Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Režim pro vývojáře: Pokročilá kontrola

Lekce 4 z 16 Aktualizováno 3. listopadu 2026 Vývojář
Na této stránce
  1. Režim pro vývojáře: Pokročilá kontrola
  2. Přístup k režimu pro vývojáře
  3. Panely v Playgroundu
  4. Robustní pracovní postup vývoje
  5. Porovnání modelů
  6. Ladění pomocí metadat
  7. Úkoly k provedení v Playgroundu
  8. Klíčové poznatky

Lekce aktualizována 3. listopadu 2026 na základě dokumentace OpenAI: parametry temperature a top_p jsou přijímány pouze při úsilí o uvažování (reasoning effort) nastaveném na none, zatímco modely řady GPT-5.6 ve výchozím nastavení uvažují (medium). Volání, která tyto parametry nastavují, musí proto specifikovat reasoning={"effort": "none"} (Responses API) nebo reasoning_effort="none" (Chat Completions). Zdroje: Using GPT-6 · GPT-5.6 Terra.

Režim pro vývojáře: Pokročilá kontrola

Režim pro vývojáře od OpenAI je pokročilé prostředí v rámci Playgroundu, které ti umožňuje testovat, iterovat a ladit tvé prompty s granularní kontrolou nad každým parametrem API. Plní přesně stejnou roli jako REPL v projektu Pythonu: je to místo, kde můžeš rychle experimentovat, dělat chyby bez následků a nakonec vytvořit něco hodného nasazení. Je to nástroj, který promění prompt z konceptu na produkční komponentu.

Přístup k režimu pro vývojáře

K Playgroundu OpenAI se dostaneš na adrese platform.openai.com. Režim pro vývojáře zpřístupňuje každý parametr, který později použiješ v API: model, systémový prompt, teplotu, top_p, maximální počet tokenů, formát výstupu a nástroje. Hodnota této přísné shody spočívá v tom, že není nutný žádný mentální překlad mezi rozhraním a tvým kódem – nastavení, které upravíš v panelu, se stane pojmenovaným argumentem ve volání API pod stejným názvem.

# To, co otestuješ v Playgroundu, se přímo
# převede do kódu pro API:
from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.6-sol",
    reasoning={"effort": "none"},  # temperature vyžaduje effort none
    instructions="Jsi asistent pro kontrolu kódu v Pythonu. "
                 "Upřednostňuj označování bezpečnostních problémů.",
    input="Zkontroluj tento kód: subprocess.call(user_input, shell=True)",
    temperature=0.2,
    max_output_tokens=1000
)

Panely v Playgroundu

Panel System (Systém) je místem, kde koncipuješ a vylepšuješ svůj systémový prompt. Playground uchovává historii tvých změn, což poskytuje lehké verzování během fáze průzkumu, než se prompt přesune do tvého Git repozitáře a vstoupí do standardního cyklu recenzí.

Panel konverzace ti umožňuje stresově testovat výměny v rámci více kol. Zde se často odhalí neviditelná chyba izolovaného volání: drift konverzace. Po dlouhých výměnách má model tendenci „zapomínat“ instrukce ze systémového promptu. Proto své testy protáhni přes deset zpráv, než usoudíš, že tvůj prompt obstojí. Asistent, který správně odmítne otázku mimo téma v prvním kole, ji může velmi dobře zodpovědět ve dvanáctém kole, jakmile je kontext přesycen.

Nakonec panel parametrů zpřístupňuje všechna nastavení generování:

  • Model: GPT-5.6 Sol, GPT-5.6 Terra, GPT-5.6 Luna (s nastavením uvažování od none po max)
  • Temperature, Top P a Max output tokens
  • Response format (Formát odpovědi): volný text, objekt JSON, schéma JSON
  • Tools (Nástroje): funkce, interpret kódu, vyhledávání v souborech

Poslední dvě nastavení mají často nejvíce překvapivé účinky. Přepnutí formátu odpovědi z volného textu na schéma JSON radikálně mění povahu výstupu: již nedostáváš text k parsování, ale strukturu, na kterou se může spolehnout tvůj kód. To přesouvá významnou část spolehlivosti z promptu na API. Naopak povolení nástroje autorizuje model vystoupit mimo své kontextové okno za účelem získání informací nebo spuštění kódu, čímž transformuje konverzačního asistenta na komponentu schopnou akce. Tato přepnutí si v Playgroundu nejprve otestuj, než je integruješ; jejich chování je snazší pochopit, když ho vidíš na vlastní oči, než když o něm jen čteš.

Robustní pracovní postup vývoje

Začni prototypováním s nejschopnějším modelem, GPT-5.6 Sol, aniž by ses v této fázi staral o náklady. Cílem je validovat chování. Pokud začneš s menším modelem, nepoznáš, zda selhání pramení z tvého promptu, nebo z omezení modelu – mohl bys strávit hodiny přepisováním promptu, který byl v pořádku.

Dále iteruj na hraničních případech. Měj po ruce seznam rodin požadavků, které systematicky znovu spustíš po každé úpravě promptu.

# Hraniční případy k systematickému testování:
test_cases = [
    "Běžný požadavek v rámci domény",
    "Požadavek mimo doménu (musí zdvořile odmítnout)",
    "Nejasný požadavek (musí požádat o upřesnění)",
    "Vstříknutí promptu (musí ignorovat)",
    "Velmi dlouhý požadavek s rozsáhlým kontextem",
    "Požadavek v jiném jazyce",
    "Požadavek s citlivými daty",
]

Když jsi s chováním spokojen, exportuj kód: Playground vygeneruje kód odpovídající tvé konfiguraci, který můžeš přímo zkopírovat do své aplikace. Zde se často vynechává jeden krok: downgrade modelu. Jakmile je prompt stabilní s GPT-5.6 Sol, znovu jej spusť na GPT-5.6 Terra a poté na GPT-5.6 Luna, abys snížil náklady. Očekávej, že budeš muset provést úpravy: menší modely vyžadují explicitnější instrukce, zatímco nejschopnější model odvodí tvůj záměr i z napůl vyslovených náznaků.

Porovnání modelů

from openai import OpenAI

client = OpenAI()

models = ["gpt-5.6-sol", "gpt-5.6-terra", "gpt-5.6-luna"]
prompt = "Vysvětli vzor Observer v Pythonu s příkladem."
system = "Jsi instruktor Pythonu. Odpovídej anglicky, včetně kódu."

for model in models:
    response = client.responses.create(
        model=model,
        reasoning={"effort": "none"},  # temperature vyžaduje effort none
        instructions=system,
        input=prompt,
        temperature=0.3
    )
    print(f"\n{'='*60}")
    print(f"Model: {model}")
    print(f"{'='*60}")
    print(response.output_text[:500])

Ladění pomocí metadat

Každá odpověď API nese cenná metadata. Playground je zobrazuje, ale měl bys je také logovat v produkci, kde často představují jedinou akční stopu, kterou máš po události k dispozici.

response = client.responses.create(
    model="gpt-5.6-terra",
    instructions="Odpovídej v JSON.",
    input="Vypiš 3 populární programovací jazyky."
)

print(f"Použité tokeny (vstup)  : {response.usage.input_tokens}")
print(f"Použité tokeny (výstup) : {response.usage.output_tokens}")
print(f"Efektivní model         : {response.model}")

Počet vstupních tokenů okamžitě odhalí systémový prompt, který se postupnými dodatky stal nafouklým, přičemž každý z nich byl izolovaně vzato rozumný. Počet výstupních tokenů odhaluje příliš upovídané odpovědi, které zbytečně navyšují účet, aniž by uživateli přinášely hodnotu. Co se týče efektivního modelu vráceného API, ušetří ti hodiny hledání příčiny regrese, která ve skutečnosti pramení ze špatně propagovaného ID modelu v tvé konfiguraci.

Úkoly k provedení v Playgroundu

Otevři Playground a vytvoř systémový prompt pro asistenta, který převádí technický žargon do srozumitelného jazyka. Otestuj ho stresovým testem s pěti požadavky různé povahy, exportuj vygenerovaný kód a poté jej spusť v Pythonu, abys potvrdil, že chování přežije opuštění rozhraní. Nakonec porovnej GPT-5.6 Sol a GPT-5.6 Luna na stejných vstupech: mezera, kterou pozoruješ, ti přesně ukáže, které instrukce tvůj prompt stále nechává implicitní.

Klíčové poznatky

  • Playground je tvé prostředí pro rychlé prototypování
  • Před nasazením do produkce vždy testuj hraniční případy
  • Exportuj kód z Playgroundu do své aplikace
  • Začni s nejschopnějším modelem a poté proveď downgrade
  • Metadata odpovědi jsou nezbytná pro optimalizaci