Code Interpreter: Изпълняване на код чрез API
На тази страница
- Code Interpreter: Изпълняване на код чрез API
- Активиране на Code Interpreter
- Преглед на изпълнения код
- Предоставяне на файлове като входни данни
- Извличане на генерирани файлове
- Контейнер и среда
- Верижно изпълнение на множество операции
- Комбиниране с други инструменти
- Шаблон: Пълен анализен конвейер
- Ключови изводи
Обновено на 2 ноември 2026 г. въз основа на официалното ръководство за Code Interpreter и SDK
openai: инструментът изисква параметърcontainer(липсващ във всички предишни примери, което би довело до грешка), генерираните файлове се появяват в анотации от типcontainer_file_citationи се изтеглят чрез Containers API (а не чрезclient.files.content), а изходните данни от извикването се наричатoutputs(а неresults). Текстовите части на входа използват типаinput_text. Файловете, прикачени към съобщение, се качват с целuser_data, което OpenAI препоръчва за входни данни на модела (File inputs). Източници: Code Interpreter · File inputs.
Code Interpreter: Изпълняване на код чрез API
Езиковият модел предсказва текст; той не извършва изчисления. Ако го попитате за квадратния корен от 1764, той ще генерира най-вероятния резултат въз основа на обучението си – често верен, понякога грешен, без начин да разберете разликата. Code Interpreter премахва тази несигурност, предоставяйки на модела Python интерпретатор: той написва изчислението, изпълнява го и връща получен резултат, а не предположение.
Промяната е по-дълбока, отколкото изглежда. Моделът вижда изхода от собствения си код, включително грешките, така че може да се коригира и да опита отново. При работен файл, чиято точна структура не е известна на никого, този цикъл е по-ефективен от всяка предварително написана инструкция.
Активиране на Code Interpreter
Активирате го, като добавите инструмента към масива tools – няма нищо за инсталиране, няма среда за предоставяне. Моделът решава кога да напише код: той отговаря директно на фактологични въпроси, но преминава към изпълнение за изчисления или манипулация на данни.
from openai import OpenAI
client = OpenAI()
response = client.responses.create(
model="gpt-5.6-terra",
input="Calculate the Fibonacci sequence up to the 20th term",
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
print(response.output_text)
Моделът написва Python кода, изпълнява го в пясъчник (sandbox) и интегрира резултатите в своя отговор.
Преглед на изпълнения код
Придобийте навика да четете този код, поне по време на разработката. Това е единственият начин да разграничите добрия резултат от такъв, който е верен случайно: средна стойност, изчислена при мълчаливо игнориране на липсващи стойности, е числено правилна, но аналитично погрешна. Отговорът няма да Ви каже това; кодът ще го покаже.
Отговорът съдържа генерирания код и неговите резултати:
response = client.responses.create(
model="gpt-5.6-terra",
input="What is the square root of 1764? Verify by squaring the result.",
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}],
include=["code_interpreter_call.outputs"], # за получаване на генерирани логове и изображения
)
for item in response.output:
if item.type == "code_interpreter_call":
print("--- Executed Code ---")
print(item.code)
print("--- Outputs ---")
for output in item.outputs or []:
print(output.logs if output.type == "logs" else output.url)
Предоставяне на файлове като входни данни
Инструментът разкрива пълната си стойност при работа с файлове. Вие качвате файла, препращате го в извикването и моделът действително го отваря – той чете реалните колони, реалните типове и реалните отклонения, вместо да разсъждава върху описание, което бихте могли да предоставите.
# Качване на файла
with open("sales_2025.csv", "rb") as f:
file_obj = client.files.create(file=f, purpose="user_data")
# Използване на Code Interpreter с файла
response = client.responses.create(
model="gpt-5.6-terra",
input=[
{
"role": "user",
"content": [
{"type": "input_text", "text": "Analyze this sales file. "
"Give me the total by category and the best-performing month."},
{"type": "input_file", "file_id": file_obj.id}
]
}
],
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
print(response.output_text)
Извличане на генерирани файлове
Обратният път също работи: кодът произвежда почистен CSV, диаграма или Excel работна книга и тези файлове се връщат към Вас. Те остават в контейнера, а съобщението с отговора ги цитира в своите анотации от тип container_file_citation, включващи ID на контейнера, ID на файла и името на файла. След това ги изтегляте чрез Containers API. Две малки функции, използвани повторно в следващите уроци, обособяват този поток:
def generated_files(response):
"""Files created by Code Interpreter, cited in message annotations."""
for item in response.output:
if item.type == "message":
for part in item.content:
for ann in getattr(part, "annotations", None) or []:
if ann.type == "container_file_citation":
yield ann
def download(client, ann, path):
"""Downloads a file from the container and returns its local path."""
content = client.containers.files.content.retrieve(ann.file_id, container_id=ann.container_id)
with open(path, "wb") as out:
out.write(content.read())
return path
Файловете, които предоставяте като вход (input_file), се копират автоматично в контейнера: не е необходимо да качвате нищо друго.
response = client.responses.create(
model="gpt-5.6-terra",
input=[
{
"role": "user",
"content": [
{"type": "input_text", "text": "Create a chart of sales by month "
"and export the cleaned data as a CSV."},
{"type": "input_file", "file_id": file_obj.id}
]
}
],
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
# Извличане на генерирани файлове
for ann in generated_files(response):
print(f"Generated file: {ann.filename}")
download(client, ann, ann.filename)
Контейнер и среда
Познаването на правилата за контейнера спестява време за отстраняване на грешки при неща, които не могат да работят. Според документацията на OpenAI:
- това е напълно изолирана виртуална машина (пясъчник), в която моделът изпълнява Python;
- инструментът изисква параметър
container:{"type": "auto"}създава контейнер (или използва такъв от предишно извикване, присъстващо в контекста), докато ID, получено чрезclient.containers.create(...), принуждава използването на конкретен контейнер; - паметта се задава с
memory_limit:1g(по подразбиране),4g,16gили64g, като по-високите нива се таксуват според тарифите за интегрирани инструменти; - контейнерът изтича след 20 минути неактивност; данните му се губят тогава, затова изтеглете всички файлове, които искате да запазите, докато е активен.
Не разчитайте на мрежов достъп от кода: предоставете данни като вход или делегирайте проучването на инструмента Web Search.
# Пример: моделът може да използва pandas директно
response = client.responses.create(
model="gpt-5.6-terra",
input=[
{
"role": "user",
"content": [
{"type": "input_text", "text": "Load this CSV with pandas, "
"calculate descriptive statistics, and identify outliers."},
{"type": "input_file", "file_id": file_obj.id}
]
}
],
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
Верижно изпълнение на множество операции
Последователните изпълнения споделят една и съща сесия: променливите, DataFrame обектите и импортираните модули от първия блок остават налични в следващия, точно както в тетрадка (notebook). Моделът използва това естествено – зарежда, инспектира, след това обработва – което прави възможен многоетапен анализ без повторно зареждане на всичко на всеки етап.
response = client.responses.create(
model="gpt-5.6-terra",
input="1. Generate 1000 random points from a normal distribution. "
"2. Calculate the mean and standard deviation. "
"3. Create a histogram. "
"4. Perform a Shapiro-Wilk normality test.",
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
# Моделът изпълнява 4 кодови блока последователно
# Всеки блок има достъп до променливите от предишните
Комбиниране с други инструменти
Най-полезната комбинация съчетава източник на данни със способността за тяхната обработка: File Search открива съответния пасаж във Вашите документи, Web Search довежда пазарни данни, а Code Interpreter сравнява двете в таблица или диаграма. Никой от тези инструменти не може да върши работата на другите.
response = client.responses.create(
model="gpt-5.6-terra",
input="Search the web for French GDP data from the last 10 years, "
"then create a trend chart with a linear regression.",
tools=[
{"type": "web_search"},
{"type": "code_interpreter", "container": {"type": "auto"}}
]
)
Шаблон: Пълен анализен конвейер
Последният пример свързва всичко гореизложено в реалистичен случай: входен файл, многоетапен анализ и изходни резултати. Съсредоточете се особено върху формата на подканата (prompt) – номерирана, с изрични указания за очаквания изход – защото тя, далеч повече от придружаващия Python код, определя качеството на резултата.
def analyze_data(file_path: str, questions: list[str]) -> dict:
"""Data analysis pipeline with Code Interpreter."""
# Качване
with open(file_path, "rb") as f:
file_obj = client.files.create(file=f, purpose="user_data")
results = {}
for question in questions:
response = client.responses.create(
model="gpt-5.6-terra",
input=[
{
"role": "user",
"content": [
{"type": "input_text", "text": question},
{"type": "input_file", "file_id": file_obj.id}
]
}
],
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}],
instructions="Write clean, commented Python code. "
"Display intermediate results."
)
results[question] = response.output_text
return results
# Използване
results = analyze_data("sales.csv", [
"Give descriptive statistics for each numeric column",
"What are the top 5 best-selling products?",
"Is there seasonality in sales?"
])
Ключови изводи
- Code Interpreter изпълнява Python в изолиран контейнер; параметърът
containerе задължителен ({"type": "auto"}или ID) - Файловете, предоставени като
input_file, се копират автоматично в контейнера - Генерираните файлове се цитират като
container_file_citationи се изтеглят чрезclient.containers.files.content.retrieve - Контейнерът изтича след 20 минути неактивност: изтеглете това, което искате да запазите
- Комбинирайте с Web Search и File Search за обогатен анализ