Премини към основното съдържание
Български— Изберете език
Меню

Работни потоци с данни чрез Code Interpreter

Урок 14 от 20 Обновен 2 ноември 2026 г. Програмист
На тази страница
  1. Работни потоци с данни чрез Code Interpreter
  2. Работен поток 1: Автоматизиран финансов отчет
  3. Работен поток 2: Когортен анализ
  4. Работен поток 3: Оценяване и сегментация
  5. Работен поток 4: Прогнозиране и тенденции
  6. Оркестриране на многостъпков работен поток
  7. Ключови изводи

Урокът е актуализиран на 2 ноември 2026 г. въз основа на документацията на OpenAI: инструментът Code Interpreter изисква параметър container (добавен към всички примери), текстовите части на входа са от тип input_text, а уеб търсенето използва инструмента web_search (web_search_preview вече е остарял инструмент без филтри за домейни). Генерираните файлове се извличат чрез функциите fichiers_generes и telecharger от Урок 10. Файловете, прикачени към съобщението, се качват с цел user_data, което OpenAI препоръчва за входни данни на модела (File inputs). Източници: Code Interpreter · Уеб търсене.

Работни потоци с данни чрез Code Interpreter

Предишните уроци разглеждаха отделни задачи една по една. Реалният анализ ги свързва във верига: импортирате, почиствате, изчислявате, визуализирате и експортирате. Именно веригата – а не всяка изолирана стъпка – отнема време, когато се изпълнява ръчно.

Четирите работни потока по-долу са реални случаи, умишлено разнообразни: периодично отчитане, поведенчески анализ във времето, сегментация и прогнозиране. Прочетете ги по-малко заради кода и повече заради структурата на подканата – номерирана, с ясни очаквания за крайните резултати и точна относно формата. Тази структура превръща неясна заявка в действащ доклад и можете да я приложите директно към собствените си данни.

Работен поток 1: Автоматизиран финансов отчет

Периодичното отчитане е най-подходящият кандидат за автоматизация по проста причина: файловете се променят, но структурата на отчета остава същата. След като напишете и валидирате подканата за един месец, тя работи за следващите единадесет. Обърнете внимание на крайната инструкция, която изисква Excel експорт за всеки раздел. Това прави резултата директно споделим, вместо да Ви оставя с текст, който трябва да бъде преформатиран.

from openai import OpenAI

client = OpenAI()

# Качване на изходните файлове
files = {}
for name in ["revenus_2025.xlsx", "depenses_2025.xlsx", "budget_previsionnel.xlsx"]:
    with open(name, "rb") as f:
        file_obj = client.files.create(file=f, purpose="user_data")
        files[name] = file_obj.id

content = [
    {"type": "input_text", "text": (
        "Генерирайте пълен финансов отчет от тези 3 файла: "
        "1. ОБОБЩЕНИЕ: Общи приходи, брутна марж, нетна печалба "
        "2. МЕСЕЧЕН АНАЛИЗ: Еволюция месец спрямо месец с вариации "
        "3. ОТКЛОНЕНИЯ ОТ БЮДЖЕТА: Сравнение фактически срещу прогнозни, значими отклонения "
        "4. ГРАФИКИ: "
        "   - Еволюция на приходите и разходите (двойна ос) "
        "   - Водопад на отклоненията от бюджета "
        "   - Разбивка на разходите по категория "
        "5. ЕКСПОРТ: Excel файл с един раздел за всяка секция"
    )}
]
for fid in files.values():
    content.append({"type": "input_file", "file_id": fid})

response = client.responses.create(
    model="gpt-5.6-terra",
    input=[{"role": "user", "content": content}],
    tools=[{"type": "code_interpreter", "container": {"type": "auto"}}],
    instructions=(
        "Изгответе професионален отчет. "
        "Показвайте числата с разделители за хилядите. "
        "Използвайте европейски формат (десетична запетая). "
        "Коментирайте всяко значимо отклонение (> 5%)."
    )
)

# Извличане на всички генерирани файлове
for ann in fichiers_generes(response):
    telecharger(client, ann, f"sortie_{ann.filename}")
    print(f"Генерирано: {ann.filename}")

Работен поток 2: Когортен анализ

Когортният анализ проследява групи, формирани на една и съща дата на влизане, във времето. Малко екипи извършват това изчисление редовно, защото настройката му е досадна. Точно затова си струва да го делегирате: логиката е стандартна; променят се само данните.

with open("utilisateurs.csv", "rb") as f:
    file_obj = client.files.create(file=f, purpose="user_data")

response = client.responses.create(
    model="gpt-5.6-terra",
    input=[{
        "role": "user",
        "content": [
            {"type": "input_text", "text": (
                "Извършете когортен анализ върху тези потребителски данни: "
                "1. Дефинирайте кохорти по месец на регистрация "
                "2. Изчислете нивото на задържане за всяка кохорта (месец 1, 2, ..., 12) "
                "3. Създайте топлинна карта на задържането "
                "4. Идентифицирайте кохортата с най-добро задържане "
                "5. Оценете LTV за всяка кохорта "
                "6. Експортирайте таблицата за задържане като CSV"
            )},
            {"type": "input_file", "file_id": file_obj.id}
        ]
    }],
    tools=[{"type": "code_interpreter", "container": {"type": "auto"}}],
    instructions=(
        "Показвайте кода стъпка по стъпка. "
        "Дисплеирайте междинните резултати. "
        "За топлинната карта използвайте зелена палитра (тъмно = добро, светло = ниско). "
        "Анотирайте всяка клетка с процента."
    )
)

Работен поток 3: Оценяване и сегментация

Тук моделът не просто описва данните; той изгражда оценка и формира групи. Това изисква предпазливост: винаги искайте метода в допълнение към резултата. Сегмент като „клиенти в риск“ без критериите, които са го породили, е неизползваем: никой не може да го оспори, възпроизведе или коригира.

def segmenter_clients(file_path: str) -> dict:
    """Сегментира клиенти, използвайки RFM и клъстериране."""
    with open(file_path, "rb") as f:
        file_obj = client.files.create(file=f, purpose="user_data")

    response = client.responses.create(
        model="gpt-5.6-terra",
        input=[{
            "role": "user",
            "content": [
                {"type": "input_text", "text": (
                    "Извършете RFM сегментация на клиентите: "
                    "1. Изчислете Recency, Frequency, Monetary за всеки клиент "
                    "2. Присвоете RFM оценка от 1 до 5 за всяко измерение "
                    "3. Създайте сегменти: Шампиони, Лоялни, В риск, Изгубени "
                    "4. Приложете K-Means (k=4 до 8, изберете най-доброто k чрез метода на лакътя) "
                    "5. Визуализирайте сегментите в 2D (PCA или t-SNE) "
                    "6. Профилирайте всеки сегмент: размер, средни приходи, честота "
                    "7. Експорт: CSV със сегмент за всеки клиент + отчет във формат PDF"
                )},
                {"type": "input_file", "file_id": file_obj.id}
            ]
        }],
        tools=[{"type": "code_interpreter", "container": {"type": "auto"}}],
        instructions=(
            "Използвайте sklearn за клъстериране. "
            "Нормализирайте променливите преди клъстерирането. "
            "Покажете графиката на лакътя, за да обосновете избора на k. "
            "Създайте радарна диаграма за всеки сегмент."
        )
    )

    output_files = []
    for ann in fichiers_generes(response):
        telecharger(client, ann, ann.filename)
        output_files.append(ann.filename)

    return {
        "analysis": response.output_text,
        "files": output_files
    }

Работен поток 4: Прогнозиране и тенденции

Прогнозирането е работният поток, при който предпазливостта е от най-голямо значение. Контейнерът може да изпълни регресия или сезонна декомпозиция и ще го направи дори когато данните Ви не са подходящи – двадесет точки са достатъчни, за да се произведе перфектно представима крива, която е напълно безсмислена. Изисквайте доверителния интервал и предположенията на модела: това е, което отличава една проекция от една екстраполация.

response = client.responses.create(
    model="gpt-5.6-terra",
    input=[{
        "role": "user",
        "content": [
            {"type": "input_text", "text": (
                "Въз основа на тези месечни данни за продажбите: "
                "1. Декомпозирайте времевия ред (тренд, сезонност, остатък) "
                "2. Приложете експоненциално изглаждане (Holt-Winters) "
                "3. Прогнозирайте следващите 6 месеца с 95% доверителен интервал "
                "4. Сравнете с проста линейна регресия "
                "5. Генерирайте графика с история + прогнози "
                "6. Изчислете метрики за грешка (MAE, RMSE, MAPE)"
            )},
            {"type": "input_file", "file_id": file_obj.id}
        ]
    }],
    tools=[{"type": "code_interpreter", "container": {"type": "auto"}}],
    instructions=(
        "Използвайте statsmodels за декомпозиция и прогнозиране. "
        "Оцветете доверителния интервал в прозрачно синьо. "
        "Ясно маркирайте разделянето между история и прогнози."
    )
)

Оркестриране на многостъпков работен поток

Отвъд определен мащаб една единствена подкана достига своите граници: анализът се отклонява, междинна инструкция се забравя и губите представа на коя стъпка се намирате. Разбиването на процеса на последователни извиквания, всички работещи в един и същ контейнер, където файловете от предишната стъпка остават налични, възстановява това, което сте загубили – контролна точка след всяка стъпка и способността да възобновите от грешната стъпка, вместо да рестартирате всичко.

class WorkflowData:
    def __init__(self):
        self.client = OpenAI()
        # Явен контейнер: произведените файлове остават налични от една стъпка към следващата
        self.container = self.client.containers.create(name="workflow-data")
        self.intermediate_files = []

    def step(self, instruction: str, file_ids: list[str] | None = None) -> str:
        """Изпълнява стъпка от работния поток в споделения контейнер."""
        content = [{"type": "input_text", "text": instruction}]
        for fid in file_ids or []:
            content.append({"type": "input_file", "file_id": fid})

        response = self.client.responses.create(
            model="gpt-5.6-terra",
            input=[{"role": "user", "content": content}],
            tools=[{"type": "code_interpreter", "container": self.container.id}],
        )

        # Запомняне на генерираните файлове за изтегляне в края
        self.intermediate_files.extend(fichiers_generes(response))
        return response.output_text

    def download_results(self, output_folder: str):
        """Изтегля генерираните файлове преди изтичането на контейнера."""
        import os
        os.makedirs(output_folder, exist_ok=True)
        for ann in self.intermediate_files:
            telecharger(self.client, ann, os.path.join(output_folder, ann.filename))

# Употреба
wf = WorkflowData()

# Стъпка 1: Импортиране и почистване
with open("donnees_brutes.csv", "rb") as f:
    file_obj = client.files.create(file=f, purpose="user_data")

wf.step(
    "Почистете този CSV: премахнете дубликатите, обработете липсващите стойности, "
    "нормализирайте типовете. Експортирайте резултата.",
    [file_obj.id]
)

# Стъпка 2: Анализ
wf.step("Изчислете ключовите KPI и идентифицирайте тенденциите.")

# Стъпка 3: Визуализация
wf.step("Създайте 4 ключови графики за ръководен отчет.")

# Стъпка 4: Експорт
wf.step("Компилирайте всичко в Excel файл с раздели и вградени графики.")

wf.download_results("./sortie_workflow/")

Ключови изводи

  • Разбивайте сложните работни потоци на стъпки с предаване на файлове
  • Използвайте подробни инструкции за всяка стъпка
  • Моделът естествено обработва статистически анализ и основно машинно обучение
  • Систематично извличайте междинните файлове за проследимост
  • Комбинирайте анализа на данни и визуализацията в едно извикване за пълни отчети