Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Sikkerhedsbegrænsninger i sandboxen

Lektion 14 af 16 Opdateret 30. juli 2026 Udvikler
På denne side
  1. Et isoleret miljø af design
  2. De fem grundlæggende begrænsninger
  3. Konsekvenser for design
  4. Løsninger på begrænsninger
  5. Vigtige pointer

Et isoleret miljø af design

Python-sandboxen til kodeudførelse er designet med fokus på sikkerhed. Koden kører i et isoleret miljø, der beskytter både xAIs infrastruktur og dine data. Det er afgørende at forstå disse begrænsninger for at kunne designe integrationer, der fungerer korrekt, og for at vide, hvornår kodeudførelse passer til dit behov.

De fem grundlæggende begrænsninger

1. Ingen netværksadgang

Sandboxen har ingen forbindelse til internettet eller eksterne netværk. Koden kan ikke:

  • Udføre HTTP-forespørgsler (ingen requests, ingen urllib)
  • Oprette forbindelse til eksterne databaser
  • Kalde eksterne API’er
  • Downloade filer fra webbet
  • Sende e-mails eller notifikationer

Denne begrænsning er den mest restriktive. Hvis dit brugstilfælde kræver eksterne data, skal du angive dem i prompten eller bruge Web Search på forhånd til at hente dem.

2. Begrænset adgang til filsystemet

Koden kører i en midlertidig mappe med begrænset adgang til filsystemet:

  • Læs/skriv kun i den midlertidige arbejdsmappe
  • Ingen adgang til systemfiler
  • Ingen adgang til andre brugeres mapper
  • Oprettede filer slettes efter udførelsen

3. Midlertidig og tilstandsløs kontekst

Hver udførelse er uafhængig. Der er ingen persistens mellem to API-forespørgsler:

  • Variabler defineret under én udførelse eksisterer ikke i den næste
  • Oprettede filer slettes
  • Biblioteker indlæst i hukommelsen nulstilles
  • Der gemmes ingen udførelseshistorik

Det betyder, at du ikke kan opbygge en interaktiv session, hvor resultater fra én beregning fødes videre til den næste – i hvert fald ikke automatisk. For at simulere denne tilstand skal du inkludere tidligere resultater i din nye prompt.

4. Begrænsninger for udførelsestid

Sandboxen pålægger en tidsfrist for kodeudførelsen. Hvis en beregning tager for lang tid, stoppes den. Det indebærer:

  • Ingen uendelige løkker (de vil blive stoppet)
  • Ingen ekstremt lange beregninger (store datasæt, tunge simuleringer)
  • Ingen venteprocesser (time.sleep i lange perioder)

Modellen er generelt opmærksom på disse grænser og skriver optimeret kode, men meget ambitiøse forespørgsler kan fejle på grund af timeout.

5. Begrænsninger for hukommelse

Sandboxen har en begrænset mængde hukommelse. Operationer på meget store datamængder kan fejle:

  • Pandas DataFrames med millioner af rækker risikerer at overskride hukommelsen
  • NumPy-matricer med meget store dimensioner kan forårsage problemer
  • Operationer, der duplikerer data i hukommelsen, øger risikoen

Konsekvenser for design

Hvad kodeudførelse er god til

  • Præcise matematiske og statistiske beregninger
  • Analyse af datasæt af moderat størrelse (hundrede til tusindvis af rækker)
  • Verifikation af formler og algoritmer
  • Generering af diagrammer og visualiseringer
  • Hurtig prototyping af beregningslogik

Hvad kodeudførelse ikke er god til

  • Behandling af store datamængder (big data)
  • Interaktion med eksterne systemer
  • Iterative beregninger på tværs af flere forespørgsler
  • Maskinlæring og modeltræning
  • Lange operationer (> få sekunder)

Løsninger på begrænsninger

Hvis du har brug for at overskride disse begrænsninger:

  • Eksterne data: Brug Web Search til at hente data, og brug derefter kodeudførelse til at analysere dem
  • Store mængder: Udtræk en repræsentativ stikprøve og analyser den i sandboxen, og anvend derefter resultaterne på hele sættet i dit eget miljø
  • Tilstand mellem forespørgsler: Gem mellemresultater på klientsiden og injicer dem i efterfølgende forespørgsler

Vigtige pointer

  • Sandboxen er isoleret: ingen netværk, ingen persistens, ingen systemadgang
  • Hver udførelse er uafhængig (tilstandsløs)
  • Grænser for tid og hukommelse gælder
  • Kodeudførelse excellerer i præcise beregninger og analyse af moderate datamængder
  • Til særlige tilfælde skal du kombinere kodeudførelse med andre værktøjer eller din egen infrastruktur