Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Udviklertilstand: Avanceret styring

Lektion 4 af 16 Opdateret 3. november 2026 Udvikler
På denne side
  1. Udviklertilstand: Avanceret styring
  2. Adgang til Udviklertilstand
  3. Paneler i Playground
  4. En robust udviklingsworkflow
  5. Sammenligning af modeller
  6. Fejlfinding med metadata
  7. Handlingspunkter i Playground
  8. Vigtige pointer

Lektion opdateret 3. november 2026 baseret på OpenAI-dokumentation: temperature og top_p accepteres kun med en ræsonneringsindsats på none, hvorimod GPT-5.6-modeller ræsonnerer som standard (medium). Kald, der sætter disse parametre, skal derfor specificere reasoning={"effort": "none"} (Responses API) eller reasoning_effort="none" (Chat Completions). Kilder: Brug af GPT-6 · GPT-5.6 Terra.

Udviklertilstand: Avanceret styring

OpenAI’s Udviklertilstand er et avanceret miljø i Playground, der lader dig teste, iterere og fejlfinde dine prompts med granular kontrol over hver eneste API-parameter. Den spiller præcis samme rolle som en REPL i et Python-projekt: et sted til hurtigt at eksperimentere, lave fejl uden konsekvenser og ende med noget, der er værd at committe. Det er værktøjet, der forvandler en prompt fra et udkast til en produktionskomponent.

Adgang til Udviklertilstand

Du får adgang til OpenAI Playground på platform.openai.com. Udviklertilstanden eksponerer hver parameter, du senere vil bruge i API’et: model, system-prompt, temperature, top_p, maks. tokens, output-format og værktøjer. Værdien af denne strenge overensstemmelse er, at ingen mental oversættelse er nødvendig mellem grænsefladen og din kode – den indstilling, du justerer i et panel, bliver til et navngivet argument i API-kaldet under samme navn.

# Det, du tester i Playground, oversættes
# direkte til API-kode:
from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.6-sol",
    reasoning={"effort": "none"},  # temperature kræver effort none
    instructions="Du er en assistent til kodegennemgang af Python. "
                 "Prioriter at flagge sikkerhedsproblemer.",
    input="Gennemgå denne kode: subprocess.call(user_input, shell=True)",
    temperature=0.2,
    max_output_tokens=1000
)

Paneler i Playground

System-panelet er det sted, hvor du udkaster og forfiner din system-prompt. Playground gemmer en historik over dine ændringer, hvilket giver letvægts-versionering i den udforskende fase, før prompten rykker over i dit Git-repository og ind i en standard gennemgangscyklus.

Samtalepanelet lader dig stressteste udvekslinger over flere runder. Det er her, en usynlig fejl i et isoleret kald ofte afslører sig selv: samtaleglidning. Efter lange udvekslinger har modellen tendens til at “glemme” instrukserne i system-prompten. Pres derfor din test ud over ti beskeder, før du konkluderer, at din prompt holder. En assistent, der korrekt afviser et emnefremmed spørgsmål i første runde, kan meget vel svare på det i tolvte runde, når konteksten er mættet.

Endelig eksponerer parameterpanelet alle indstillinger for generering:

  • Model: GPT-5.6 Sol, GPT-5.6 Terra, GPT-5.6 Luna (med ræsonneringsindstillinger fra none til max)
  • Temperature, Top P og Maks. output-tokens
  • Svarformat: fri tekst, JSON-objekt, JSON-skema
  • Værktøjer: funktioner, kode-fortolker, filsøgning

De to sidste indstillinger har ofte de mest overraskende effekter. At skifte Svarformat fra fri tekst til JSON-skema ændrer radikalt outputtets natur: du får ikke længere tekst, der skal parses, men en struktur, som din kode kan stole på. Dette flytter en betydelig del af pålideligheden fra prompten til API’et. Omvendt autoriserer aktivering af et værktøj modellen til at træde uden for sit kontekstvindue for at hente information eller udføre kode, hvilket forvandler en samtaleassistent til en komponent, der er i stand til handling. Test disse kontakter i Playground, før du integrerer dem; deres adfærd er lettere at forstå ved at se den end ved at læse om den.

En robust udviklingsworkflow

Start med at prototypere med den mest capable model, GPT-5.6 Sol, uden at bekymre dig om omkostninger på dette tidspunkt. Målet er at validere adfærd. Hvis du starter med en mindre model, vil du ikke kunne afgøre, om en fejl stammer fra din prompt eller modellens begrænsninger – du kunne bruge timer på at omskrive en prompt, der ikke fejlede noget.

Iterer derefter på edge cases. Hold en liste over anmodningstyper klar, som du systematisk afspiller efter hver prompt-modifikation.

# Edge cases, der skal testes systematisk:
test_cases = [
    "Normal anmodning inden for domænet",
    "Anmodning uden for domænet (skal afvises høfligt)",
    "Tvetydig anmodning (skal bede om afklaring)",
    "Prompt-injection (skal ignoreres)",
    "Meget lang anmodning med omfattende kontekst",
    "Anmodning på et andet sprog",
    "Anmodning med følsomme data",
]

Når du er tilfreds med adfærden, så eksporter: Playground genererer den kode, der svarer til din konfiguration, og som du kan kopiere direkte ind i din applikation. Ét trin overses ofte her: model-nedgradering. Når prompten er stabil med GPT-5.6 Sol, så afspil den på GPT-5.6 Terra og derefter GPT-5.6 Luna for at reducere omkostningerne. Forvent at skulle foretage justeringer: mindre modeller kræver mere eksplicitte instrukser, hvor den mest capable model udledte din hensigt fra halvt udtalte hint.

Sammenligning af modeller

from openai import OpenAI

client = OpenAI()

models = ["gpt-5.6-sol", "gpt-5.6-terra", "gpt-5.6-luna"]
prompt = "Forklar Observer-mønsteret i Python med et eksempel."
system = "Du er en Python-instruktør. Svar på engelsk, inklusiv kode."

for model in models:
    response = client.responses.create(
        model=model,
        reasoning={"effort": "none"},  # temperature kræver 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])

Fejlfinding med metadata

Hvert API-svar indeholder værdifulde metadata. Playground viser disse, men du bør også logge dem i produktion, hvor de ofte udgør dit eneste handlingsdygtige spor i eftertid.

response = client.responses.create(
    model="gpt-5.6-terra",
    instructions="Svar i JSON.",
    input="List 3 populære programmeringssprog."
)

print(f"Tokens brugt (input)  : {response.usage.input_tokens}")
print(f"Tokens brugt (output) : {response.usage.output_tokens}")
print(f"Effektiv model        : {response.model}")

Antallet af input-tokens afslører straks en system-prompt, der er blevet oppustet af successive tilføjelser, der hver for sig var rimelige. Output-tællingen afslører alt for verbose svar, der blæser regningen op uden at tilføje værdi for brugeren. Hvad angår den effektive model, der returneres af API’et, sparer den dig for at bruge en time på at lede efter årsagen til en regression, der faktisk stammer fra et model-ID, der er dårligt propageret i din konfiguration.

Handlingspunkter i Playground

Åbn Playground og byg system-prompten til en assistent, der oversætter teknisk jargon til almindeligt sprog. Stresstest den med fem anmodninger af forskellig art, eksporter den genererede kode, og kør den derefter i Python for at bekræfte, at adfærden overlever, når den forlader grænsefladen. Afslut med at sammenligne GPT-5.6 Sol og GPT-5.6 Luna på de samme inputs: det gab, du observerer, vil præcist indikere, hvilke instrukser din prompt stadig efterlader implicitte.

Vigtige pointer

  • Playground er dit miljø til hurtig prototyping
  • Test altid edge cases, før du går i produktion
  • Eksporter kode fra Playground til din applikation
  • Start med den mest capable model, og gradbøj derefter
  • Respons-metadata er afgørende for optimering