Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Praktické limity a osvědčené postupy

Lekce 15 z 16 Aktualizováno 30. července 2026 Vývojář
Na této stránce
  1. Jak vytěžit z provádění kódu maximum
  2. Výběr modelu
  3. Nastavení teploty
  4. Strukturování promptů
  5. Zpracování chyb
  6. Ověřování výsledků
  7. Kombinace provádění kódu s webovým vyhledáváním
  8. Klíčové poznatky

Jak vytěžit z provádění kódu maximum

Nyní, když znáš technická omezení sandboxu, se tato lekce zaměřuje na osvědčené postupy pro dosažení spolehlivých výsledků a optimalizované využití nástroje Code Execution. Tato doporučení vycházejí z provozního nasazení a pokynů společnosti xAI.

Výběr modelu

Společnost xAI doporučuje pro generování kódu používat model grok-4.20-0309-reasoning. Tento model generuje strukturovanější kód s lepším komentováním a menším množstvím chyb než modely bez režimu uvažování. Rozdíl je obzvláště patrný u složitých problémů vyžadujících vícekrokové uvažování.

Nastavení teploty

Pro matematické výpočty a analýzu dat používej nízké hodnoty teploty:

response = client.responses.create(
    model="grok-4.20-0309-reasoning",
    input="Calculate the weighted standard deviation of these values: ...",
    tools=[client.tools.code_execution()],
    temperature=0.1
)
  • 0,0 až 0,1: čistě matematické výpočty, deterministické výsledky
  • 0,1 až 0,3: analýza dat s interpretací
  • 0,3 až 0,7: kreativní generování kódu (pro kritické výpočty nepoužívej)

Vysoká teplota může při každém volání generovat odlišné algoritmické přístupy, což činí výsledky nereprodukovatelnými.

Strukturování promptů

Vložení dat přímo do promptu

Protože sandbox nemá přístup k síti, musíš jakákoli data určená k analýze vložit přímo do promptu:

data = """
Month,Sales,Costs
Jan,15000,8000
Feb,18000,9500
Mar,22000,11000
Apr,19000,10000
"""

response = client.responses.create(
    model="grok-4.20-0309-reasoning",
    input=f"Analyze this sales data and calculate monthly margins:\n{data}",
    tools=[client.tools.code_execution()],
    temperature=0.1
)

Specifikace očekávaného formátu výstupu

Model dosahuje lepších výsledků, pokud přesně specifikuješ, co očekáváš:

input_text = """
Data: [2.5, 3.1, 4.7, 2.8, 5.2, 3.9, 4.1]

Calculate:
1. The mean and median
2. The standard deviation
3. The coefficient of variation
4. Identify outliers (IQR method)

Present the results in a formatted table.
"""

Rozdělení složitých problémů

U analýz zahrnujících více kroků strukturovej svůj prompt sekvenčně:

input_text = """
Step 1: Load this portfolio return data
Step 2: Calculate the annualized return
Step 3: Calculate volatility (annualized standard deviation)
Step 4: Calculate the Sharpe ratio (risk-free rate = 4%)
Step 5: Present a summary with all indicators
"""

Zpracování chyb

Model může během provádění narazit na chyby. V takovém případě se obvykle pokusí svůj kód opravit a spustit jej znovu. To znamená, že:

  • Za jeden požadavek ti může být účtováno více volání
  • Konečný výsledek může dorazit s delším zpožděním
  • Ve vzácných případech se modelu nemusí podařit chybu opravit

Chybám předejdeš přesnými instrukcemi a poskytováním dat v přehledném, strukturovaném formátu (CSV, JSON, tabulky).

Ověřování výsledků

Nástroj Code Execution je mocný, ale není neomylný. U kritických výpočtů:

  • Ověř výsledky na známé podmnožině dat
  • Požádej model o vysvětlení jeho metodiky
  • Porovnej výsledky s těmi získanými jinými prostředky
  • Vyžádej si zdrojový kód pro případnou revizi

Model často zahrnuje spuštěný kód přímo do své odpovědi, což ti umožňuje ověřit logiku řešení.

Kombinace provádění kódu s webovým vyhledáváním

Pokročilým případem použití je kombinace obou nástrojů:

response = client.responses.create(
    model="grok-4.20-0309-reasoning",
    input="Find the current stock prices for Apple, Google, and Microsoft, then calculate their correlation over the last month",
    tools=[
        {"type": "web_search"},
        {"type": "code_interpreter"}
    ],
    temperature=0.1
)

Model využije Web Search k získání dat a následně Code Execution k jejich analýze. Tento pracovní postup plně automatizovaný.

Klíčové poznatky

  • Pro nejlepší kvalitu kódu používej model grok-4.20-0309-reasoning
  • Pro výpočty nastav nízkou teplotu (0,0–0,3), pro kreativní kód vyšší
  • Vkládej data přímo do promptu (sandbox nemá přístup k síti)
  • Strukturovej své požadavky: očekávaný formát, sekvenční kroky
  • Ověřuj kritické výsledky – model není neomylný
  • Kombinace Web Search + Code Execution představuje výkonný pracovní postup