Премини към основното съдържание
Български— Изберете език
Меню

Code Interpreter: Изпълняване на код чрез API

Урок 10 от 20 Обновен 2 ноември 2026 г. Програмист
На тази страница
  1. Code Interpreter: Изпълняване на код чрез API
  2. Активиране на Code Interpreter
  3. Преглед на изпълнения код
  4. Предоставяне на файлове като входни данни
  5. Извличане на генерирани файлове
  6. Контейнер и среда
  7. Верижно изпълнение на множество операции
  8. Комбиниране с други инструменти
  9. Шаблон: Пълен анализен конвейер
  10. Ключови изводи

Обновено на 2 ноември 2026 г. въз основа на официалното ръководство за Code Interpreter и SDK openai: инструментът изисква параметър container (липсващ във всички предишни примери, което би довело до грешка), генерираните файлове се появяват в анотации от тип container_file_citation и се изтеглят чрез Containers API (а не чрез client.files.content), а изходните данни от извикването се наричат outputs (а не results). Текстовите части на входа използват типа input_text. Файловете, прикачени към съобщение, се качват с цел user_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 чрез client.containers.create(...), принуждава използването на конкретен контейнер;
  • паметта се задава с memory_limit: 1g (по подразбиране), 4g, 16g или 64g, 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 container е задължителен ({"type": "auto"} или ID)
  • Файловете, предоставени като input_file, се копират автоматично в контейнера
  • Генерираните файлове се цитират като container_file_citation и се изтеглят чрез client.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