Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Strukturerede output og kodeeksekvering

Lektion 9 af 12 Opdateret 2. november 2026 Udvikler
På denne side
  1. Eksekver kode og strukturér resultater
  2. Funktion til Grok 4 og nyere
  3. Typisk brugstilfælde: Præcise beregninger
  4. Eksempel: Statistisk analyse
  5. Kombinér websøgning og kodeeksekvering
  6. Begrænsninger for kodeeksekvering
  7. Vigtige pointer

Opdateret 2. november 2026. Baseret på xAI-dokumentation: Med xai-sdk kombineres strukturerede output med værktøjer ved at oprette samtalen (client.chat.create(..., tools=[code_execution()])) og derefter kalde chat.parse(Schema), hvilket returnerer både svaret og det typede objekt. Det tidligere eksempel kaldte client.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 med chat.parse(Schema)
  • Kan kombineres med web_search for først at søge og derefter beregne
  • Ideelt til finansiel, statistisk og matematisk analyse
  • Beregnede resultater er nøjagtige, i modsætning til LLM-estimater