Strukturerede output og kodeeksekvering
På denne side
Opdateret 2. november 2026. Baseret på xAI-dokumentation: Med
xai-sdkkombineres strukturerede output med værktøjer ved at oprette samtalen (client.chat.create(..., tools=[code_execution()])) og derefter kaldechat.parse(Schema), hvilket returnerer både svaret og det typede objekt. Det tidligere eksempel kaldteclient.chat.parse(...)med argumenter til Chat Completions, en metode der ikke findes i nogen SDK. Kilder: Structured Outputs · Code Execution.
Eksekver kode og strukturér resultater
Kombinationen af strukturerede output og kodeeksekvering giver modellen mulighed for at beregne resultater og returnere dem i et struktureret format. Modellen skriver kode, eksekverer den i et sandkasseret miljø og formaterer outputtet i henhold til dit skema.
Funktion til Grok 4 og nyere
Ligesom websøgning er denne kombination forbeholdt Grok 4 og nyere modeller – hvilket dækker hele den nuværende portefølje (Grok 4.5, Grok 4.3, grok-4.20-varianter). Tidligere modeller understøttede ikke kombinationen af værktøjer med strukturerede output.
Typisk brugstilfælde: Præcise beregninger
Den største fordel ved kodeeksekvering sammen med strukturerede output er beregningspræcision. Store sprogmodeller (LLM’er) laver regelmæssigt aritmetiske fejl. Ved at eksekvere kode bliver resultaterne matematisk nøjagtige.
from pydantic import BaseModel
from xai_sdk import Client
from xai_sdk.chat import user
from xai_sdk.tools import code_execution
client = Client() # nøgle læses fra 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}")
Modellen vil skrive et Python-script til at udføre beregningerne, eksekvere det og derefter formatere resultaterne ind i FinancialAnalysis-skemaet.
Eksempel: Statistisk analyse
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}")
Kombinér websøgning og kodeeksekvering
Du kan aktivere begge værktøjer samtidigt:
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)
Modellen vil hente seneste data fra nettet og derefter bruge kodeeksekvering til at beregne ændringer og gennemsnit.
Begrænsninger for kodeeksekvering
- Eksekveringsmiljøet er isoleret og flygtigt
- Almindelige Python-pakker er forudinstalleret (NumPy, Pandas, Matplotlib, SciPy)
- Eksekveringstid og hukommelse er begrænset
- Ingen netværksadgang fra den eksekverede kode
- Filer, der oprettes, gemmes ikke mellem kald
Vigtige pointer
- Kodeeksekvering + strukturerede output kræver mindst Grok 4 – hele den nuværende portefølje er kompatibel
- Modellen skriver og eksekverer kode for at opnå præcise beregninger
- Aktiver værktøjet med
code_execution()i xAI SDK eller{"type": "code_interpreter"}i Responses API, og hent derefter det typede objekt medchat.parse(Schema) - Kan kombineres med
web_searchfor først at søge og derefter beregne - Ideelt til finansiel, statistisk og matematisk analyse
- Beregnede resultater er nøjagtige, i modsætning til LLM-estimater