Премини към основното съдържание
Български— Изберете език
Меню

Структурирани изходи и изпълнение на код

Урок 9 от 12 Обновен 2 ноември 2026 г. Програмист
На тази страница
  1. Изпълнение на код и структуриране на резултатите
  2. Функция за Grok 4 и по-нови версии
  3. Типичен случай на употреба: Прецизни изчисления
  4. Пример: Статистически анализ
  5. Комбиниране на уеб търсене и изпълнение на код
  6. Ограничения на изпълнението на код
  7. Ключови изводи

Обновено на 2 ноември 2026 г. Въз основа на документацията на xAI: при използване на xai-sdk, структурираните изходи се комбинират с инструменти чрез създаване на разговора (client.chat.create(..., tools=[code_execution()])), последвано от извикване на chat.parse(Schema), което връща отговора и типизирания обект; предишният пример използваше client.chat.parse(...) с аргументи за Chat Completions – метод, който не съществува в никой SDK. Източници: Structured Outputs · Code Execution.

Изпълнение на код и структуриране на резултатите

Комбинирането на структурирани изходи с изпълнение на код позволява на модела да изчислява резултати и да ги връща в структуриран формат. Моделът пише код, изпълнява го в изолирана среда (sandbox) и форматира изхода според вашата схема.

Функция за Grok 4 и по-нови версии

Подобно на уеб търсенето, тази комбинация е запазена за моделите Grok 4 и по-нови – което означава цялата текуща гама (Grok 4.5, Grok 4.3, варианти на grok-4.20). По-старите модели не поддържаха комбинирането на инструменти със структурирани изходи.

Типичен случай на употреба: Прецизни изчисления

Основното предимство на изпълнението на код със структурирани изходи е прецизността на изчисленията. Големите езикови модели (LLM) често правят аритметични грешки. Чрез изпълнение на код резултатите стават математически точни.

from pydantic import BaseModel
from xai_sdk import Client
from xai_sdk.chat import user
from xai_sdk.tools import code_execution

client = Client()  # ключът се чете от XAI_API_KEY

class FinancialAnalysis(BaseModel):
    total_revenue: float
    total_cost: float
    gross_margin: float
    margin_percentage: float
    most_profitable_product: str
    least_profitable_product: str

chat = client.chat.create(
    model="grok-4.20-0309-reasoning",
    tools=[code_execution()],
)
chat.append(user("""Ето тримесечните продажби:
- Продукт A: 150 броя по 45 €, единична цена 28 €
- Продукт B: 320 броя по 22 €, единична цена 15 €
- Продукт C: 85 броя по 120 €, единична цена 78 €

Изчислете пълния финансов анализ."""))

response, parsed = chat.parse(FinancialAnalysis)

print(f"Брутна печалба: {parsed.gross_margin} €")
print(f"Марж: {parsed.margin_percentage}%")
print(f"Най-добър продукт: {parsed.most_profitable_product}")

Моделът ще напише Python скрипт за извършване на изчисленията, ще го изпълни и след това ще форматира резултатите в схемата FinancialAnalysis.

Пример: Статистически анализ

class DescriptiveStatistics(BaseModel):
    mean: float
    median: float
    std_dev: float
    minimum: float
    maximum: float
    quartile_1: float
    quartile_3: float
    value_count: int

chat = client.chat.create(
    model="grok-4.20-0309-reasoning",
    tools=[code_execution()],
)
chat.append(user("""Изчислете описателната статистика за следните данни:
[23, 45, 12, 67, 34, 89, 56, 78, 41, 33, 61, 25,
 72, 48, 55, 39, 64, 71, 28, 50]"""))

response, parsed = chat.parse(DescriptiveStatistics)

print(f"Средна стойност: {parsed.mean}")
print(f"Стандартно отклонение: {parsed.std_dev}")

Комбиниране на уеб търсене и изпълнение на код

Можете да активирате двата инструмента едновременно:

class MarketAnalysis(BaseModel):
    company: str
    current_price: float
    change_30d: float
    avg_volume: float
    trend: str
    recommendation: str

from xai_sdk.tools import web_search

chat = client.chat.create(
    model="grok-4.20-0309-reasoning",
    tools=[web_search(), code_execution()],
)
chat.append(user("Анализирай акциите на Apple през последните 30 дни"))

response, parsed = chat.parse(MarketAnalysis)

Моделът ще извлече скорошни данни от уеб мрежата, след което ще използва изпълнение на код, за да изчисли промените и средните стойности.

Ограничения на изпълнението на код

  • Средата за изпълнение е изолирана и ефемерна
  • Често срещани Python пакети са предварително инсталирани (NumPy, Pandas, Matplotlib, SciPy)
  • Времето за изпълнение и паметта са ограничени
  • Няма достъп до мрежата от изпълнявания код
  • Създадените файлове не се запазват между отделните извиквания

Ключови изводи

  • Изпълнението на код плюс структурирани изходи изисква поне Grok 4 – цялата текуща гама е съвместима
  • Моделът пише и изпълнява код за прецизни изчисления
  • Активирайте инструмента с code_execution() в xAI SDK или {"type": "code_interpreter"} в Responses API, след което вземете типизирания обект с chat.parse(Schema)
  • Може да се комбинира с web_search за търсене и последващо изчисление
  • Идеално за финансов, статистически и математически анализ
  • Изчислените резултати са точни, за разлика от оценките на LLM