Лекції

У цій лекції розберемося, як проєктувати багатокрокові workflow у ChatGPT Apps. Ми поділимо сценарій на кроки, розподілимо відповідальність між GPT, віджетом і MCP/ Agent, опишемо кроки як міні state-machine (типи на кшталт GiftWorkflowStep і функція getNextStep), а також поліпшимо UX завдяки прогресу й невеликим екранам замість однієї «мега‑форми». Також розглянемо діаграму mermaid, приклади на React ( useState, useWidgetState) і типові помилки під час упровадження багатокрокових сценаріїв.

Розбираємо патерн (шаблон) tool gating: чому підхід «усі інструменти одразу» погіршує якість вибору tool‑call-ів, роздуває контекст і створює ризики для безпеки. Також говоримо про те, як спроєктувати сценарій так, щоб модель бачила лише потрібні інструменти на поточному кроці ( INTERVIEW → BROWSING → CHECKOUT). І, нарешті, як поєднувати модельний гейтінг (через поточний state і список tools) з логічними перевірками всередині обробників (handlers) — наприклад, із забороною checkout, якщо кошик порожній. Окремо пов’язуємо tool gating з UI/віджетом і MCP‑архітектурою.

Розбираємося, як у ChatGPT Apps проєктувати й зберігати контекст сценарію (workflow). Пояснюємо, чим відрізняються UI State, LLM Context і Business State; як описати структуру WorkflowContext у TypeScript; де тримати дані (промпт, widgetState, backend/MCP). Також розглянемо, як запровадити workflowId, як відновлювати сценарій, підтримувати «назад/уперед» і уникати розсинхрону між UI, моделлю та сервером.

У цій лекції розглянемо, як проєктувати відмовостійкі воркфлоу в ChatGPT Apps: класифікуємо збої (технічні, модельні, бізнес-помилки та UX-переривання) і добираємо стратегії ( retry, fail-fast, rollback та залучення користувача). Реалізуємо експоненційний backoff через callWithRetry, захистимо критичні кроки за допомогою idempotencyKey, побудуємо компенсації за патерном Saga, синхронізуємо кроки UI/бекенду/моделі й оформимо помилки так, щоб їх однаково добре розуміли і модель (структура з code та retryable), і користувач (короткі безпечні повідомлення). Завершимо практикою на кроці checkout у GiftGenius і чеклістом типових помилок.

У цій лекції розберемося, як вимірювати ефективність workflow у ChatGPT App на рівні кроків: будуємо лійку сценарію, визначаємо базові метрики ( start rate, completion rate, conversion, drop-off), проєктуємо схему подій ( "workflow_started", "step_completed", "step_failed"), додаємо інструментацію у віджет на Next.js і сервер/MCP, вчимося читати дані та проводити A/B‑експерименти, не забуваючи про приватність і мінімізацію даних.