общих рекомендаций по их предоставлению, гарантируя:

• Полное и точное описание каждого инструмента.
• Однозначность: модель (и любой человек, читающий описание) должна четко понимать, когда инструмент применяется, а когда нет.
• Минимальное пересечение функций между инструментами.

Тема инструментов для ИИ-агентов освещена подробнее в отдельной статье о создании инструментов для ИИ-агентов.

При определении инструментов для GPT-5 можно задавать правила обязательности их использования. Обязательный инструмент, например, поиск в векторном хранилище, заставляет модель проверять корпус документов для каждого запроса, обеспечивая обоснованность ответов. В то же время функция get_weather обычно должна быть опциональной, активируясь только при релевантных вопросах о погоде.

Инструменты также создаются с помощью коннекторов — это средства доступа к другим приложениям, таким как:

• Gmail
• Slack
• Figma
• GitHub

Благодаря этому GPT может просматривать emails, искать темы в Slack, анализировать дизайны в Figma или изучать код на GitHub.

Пакет для агентов

OpenAI разработал SDK для агентов, доступный на Python или TypeScript. Этот SDK полезен для сложных сценариев создания агентов, где требуется:

• Выполнение многоэтапных, последовательных действий.
• Сохранение контекста между задачами.

Например, можно разработать специализированных агентов для конкретных функций (сбор данных, суммирование), а затем создать координатора, который обрабатывает запросы пользователей, делегирует задачи подагентам, оценивает полноту информации и формирует ответ.

Существует множество аналогичных SDK для агентов, упрощающих их разработку. Среди хороших альтернатив:

• LangGraph
• CrewAI
• Agent Development Kit

Все эти пакеты облегчают создание ИИ-агентов, делая их более доступными.

Заключение

В статье описано использование GPT-5 в качестве ИИ-агента. Сначала рассмотрены случаи, когда агенты необходимы, и причины, по которым GPT-5 является одной из подходящих опций. Далее подробно разобрано векторное хранилище OpenAI, способы его простого создания и интеграции как инструмента для агента. Также затронуто предоставление агенту пользовательских инструментов и SDK для разработки продвинутых агентских приложений. Оснащение LLM инструментами — это доступный способ усиления агентов, повышающий их способность к обработке запросов. Как отмечалось в начале, пользователи вскоре будут ожидать от большинства ИИ-приложений наличия агентов, способных выполнять действия через инструменты, поэтому тему стоит изучать и внедрять оперативно.