Praktiske grænser og bedste praksis
På denne side
Få mest muligt ud af kodeeksekvering
Nu hvor du forstår sandboxens tekniske begrænsninger, fokuserer denne lektion på bedste praksis for pålidelige resultater og optimeret brug af kodeeksekvering. Disse anbefalinger stammer fra produktionserfaringer og retningslinjer fra xAI.
Valg af model
xAI anbefaler at bruge grok-4.20-0309-reasoning til kodegenerering. Denne model producerer mere struktureret og bedre kommenteret kode med færre fejl end modeller uden ræsonnementsfunktioner. Forskellen er særligt tydelig ved komplekse problemer, der kræver flerstegs-ræsonnement.
Temperaturindstilling
Brug lave temperaturværdier til matematiske beregninger og dataanalyse:
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 til 0,1: Rene matematiske beregninger, deterministiske resultater
- 0,1 til 0,3: Dataanalyse med fortolkning
- 0,3 til 0,7: Kreativ kodegenerering (undgå til kritiske beregninger)
En høj temperatur kan give forskellige algoritmiske tilgange ved hvert kald, hvilket gør resultaterne ikke-reproducerbare.
Strukturering af dine prompts
Inkludér data i prompten
Da sandboxen ikke har netværksadgang, skal du inkludere alle data, der skal analyseres, direkte i prompten:
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
)
Angiv det forventede outputformat
Modellen leverer bedre resultater, når du præciserer, hvad du forventer:
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.
"""
Opdel komplekse problemer
Ved analyser i flere trin skal du strukturere din prompt sekventielt:
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
"""
Håndtering af fejl
Modellen kan støde på eksekveringsfejl. I så fald forsøger den normalt at rette koden og køre den igen. Det betyder:
- En enkelt anmodning kan medføre fakturering af flere kald
- Det endelige resultat kan tage længere tid at modtage
- I sjældne tilfælde lykkes det ikke modellen at rette fejlen
For at minimere fejl skal du være præcis i dine instrukser og levere data i et klart, struktureret format (CSV, JSON, tabeller).
Validering af resultater
Kodeeksekvering er et kraftfuldt værktøj, men det er ikke ufejlbarligt. Ved kritiske beregninger bør du:
- Verificere resultaterne på en kendt delmængde
- Bed modellen om at forklare sin metodik
- Sammenligne med resultater opnået på andre måder
- Anmode om kildekoden til gennemgang, hvis det er nødvendigt
Modellen inkluderer ofte den eksekverede kode i sit svar, så du kan verificere logikken.
Kombination af kodeeksekvering og websøgning
Et avanceret use case indebærer kombination af de to værktøjer:
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
)
Modellen bruger websøgning til at hente data og derefter kodeeksekvering til at analysere dem. Denne workflow kører fuldt automatisk.
Vigtige pointer
- Brug grok-4.20-0309-reasoning for at opnå den bedste kodekvalitet
- Brug lav temperatur (0,0–0,3) til beregninger og højere til kreativ kode
- Inkludér data i prompten (sandboxen har ingen netværksadgang)
- Strukturér dine forespørgsler: angiv forventet format og sekventielle trin
- Validér kritiske resultater – modellen er ikke ufejlbarlig
- Kombinationen af websøgning og kodeeksekvering er en kraftfuld workflow