Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Strukturované výstupy a spouštění kódu

Lekce 9 z 12 Aktualizováno 2. listopadu 2026 Vývojář
Na této stránce
  1. Spouštění kódu a strukturování výsledků
  2. Funkce pro Grok 4 a novější
  3. Typické použití: Přesné výpočty
  4. Příklad: Statistická analýza
  5. Kombinace vyhledávání na webu a spouštění kódu
  6. Omezení spouštění kódu
  7. Klíčové poznatky

Aktualizováno 2. listopadu 2026. Na základě dokumentace xAI: se sadou xai-sdk se strukturované výstupy kombinují s nástroji tak, že nejprve vytvoříš konverzaci (client.chat.create(..., tools=[code_execution()])) a následně zavoláš chat.parse(Schema), což vrátí odpověď i typovaný objekt. Předchozí příklad volal client.chat.parse(...) s argumenty pro Chat Completions, což je metoda, která v žádném SDK neexistuje. Zdroje: Strukturované výstupy · Spouštění kódu.

Spouštění kódu a strukturování výsledků

Kombinace strukturovaných výstupů se spouštěním kódu umožňuje modelu vypočítat výsledky a vrátit je ve strukturovaném formátu. Model napíše kód, spustí jej v izolovaném prostředí (sandbox) a naformátuje výstup podle tvého schématu.

Funkce pro Grok 4 a novější

Stejně jako vyhledávání na webu je tato kombinace vyhrazena pro modely Grok 4 a novější – což zahrnuje celou současnou nabídku (Grok 4.5, Grok 4.3, varianty grok-4.20). Starší modely nepodporovaly kombinaci nástrojů se strukturovanými výstupy.

Typické použití: Přesné výpočty

Hlavní výhodou spouštění kódu se strukturovanými výstupy je přesnost výpočtů. Jazykové modely (LLM) se při aritmetice často pletou. Díky spuštění kódu jsou výsledky matematicky přesné.

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

client = Client()  # klíč načten z 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("""Here are the quarterly sales:
- Product A: 150 units at €45, unit cost €28
- Product B: 320 units at €22, unit cost €15
- Product C: 85 units at €120, unit cost €78

Calculate the complete financial analysis."""))

response, parsed = chat.parse(FinancialAnalysis)

print(f"Gross margin: €{parsed.gross_margin}")
print(f"Margin: {parsed.margin_percentage}%")
print(f"Best product: {parsed.most_profitable_product}")

Model napíše skript v Pythonu, který provede výpočty, spustí jej a následně naformátuje výsledky do schématu FinancialAnalysis.

Příklad: Statistická analýza

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("""Calculate the descriptive statistics for this data:
[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"Mean: {parsed.mean}")
print(f"Std dev: {parsed.std_dev}")

Kombinace vyhledávání na webu a spouštění kódu

Oba nástroje můžeš povolit současně:

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("Analyze Apple stock over the last 30 days"))

response, parsed = chat.parse(MarketAnalysis)

Model nejprve získá aktuální data z webu a poté využije spouštění kódu k výpočtu změn a průměrů.

Omezení spouštění kódu

  • Prostředí pro spuštění je izolované a dočasné (efemérní).
  • Běžné balíčky Pythonu jsou předinstalovány (NumPy, Pandas, Matplotlib, SciPy).
  • Doba běhu a využití paměti jsou omezené.
  • Spuštěný kód nemá přístup k síti.
  • Soubory vytvořené během běhu mezi jednotlivými voláními nepřežívají.

Klíčové poznatky

  • Spouštění kódu se strukturovanými výstupy vyžaduje minimálně Grok 4 – kompatibilní je celá současná řada modelů.
  • Model píše a spouští kód za účelem přesných výpočtů.
  • Nástroj povolíš pomocí code_execution() v xAI SDK, nebo {"type": "code_interpreter"} v Responses API, a typovaný objekt získáš voláním chat.parse(Schema).
  • Lze kombinovat s web_search pro vyhledání dat a následný výpočet.
  • Ideální pro finanční, statistickou a matematickou analýzu.
  • Vypočítané výsledky jsou přesné, na rozdíl od odhadů jazykových modelů.