Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Praktische Grenzen und bewährte Verfahren

Lektion 15 von 16 Aktualisiert am 30. Juli 2026 Entwickler
Auf dieser Seite
  1. Maximale Effizienz bei der Code-Ausführung
  2. Modellauswahl
  3. Temperature-Einstellung
  4. Strukturierung Ihrer Prompts
  5. Fehlerbehandlung
  6. Validierung von Ergebnissen
  7. Kombination von Code-Ausführung mit Websuche
  8. Kernaussagen

Maximale Effizienz bei der Code-Ausführung

Nachdem Sie die technischen Einschränkungen der Sandbox verstanden haben, konzentriert sich diese Lektion auf bewährte Verfahren für zuverlässige Ergebnisse und eine optimierte Nutzung der Code-Ausführung. Diese Empfehlungen basieren auf der Produktionserfahrung und den Richtlinien von xAI.

Modellauswahl

xAI empfiehlt die Verwendung von grok-4.20-0309-reasoning für die Codegenerierung. Dieses Modell erzeugt strukturierten, besser kommentierten Code mit weniger Fehlern als Modelle ohne Reasoning-Fähigkeiten. Der Unterschied ist insbesondere bei komplexen Problemen mit mehrstufigem Reasoning deutlich sichtbar.

Temperature-Einstellung

Für mathematische Berechnungen und Datenanalysen verwenden Sie niedrige Temperaturen:

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 bis 0,1: reine mathematische Berechnungen, deterministische Ergebnisse
  • 0,1 bis 0,3: Datenanalyse mit Interpretation
  • 0,3 bis 0,7: kreative Codegenerierung (vermeiden Sie dies bei kritischen Berechnungen)

Eine hohe Temperatur kann bei jedem Aufruf zu unterschiedlichen algorithmischen Ansätzen führen, wodurch die Ergebnisse nicht reproduzierbar sind.

Strukturierung Ihrer Prompts

Daten im Prompt enthalten

Da die Sandbox keinen Netzwerkzugriff hat, müssen Sie alle zu analysierenden Daten im Prompt enthalten:

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
)

Erwartetes Ausgabeformat angeben

Das Modell liefert bessere Ergebnisse, wenn Sie angeben, was Sie erwarten:

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.
"""

Komplexe Probleme aufteilen

Für mehrstufige Analysen strukturieren Sie Ihren Prompt sequenziell:

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
"""

Fehlerbehandlung

Das Modell kann auf Ausführungsfehler stoßen. In diesem Fall versucht es in der Regel, den Code zu korrigieren und neu auszuführen. Dies bedeutet:

  • Mehrere Aufrufe können für eine einzige Anfrage berechnet werden
  • Das Endergebnis kann länger dauern
  • In seltenen Fällen kann das Modell den Fehler nicht korrigieren

Um Fehler zu minimieren, seien Sie in Ihren Anweisungen präzise und geben Sie Daten in einem klaren, strukturierten Format (CSV, JSON, Tabellen) an.

Validierung von Ergebnissen

Code-Ausführung ist ein leistungsfähiges Werkzeug, aber nicht fehlerfrei. Bei kritischen Berechnungen:

  • Überprüfen Sie Ergebnisse an einem bekannten Teilstichprobe
  • Bitten Sie das Modell, seine Methodik zu erklären
  • Vergleichen Sie mit Ergebnissen, die auf andere Weise erzielt wurden
  • Fordern Sie den Quellcode an, um ihn bei Bedarf zu überprüfen

Das Modell enthält häufig den ausgeführten Code in seiner Antwort, sodass Sie die Logik überprüfen können.

Kombination von Code-Ausführung mit Websuche

Ein fortgeschrittener Anwendungsfall besteht in der Kombination beider Tools:

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
)

Das Modell verwendet die Websuche, um Daten abzurufen, und die Code-Ausführung, um diese zu analysieren. Dieser Workflow ist vollständig automatisiert.

Kernaussagen

  • Verwenden Sie grok-4.20-0309-reasoning für die beste Codequalität
  • Niedrige Temperatur (0,0–0,3) für Berechnungen, höhere für kreativen Code
  • Enthalten Sie Daten im Prompt (die Sandbox hat keinen Netzwerkzugriff)
  • Strukturieren Sie Ihre Anfragen: erwartetes Format, sequenzielle Schritte
  • Validieren Sie kritische Ergebnisse – das Modell ist nicht fehlerfrei
  • Die Kombination aus Websuche und Code-Ausführung ist ein leistungsfähiger Workflow