Praktické případy použití
Na této stránce
Spouštění kódu v produkci
Tato závěrečná lekce pokrývá praktické případy použití spouštění kódu, abys získal jasnou představu o tom, co můžeš vytvořit. Každý příklad ilustruje aplikační oblast spolu s odpovídajícím promptem a logikou.
Finanční analýza
Optimalizace portfolia
Spouštění kódu je obzvláště vhodné pro finanční modelování. Sandbox zahrnuje knihovny NumPy a SciPy, které zvládají potřebné optimalizační výpočty:
input_text = """
Portfolio of 5 assets with the following monthly returns (12 months):
Asset A: [2.1, -0.5, 1.8, 3.2, -1.1, 2.5, 0.8, 1.2, -0.3, 2.8, 1.5, 0.9]
Asset B: [1.5, 0.2, 2.1, 1.8, 0.5, 1.2, 2.3, -0.1, 1.6, 0.8, 1.9, 2.2]
Asset C: [-0.3, 3.5, -1.2, 4.1, -0.8, 2.9, -0.5, 3.2, -1.0, 3.8, -0.2, 2.7]
Asset D: [0.8, 0.9, 0.7, 1.1, 0.6, 0.8, 1.0, 0.5, 0.9, 0.7, 1.2, 0.8]
Asset E: [3.5, -2.1, 4.2, -1.5, 3.8, -0.9, 2.7, -1.8, 3.1, -0.5, 4.5, -1.2]
Calculate:
1. The correlation matrix between assets
2. The minimum variance portfolio
3. The optimal portfolio (maximum Sharpe ratio, risk-free rate = 4% annual)
4. The efficient frontier (10 points)
Present allocations as percentages.
"""
Model napíše kód využívající NumPy pro korelační matici a SciPy pro optimalizaci s omezeními.
Sharpeův poměr a ukazatele rizika
input_text = """
Daily returns of a fund over 20 days:
[0.12, -0.05, 0.08, 0.15, -0.03, 0.22, -0.11, 0.06, 0.09, -0.07,
0.14, 0.03, -0.08, 0.18, 0.01, -0.04, 0.11, 0.07, -0.02, 0.13]
Calculate the Sharpe ratio, Sortino ratio, Value at Risk (95%),
and maximum drawdown. Annual risk-free rate = 4%.
"""
Statistická analýza
Testování hypotéz
SciPy ti umožňuje provádět rigorózní statistické testy:
input_text = """
Group A (treatment): [85, 88, 91, 87, 93, 89, 86, 92, 90, 88]
Group B (control): [78, 82, 80, 85, 79, 83, 81, 77, 84, 80]
Perform a Student's t-test to determine if the difference between
the two groups is statistically significant (alpha = 0.05).
Include hypotheses, test statistic, p-value, and conclusion.
"""
Regrese a predikce
input_text = """
Monthly sales data (in thousands of euros):
Month (x): [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12]
Sales (y): [45, 52, 48, 61, 55, 67, 72, 68, 75, 80, 78, 85]
1. Perform linear regression
2. Calculate R² and standard error
3. Predict sales for months 13, 14, 15
4. Test if the trend is significant
"""
Vědecké výpočty
Řešení diferenciálních rovnic
input_text = """
Solve the second-order differential equation:
y'' + 2y' + 5y = 0
Initial conditions: y(0) = 1, y'(0) = 0
Interval: t from 0 to 10
Plot the solution and identify the behavior (damped oscillation,
critical, overdamped).
"""
Simulace Monte Carlo
input_text = """
Monte Carlo simulation to estimate the probability that a project
is profitable.
Parameters (normal distributions):
- Monthly revenue: mean = €50,000, std dev = €10,000
- Monthly fixed costs: €30,000
- Variable costs: 15% to 25% of revenue (uniform)
- Project duration: 12 months
Run 10,000 simulations. Calculate the probability of profitability
and the net profit distribution. Present the 5th, 50th, and 95th percentiles.
"""
Zpracování a čištění dat
input_text = """
Raw data (CSV with common issues):
name,age,salary,city
Alice,32,45000,Paris
Bob,,52000,Lyon
Charlie,28,NA,Marseille
Diana,45,62000,paris
Eve,33,48000,LYON
Frank,-5,55000,Toulouse
Grace,29,999999,Bordeaux
1. Identify and handle missing values
2. Correct inconsistencies (negative age, outlier salary)
3. Normalize city names (consistent casing)
4. Calculate descriptive statistics on cleaned data
5. Document each transformation performed
"""
Kompletní architektura pracovního postupu
Pro produkční aplikace kombinuj nástroje ve strukturovaném pracovním postupu:
- Webové vyhledávání získává aktuální data (ceny, indikátory, zprávy)
- Spouštění kódu analyzuje získaná data (výpočty, statistiky, grafy)
- Tvá aplikace formátuje a prezentuje výsledky uživateli
Tento vzor platí pro mnoho oblastí: finance, konkurenční zpravodajství, analýza trhu, automatizované reportování.
Klíčové poznatky
- Spouštění kódu vyniká ve finanční analýze (Sharpe, optimalizace portfolia, VaR)
- Statistické testy a regrese jsou přirozeným případem použití se SciPy
- Simulace Monte Carlo fungují dobře v rámci limitů paměti sandboxu
- Čištění dat s Pandas je praktickým každodenním případem použití
- Kombinuj Webové vyhledávání + Spouštění kódu pro kompletní automatizované pracovní postupy
- Pro lepší výsledky poskytuj strukturovaná data a přesné instrukce
Ověř si své znalosti
Web, X, kód: serverové nástroje Grok v pěti kontrolách.
1. Jaké jsou dvě kategorie nástrojů Grok?
Odpověď: Integrované nástroje, které jsou spouštěny na straně serveru xAI (webové vyhledávání, vyhledávání na X, spouštění kódu), a tvé vlastní funkce, které jsou spouštěny tvým kódem – dva světy, které se kombinují.
2. Jak funguje tok provádění integrovaného nástroje?
Odpověď: V pěti krocích na straně serveru: model se rozhodne, nástroj se provede u xAI, výsledky se vrátí modelu, který odpoví – ty obdržíš konečnou odpověď se stopami a citacemi.
3. Co umožňují filtry Webového vyhledávání a Vyhledávání na X?
Odpověď: Vymezení zdrojů: povolené domény na webu, účty a data na X – čerstvost a spolehlivost jsou kontrolovány a citace dokumentují každou odpověď.
4. Co umí Spouštění kódu?
Odpověď: Spouštět Python v sandboxu – dostupné běžné knihovny, přísná bezpečnostní omezení: výpočty, transformace a ověření jsou delegovány na přesný kód.
5. Co bys měl sledovat ohledně nákladů?
Odpověď: Každé vyvolání nástroje je zpoplatněno navíc k tokenům: cíl vyhledávání, omez hloubku a aktivuj pouze nástroje užitečné pro daný požadavek.
Serverové kapacity připravené hned k použití, kontrolované tvými filtry a rozpočtem: integrované nástroje dělají z Grok agenta – ty zůstáváš režisérem.