OpenAI Harmony 응답 형식

토픽AboutAPI docsSource테마 전환

테마 전환

2025년 8월 5일

OpenAI Harmony 응답 형식

Dominik Kundel(OpenAI)

GitHub에서 열기

• 개념
• Harmony 렌더러 라이브러리
• 프롬프트 형식

gpt-oss 모델은 대화 구조를 정의하고, 추론 출력(reasoning output)을 생성하며, 함수 호출을 구조화하기 위해 Harmony 응답 형식(harmony response format)으로 학습되었습니다. gpt-oss를 직접 사용하지 않고 API 또는 Ollama 같은 제공자를 통해 사용한다면, 추론 솔루션이 포매팅을 처리해 주므로 이 형식에 대해 걱정할 필요가 없습니다. 하지만 자체 추론 솔루션을 구축하고 있다면, 이 가이드는 프롬프트 형식을 단계별로 안내합니다. 이 형식은 OpenAI Responses API를 모방하도록 설계되었으므로, 해당 API를 사용해 본 적이 있다면 익숙하게 느껴질 것입니다. gpt-oss는 Harmony 형식을 사용하지 않으면 올바르게 동작하지 않으므로, 반드시 Harmony 형식과 함께 사용해야 합니다.

개념

역할(Roles)

모델이 처리하는 모든 메시지에는 역할(role)이 연결되어 있습니다. 모델은 다섯 가지 역할을 알고 있습니다:

이 역할들은 또한 지시 충돌이 발생했을 때 모델이 적용하는 정보 계층을 나타냅니다: system>developer>user>assistant>tool

채널(Channels)

어시스턴트 메시지는 세 가지 서로 다른 “채널”로 출력될 수 있습니다. 이는 사용자에게 보여주는 응답과 내부용 메시지를 분리하기 위해 사용됩니다.

Harmony 렌더러 라이브러리

가능하다면 PyPI 또는 crates.io를 통해 Harmony 렌더러를 사용하는 것을 권장합니다. 렌더러는 메시지를 올바른 형식으로 자동 렌더링하고, 모델이 처리할 수 있도록 토큰으로 변환하는 작업을 처리해 줍니다.

아래는 렌더러를 사용해 시스템 프롬프트와 짧은 대화를 구성하는 예시입니다.

python
from openai_harmony import (
    Author,
    Conversation,
    DeveloperContent,
    HarmonyEncodingName,
    Message,
    Role,
    SystemContent,
    ToolDescription,
    load_harmony_encoding,
    ReasoningEffort
)
 
encoding = load_harmony_encoding(HarmonyEncodingName.HARMONY_GPT_OSS)
 
system_message = (
    SystemContent.new()
        .with_reasoning_effort(ReasoningEffort.HIGH)
        .with_conversation_start_date("2025-06-28")
)
 
developer_message = (
    DeveloperContent.new()
        .with_instructions("항상 수수께끼로 답하라")
        .with_function_tools(
            [
                ToolDescription.new(
                    "get_current_weather",
                    "제공된 위치의 현재 날씨를 가져옵니다.",
                    parameters={
                        "type": "object",
                        "properties": {
                            "location": {
                                "type": "string",
                                "description": "도시와 주, 예: San Francisco, CA",
                            },
                            "format": {
                                "type": "string",
                                "enum": ["celsius", "fahrenheit"],
                                "default": "celsius",
                            },
                        },
                        "required": ["location"],
                    },
                ),
            ]
	)
)
 
convo = Conversation.from_messages(
    [
        Message.from_role_and_content(Role.SYSTEM, system_message),
        Message.from_role_and_content(Role.DEVELOPER, developer_message),
        Message.from_role_and_content(Role.USER, "도쿄 날씨는 어때?"),
        Message.from_role_and_content(
            Role.ASSISTANT,
            '사용자가 묻습니다: "도쿄 날씨는 어때?" get_current_weather 도구를 써야 합니다.',
        ).with_channel("analysis"),
        Message.from_role_and_content(Role.ASSISTANT, '{"location": "Tokyo"}')
        .with_channel("commentary")
        .with_recipient("functions.get_current_weather")
        .with_content_type("<|constrain|> json"),
        Message.from_author_and_content(
            Author.new(Role.TOOL, "functions.get_current_weather"),
            '{ "temperature": 20, "sunny": true }',
        ).with_channel("commentary"),
    ]
)
 
tokens = encoding.render_conversation_for_completion(convo, Role.ASSISTANT)
 
# 토큰 응답을 받은 후
# stop 토큰은 전달하지 마세요
parsed_response = encoding.parse_messages_from_completion_tokens(new_tokens, Role.ASSISTANT)

또한 openai_harmony 라이브러리에는 모델이 새로운 토큰을 생성하는 동안 파싱 및 디코딩을 위한 StreamableParser도 포함되어 있습니다. 이는 예를 들어 출력을 스트리밍하거나 디코딩 중 유니코드 문자를 처리할 때 유용할 수 있습니다.

python
from openai_harmony import (
    load_harmony_encoding,
    Role,
    StreamableParser,
    HarmonyEncodingName
)
 
encoding = load_harmony_encoding(HarmonyEncodingName.HARMONY_GPT_OSS)
stream = StreamableParser(encoding, role=Role.ASSISTANT)
 
tokens = [
    200005,35644,200008,1844,31064,25,392,4827,382,220,17,659,220,17,16842,12295,81645,
    13,51441,6052,13,200007,200006,173781,200005,17196,200008,17,659,220,17,314,220,19,
    13,200002
]
 
for token in tokens:
    stream.process(token)
    print("--------------------------------")
    print("current_role", stream.current_role)
    print("current_channel", stream.current_channel)
    print("last_content_delta", stream.last_content_delta)
    print("current_content_type", stream.current_content_type)
    print("current_recipient", stream.current_recipient)
    print("current_content", stream.current_content)

프롬프트 형식

자체 렌더러를 구축하기로 선택했다면, 아래 형식을 준수해야 합니다.

특수 토큰(Special Tokens)

모델은 입력 구조를 식별하기 위해 특수 토큰 집합을 사용합니다. tiktoken을 사용한다면, 이 토큰들은 o200k_harmony 인코딩에 포함되어 있습니다. 모든 특수 토큰은 <|type|> 형식을 따릅니다.

메시지 형식

Harmony 응답 형식은 모델이 한 번에 여러 메시지를 생성할 수 있는 “메시지”로 구성됩니다. 메시지의 일반 구조는 다음과 같습니다:

<|start|>{header}<|message|>{content}<|end|>

{header}에는 역할을 포함한 일련의 메타 정보가 들어 있습니다. <|end|>는 완전히 완료된 메시지의 끝을 의미하지만, 모델은 도구 호출을 위한 <|call|>이나 완료를 나타내는 <|return|> 같은 다른 stop 토큰을 사용할 수도 있습니다.

채팅 대화 형식

위의 메시지 형식을 따르면, 가장 기본적인 채팅 형식은 user 메시지와 assistant 메시지의 시작으로 구성됩니다.

예시 입력

text
<|start|>user<|message|>2 + 2는 뭐야?<|end|>
<|start|>assistant

출력은 channel을 지정하는 것으로 시작합니다. 예를 들어 체인 오브 쏘트를 출력하기 위해 analysis를 사용할 수 있습니다. 모델은 여러 메시지(주로 체인 오브 쏘트 메시지)를 출력할 수 있으며, 이를 구분하기 위해 <|end|> 토큰을 사용합니다.

생성이 끝나면 모델은 최종 답변 생성을 완료했음을 나타내는 <|return|> 토큰 또는 도구 호출이 필요함을 나타내는 <|call|> 토큰으로 멈춥니다. 어느 경우든 이는 추론을 중단해야 함을 의미합니다.

예시 출력

text
<|channel|>analysis<|message|>사용자가 묻습니다: "2 + 2는 뭐야?" 간단한 산수입니다. 답을 제공하세요.<|end|>
<|start|>assistant<|channel|>final<|message|>2 + 2 = 4.<|return|>

final 채널에는 사용자의 요청에 대한 답이 들어 있습니다. 체인 오브 쏘트에 대한 더 자세한 내용은 추론 섹션을 참고하세요.

구현 참고: <|return|>은 디코드 시점(stop) 토큰으로만 사용됩니다. 다음 턴을 위해 어시스턴트의 생성된 답을 대화 히스토리에 추가할 때는, 저장되는 메시지가 <|start|>{header}<|message|>{content}<|end|> 형태로 완전해지도록 뒤에 붙은 <|return|>을 <|end|>로 바꾸세요. 따라서 프롬프트에서 이전 메시지는 <|end|>로 끝나야 합니다. 지도 학습 타깃/훈련 예시에는 <|return|>으로 끝내는 것이 적절하지만, 영구 저장되는 히스토리에서는 <|end|>로 정규화하세요.

시스템 메시지 형식

시스템 메시지는 시스템에 대한 일반 정보를 제공하는 데 사용됩니다. 이는 다른 프롬프트 형식에서 흔히 “시스템 프롬프트”로 여기는 것과는 다릅니다. 그 용도는 개발자 메시지 형식을 참고하세요.

시스템 메시지는 다음을 정의하는 데 사용합니다:

1. 모델의 정체성(identity) — 이는 항상 You are ChatGPT, a large language model trained by OpenAI.로 유지되어야 합니다. 모델의 정체성을 바꾸고 싶다면 개발자 메시지의 지시사항을 사용하세요.
2. 메타 날짜(dates) — 특히 Knowledge cutoff:와 Current date:
3. 추론 노력(reasoning effort) — high, medium, low 레벨로 지정
4. 사용 가능한 채널 — 최적 성능을 위해 analysis, commentary, final에 매핑하는 것이 좋습니다.
5. 내장 도구 — 모델은 python과 browser 도구로 학습되었습니다. 자세한 내용은 내장 도구 섹션을 참고하세요.

함수를 정의하는 경우, 모든 함수 도구 호출은 commentary 채널로 가야 한다는 주의 문구도 포함해야 합니다.

최적 성능을 위해 가능한 한 이 형식을 그대로 따르세요.

예시 시스템 메시지

가장 기본적으로 사용해야 하는 시스템 메시지는 다음과 같습니다:

text
<|start|>system<|message|>You are ChatGPT, a large language model trained by OpenAI.
Knowledge cutoff: 2024-06
Current date: 2025-06-28

Reasoning: high

# Valid channels: analysis, commentary, final. Channel must be included for every message.<|end|>

개발자 메시지 섹션에 함수 호출이 있다면 다음을 사용하세요:

text
<|start|>system<|message|>You are ChatGPT, a large language model trained by OpenAI.
Knowledge cutoff: 2024-06
Current date: 2025-06-28

Reasoning: high

# Valid channels: analysis, commentary, final. Channel must be included for every message.
Calls to these tools must go to the commentary channel: 'functions'.<|end|>

개발자 메시지 형식

개발자 메시지는 일반적으로 “시스템 프롬프트”로 간주되는 것을 나타냅니다. 여기에는 모델에 제공되는 지시사항과, 선택적으로 사용 가능한 함수 도구(function tools) 목록 또는 구조화된 출력(structured outputs)을 위해 모델이 따라야 할 출력 형식이 포함됩니다.

함수 도구 호출을 사용하지 않는다면 개발자 메시지는 다음과 같이 보일 것입니다:

text
<|start|>developer<|message|># Instructions

{instructions}<|end|>

여기서 {instructions}는 “시스템 프롬프트”로 대체됩니다.

함수 호출 도구를 정의하려면 전용 섹션을 확인하세요.

구조화된 출력에서 사용할 출력 형식을 정의하려면 가이드의 이 섹션을 확인하세요.

추론(Reasoning)

gpt-oss 모델은 추론 모델입니다. 기본적으로 모델은 중간(medium) 수준의 추론을 수행합니다. 추론을 제어하려면 시스템 메시지에서 low, medium, high 중 하나로 추론 레벨을 지정할 수 있습니다. 권장 형식은 다음과 같습니다:

Reasoning: high

모델은 raw 체인 오브 쏘트(CoT)를 analysis 채널의 어시스턴트 메시지로 출력하고, 최종 응답은 final로 출력합니다.

예를 들어 질문이 2 + 2는 뭐야?라면 모델 출력은 다음과 같이 보일 수 있습니다:

text
<|channel|>analysis<|message|>사용자가 묻습니다: "2 + 2는 뭐야?" 간단한 산수입니다. 답을 제공하세요.<|end|>
<|start|>assistant<|channel|>final<|message|>2 + 2 = 4.<|return|>

이 경우 CoT는 다음입니다:

사용자가 묻습니다: “2 + 2는 뭐야?” 간단한 산수입니다. 답을 제공하세요.

그리고 실제 답변은 다음입니다:

2 + 2 = 4

중요:

모델은 final 출력만큼 체인 오브 쏘트에서 동일한 안전 기준으로 학습되지 않았습니다. 체인 오브 쏘트를 사용자에게 보여주면 해로운 콘텐츠가 포함될 수 있으므로 보여주지 않아야 합니다. 모델 카드에서 자세히 알아보기.

이후 샘플링에서 추론 출력 처리하기

일반적으로, 어시스턴트의 응답이 final 채널 메시지로 끝났다면 이후 샘플링에서는 이전 CoT 콘텐츠를 제거(drop)해야 합니다. 즉, 첫 입력이 다음과 같고:

text
<|start|>user<|message|>2 + 2는 뭐야?<|end|>
<|start|>assistant

출력이 다음과 같았다면:

text
<|channel|>analysis<|message|>사용자가 묻습니다: "2 + 2는 뭐야?" 간단한 산수입니다. 답을 제공하세요.<|end|>
<|start|>assistant<|channel|>final<|message|>2 + 2 = 4.<|return|>

모델이 올바르게 동작하도록 다음 샘플링의 입력은 다음이어야 합니다:

text
<|start|>user<|message|>2 + 2는 뭐야?<|end|>
<|start|>assistant<|channel|>final<|message|>2 + 2 = 4.<|end|>
<|start|>user<|message|>9 / 2는?<|end|>
<|start|>assistant

이 규칙의 예외는 도구/함수 호출입니다. 모델은 체인 오브 쏘트의 일부로 도구를 호출할 수 있으며, 따라서 이후 샘플링을 위한 입력으로 이전 체인 오브 쏘트를 다시 전달해야 합니다. 전체 예시는 함수 호출 섹션을 참고하세요.

함수 호출(Function calling)

사용 가능한 도구 정의하기

모델이 사용할 수 있는 모든 함수는 개발자 메시지의 전용 Tools 섹션에 정의해야 합니다.

함수를 정의하기 위해 TypeScript와 유사한 타입 문법을 사용하며, 함수를 전용 functions 네임스페이스로 감쌉니다. 함수 호출 정확도를 높이기 위해 이 형식을 최대한 그대로 따르는 것이 중요합니다. 인자에 대한 JSON Schema 정의를 어떻게 이 형식으로 변환하는지는 harmony 렌더러 코드베이스에서 확인할 수 있으며, 일반적인 포매팅 관행은 다음과 같습니다:

• 인자를 받지 않는 함수는 모두 type {function_name} = () => any로 정의
• 인자를 받는 함수는 인자 이름을 _로 하고 타입 정의를 인라인으로 작성
• 필드 정의 바로 위 라인에 설명을 주석으로 추가
• 반환 타입은 항상 any 사용
• 각 함수 정의 뒤에 빈 줄을 유지
• 함수를 네임스페이스로 감싸기. 일반적으로는 모델이 학습했을 수 있는 다른 도구와 충돌하지 않도록 functions 네임스페이스 사용

아래는 두 개의 함수를 정의하는 완전한 입력 예시입니다:

text
<|start|>system<|message|>You are ChatGPT, a large language model trained by OpenAI.
Knowledge cutoff: 2024-06
Current date: 2025-06-28

Reasoning: high

# Valid channels: analysis, commentary, final. Channel must be included for every message.
Calls to these tools must go to the commentary channel: 'functions'.<|end|><|start|>developer<|message|># Instructions

친근한 톤을 사용하세요.

# Tools

## functions

namespace functions {

// 사용자의 위치를 가져옵니다.
type get_location = () => any;

// 제공된 위치의 현재 날씨를 가져옵니다.
type get_current_weather = (_: {
// 도시와 주, 예: San Francisco, CA
location: string,
format?: "celsius" | "fahrenheit", // default: celsius
}) => any;

// 제공된 위치 목록의 현재 날씨를 가져옵니다.
type get_multiple_weathers = (_: {
// 도시와 주 목록, 예: ["San Francisco, CA", "New York, NY"]
locations: string[],
format?: "celsius" | "fahrenheit", // default: celsius
}) => any;

} // namespace functions<|end|><|start|>user<|message|>SF 날씨는 어때?<|end|><|start|>assistant

도구 호출 받기

모델이 도구를 호출하기로 결정하면, 메시지 헤더에서 recipient를 to={name} 형식으로 정의합니다. 예를 들어 위의 get_current_weather 함수를 트리거하기로 했다면, 헤더에 to=functions.get_current_weather를 지정하고, 시스템 메시지에 명시된 대로 채널은 commentary가 됩니다. recipient는 헤더의 role 또는 channel 섹션에서 정의될 수 있습니다.

모델은 도구 호출 입력의 타입을 나타내기 위해 <|constrain|> 토큰을 지정할 수도 있습니다. 이 경우 JSON으로 전달되므로 <|constrain|>은 json으로 설정됩니다.

text
<|channel|>analysis<|message|>get_current_weather 함수를 사용해야 합니다.<|end|><|start|>assistant<|channel|>commentary to=functions.get_current_weather <|constrain|>json<|message|>{"location":"San Francisco"}<|call|>

도구 호출 처리하기

함수 호출을 처리한 뒤에는, 호출 메시지 다음에 도구 출력이 담긴 새로운 tool 메시지를 지정하여 그 결과를 모델에 다시 제공해야 합니다.

tool 메시지 형식은 다음과 같습니다:

<|start|>{toolname} to=assistant<|channel|>commentary<|message|>{output}<|end|>

따라서 위 예시에서는:

<|start|>functions.get_current_weather to=assistant<|channel|>commentary<|message|>{"sunny": true, "temperature": 20}<|end|>

도구 호출 출력을 수집한 다음, 전체 콘텐츠로 추론을 실행할 수 있습니다:

text
<|start|>system<|message|>You are ChatGPT, a large language model trained by OpenAI.
Knowledge cutoff: 2024-06
Current date: 2025-06-28

Reasoning: high

# Valid channels: analysis, commentary, final. Channel must be included for every message.
Calls to these tools must go to the commentary channel: 'functions'.<|end|><|start|>developer<|message|># Instructions

친근한 톤을 사용하세요.

# Tools

## functions

namespace functions {

// 사용자의 위치를 가져옵니다.
type get_location = () => any;

// 제공된 위치의 현재 날씨를 가져옵니다.
type get_current_weather = (_: {
// 도시와 주, 예: San Francisco, CA
location: string,
format?: "celsius" | "fahrenheit", // default: celsius
}) => any;

// 제공된 위치 목록의 현재 날씨를 가져옵니다.
type get_multiple_weathers = (_: {
// 도시와 주 목록, 예: ["San Francisco, CA", "New York, NY"]
locations: string[],
format?: "celsius" | "fahrenheit", // default: celsius
}) => any;

} // namespace functions<|end|><|start|>user<|message|>SF 날씨는 어때?<|end|><|start|>assistant<|channel|>analysis<|message|>get_current_weather 함수를 사용해야 합니다.<|end|><|start|>assistant<|channel|>commentary to=functions.get_current_weather <|constrain|>json<|message|>{"location":"San Francisco"}<|call|>
<|start|>functions.get_current_weather to=assistant<|channel|>commentary<|message|>{"sunny": true, "temperature": 20}<|end|><|start|>assistant

위에서 볼 수 있듯, 추가 샘플링을 위해 함수 출력뿐 아니라 이전 체인 오브 쏘트(“get_current_weather 함수를 사용해야 합니다.”)도 다시 모델에 전달하여, 모델이 체인 오브 쏘트를 계속 이어가거나 최종 답변을 제공하는 데 필요한 정보를 확보하게 합니다.

서문(Preambles)

때때로 모델은 호출하려는 도구에 대해 사용자에게 알리기 위해 “서문”을 생성할 수 있습니다. 예를 들어 여러 도구를 호출할 계획일 때 그렇습니다. 이런 경우, 체인 오브 쏘트와 달리 최종 사용자에게 보여주기 위한 commentary 채널의 어시스턴트 메시지를 생성합니다.

text
<|channel|>analysis<|message|>{긴 체인 오브 쏘트}<|end|><|start|>assistant<|channel|>commentary<|message|>**액션 플랜**:
1. HTML 파일 생성
2. Node.js 서버용 JavaScript 생성
3. 서버 시작
---
단계별로 계획을 실행하겠습니다<|end|><|start|>assistant<|channel|>commentary to=functions.generate_file<|constrain|>json<|message|>{"template": "basic_html", "path": "index.html"}<|call|>

이 경우 모델은 앞으로 실행할 여러 단계를 사용자에게 알리기 위해 액션 플랜을 생성했습니다.

구조화된 출력(Structured output)

모델의 출력 동작을 제어하려면, 개발자 메시지 끝에 다음 구조로 응답 형식(response format)을 정의할 수 있습니다:

text
# Response Formats

## {format name}

// {description or context}
{schema}<|end|>

형식 이름은 Responses API에서 스키마에 지정할 수 있는 이름과 유사하게 작동하며, 스키마는 JSON Schema입니다.

예를 들어 다음은 쇼핑 리스트에 대한 스키마를 정의하는 개발자 메시지입니다:

text
<|start|>developer<|message|># Instructions

당신은 도움이 되는 쇼핑 도우미입니다

# Response Formats

## shopping_list

{"properties":{"items":{"type":"array","description":"쇼핑 리스트의 항목들","items":{"type":"string"}}},"type":"object"}<|end|><|start|>user<|message|>커피, 탄산음료, 달걀을 사야 해<|end|><|start|>assistant

다만 이 프롬프트만으로는 모델의 행동에 영향을 줄 뿐, 스키마를 완전히 준수한다고 보장하지는 않습니다. 이를 위해서는 자체 문법(grammar)을 구성하고 샘플링 중 스키마를 강제해야 합니다.

내장 도구(Built-in tools)

gpt-oss 모델의 학습 과정에서, 정보 탐색과 Python 코드 실행을 통해 결과를 개선할 수 있도록 두 가지 일반적인 도구로 학습되었습니다.

이 기능을 구축하려면, 신뢰성과 정확도를 높이기 위해 아래 형식을 사용하는 것이 좋습니다.

이 도구들은 개발자 메시지가 아니라 시스템 메시지에서 # Tools 섹션을 추가하여 정의해야 합니다.

브라우저 도구(Browser tool)

브라우저 도구를 정의하려면 시스템 프롬프트 섹션에 추가하세요:

text
<|start|>system<|message|>You are ChatGPT, a large language model trained by OpenAI.
Knowledge cutoff: 2024-06
Current date: 2025-06-28

Reasoning: high

# Tools

## browser

// 브라우징을 위한 도구.
// `cursor`는 각 브라우징 표시 앞에서 대괄호로 나타납니다: `[{cursor}]`.
// 도구에서 나온 정보를 다음 형식으로 인용하세요:
// `【{cursor}†L{line_start}(-L{line_end})?】`, 예: `【6†L9-L11】` 또는 `【8†L3】`.
// 도구 출력에서 10단어를 초과하여 직접 인용하지 마세요.
// sources=web (default: web)
namespace browser {

// `query`와 관련된 정보를 검색하고 `topn`개 결과를 표시합니다.
type search = (_: {
query: string,
topn?: number, // default: 10
source?: string,
}) => any;

// `cursor`가 가리키는 페이지에서 `loc` 라인부터 `num_lines`줄을 보여주며 링크 `id`를 엽니다.
// 유효한 링크 id는 `【{id}†.*】` 형식으로 표시됩니다.
// `cursor`가 제공되지 않으면 가장 최근 페이지가 암묵적으로 사용됩니다.
// `id`가 문자열이면 `source`와 연결된 완전한 URL로 취급됩니다.
// `loc`가 제공되지 않으면 뷰포트는 문서 시작 또는 (가능하면) 가장 관련 있는 구절을 중심으로 위치합니다.
// 열린 페이지의 새로운 위치로 스크롤하려면 `id` 없이 이 함수를 사용하세요.
type open = (_: {
id?: number | string, // default: -1
cursor?: number, // default: -1
loc?: number, // default: -1
num_lines?: number, // default: -1
view_source?: boolean, // default: false
source?: string,
}) => any;

// 현재 페이지 또는 `cursor`가 지정한 페이지에서 `pattern`의 정확한 일치를 찾습니다.
type find = (_: {
pattern: string,
cursor?: number, // default: -1
}) => any;

} // namespace browser

# Valid channels: analysis, commentary, final. Channel must be included for every message.<|end|>

모델이 브라우저에서 액션을 호출하기로 결정하면, 함수 호출과 같은 형식을 사용하되 두 가지 중요한 예외가 있습니다:

1. 요청은 analysis 채널로 전송됩니다.
2. recipient는 각각 browser.search, browser.open, browser.find가 됩니다.

Python 도구

text
<|start|>system<|message|>You are ChatGPT, a large language model trained by OpenAI.
Knowledge cutoff: 2024-06
Current date: 2025-06-28

Reasoning: high

# Tools

## python

이 도구는 체인 오브 쏘트에서 Python 코드를 실행하는 데 사용하세요. 코드는 사용자에게 표시되지 않습니다. 이 도구는 내부 추론을 위해 사용해야 하며, 사용자에게 보이도록 의도된 코드(예: 플롯, 표, 파일 생성)는 포함하지 않아야 합니다.

Python 코드가 포함된 메시지를 python에 보내면, 상태를 유지하는 Jupyter 노트북 환경에서 실행됩니다. python은 실행 결과를 응답하거나 120.0초 후 타임아웃됩니다. '/mnt/data' 드라이브는 사용자 파일을 저장 및 지속(persist)하는 데 사용할 수 있습니다. 이 세션의 인터넷 접근 가능 여부는 UNKNOWN입니다. 클러스터에 따라 달라집니다.

# Valid channels: analysis, commentary, final. Channel must be included for every message.<|end|>

모델이 Python 코드를 실행하기로 결정하면, 함수 호출과 같은 형식을 사용하되 두 가지 중요한 예외가 있습니다:

1. 요청은 analysis 채널로 전송됩니다.
2. recipient는 항상 python입니다.