Code Interpreter: Εκτέλεση κώδικα μέσω API
Σε αυτήν τη σελίδα
Ενημερώθηκε στις 2 Νοεμβρίου 2026 με βάση τον επίσημο οδηγό του Code Interpreter και το SDK
openai: το εργαλείο απαιτεί την παράμετροcontainer(η οποία έλειπε από όλα τα προηγούμενα παραδείγματα, με αποτέλεσμα να αποτύγχαναν), τα παραγόμενα αρχεία εμφανίζονται στις σημειώσεις τύπουcontainer_file_citationκαι κατεβάζονται μέσω του Containers API (όχι μέσωclient.files.content), ενώ οι έξοδοι των κλήσεων ονομάζονταιoutputs(όχιresults). Τα μέρη κειμένου εισόδου χρησιμοποιούν τον τύποinput_text. Τα αρχεία που επισυνάπτονται σε ένα μήνυμα μεταφορτώνονται με τον σκοπόuser_data, τον οποίο η OpenAI συνιστά για εισόδους μοντέλων (File inputs). Πηγές: Code Interpreter · File inputs.
Code Interpreter: Εκτέλεση κώδικα μέσω API
Ένα γλωσσικό μοντέλο προβλέπει κείμενο· δεν κάνει υπολογισμούς. Αν του ζητήσετε την τετραγωνική ρίζα του 1764, θα παράγει το πιο πιθανό αποτέλεσμα με βάση την εκπαίδευσή του—συχνά σωστό, μερικές φορές λάθος, χωρίς τρόπο να διακρίνετε τη διαφορά. Το Code Interpreter εξαλείφει αυτή την αβεβαιότητα παρέχοντας στο μοντέλο έναν διερμηνέα Python: γράφει τον υπολογισμό, τον εκτελεί και επιστρέφει ένα πραγματικό αποτέλεσμα, όχι μια εικασία.
Η αλλαγή είναι βαθύτερη από ό,τι φαίνεται. Το μοντέλο βλέπει την έξοδο του δικού του κώδικα, συμπεριλαμβανομένων των σφαλμάτων, οπότε μπορεί να διορθωθεί και να δοκιμάσει ξανά. Σε ένα αρχείο δεδομένων όπου κανείς δεν γνωρίζει την ακριβή δομή, αυτός ο βρόχος ξεπερνά οποιαδήποτε προ-γραμμένη οδηγία.
Ενεργοποίηση του Code Interpreter
Το ενεργοποιείτε προσθέτοντας το εργαλείο στον πίνακα tools—δεν χρειάζεται εγκατάσταση ούτε προμήθεια περιβάλλοντος. Το μοντέλο αποφασίζει πότε θα γράψει κώδικα: απαντά άμεσα σε ερωτήσεις γεγονότων, αλλά μεταβαίνει στην εκτέλεση για υπολογισμούς ή χειρισμό δεδομένων.
from openai import OpenAI
client = OpenAI()
response = client.responses.create(
model="gpt-5.6-terra",
input="Calculate the Fibonacci sequence up to the 20th term",
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
print(response.output_text)
Το μοντέλο γράφει τον κώδικα Python, τον εκτελεί σε ένα sandbox και ενσωματώνει τα αποτελέσματα στην απάντησή του.
Επιθεώρηση του εκτελεσμένου κώδικα
Συνηθίστε να διαβάζετε αυτόν τον κώδικα, τουλάχιστον κατά την ανάπτυξη. Είναι ο μόνος τρόπος να διακρίνετε ένα καλό αποτέλεσμα από ένα που είναι σωστό κατά τύχη: ένας μέσος όρος που υπολογίζεται αγνοώντας σιωπηρά τις ελλείπουσες τιμές είναι αριθμητικά σωστός αλλά αναλυτικά λανθασμένος. Η απάντηση δεν θα σας το πει αυτό· ο κώδικας θα το κάνει.
Η απάντηση περιέχει τον παραγόμενο κώδικα και τα αποτελέσματά του:
response = client.responses.create(
model="gpt-5.6-terra",
input="What is the square root of 1764? Verify by squaring the result.",
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}],
include=["code_interpreter_call.outputs"], # για λήψη των παραγόμενων αρχείων καταγραφής και εικόνων
)
for item in response.output:
if item.type == "code_interpreter_call":
print("--- Executed Code ---")
print(item.code)
print("--- Outputs ---")
for output in item.outputs or []:
print(output.logs if output.type == "logs" else output.url)
Παροχή αρχείων ως είσοδος
Το εργαλείο αποδίδει την πλήρη αξία του όταν εργάζεται με αρχεία. Μεταφορτώνετε το αρχείο, το αναφέρετε στην κλήση και το μοντέλο το ανοίγει πραγματικά—διαβάζει τις πραγματικές στήλες, τους πραγματικούς τύπους και τις πραγματικές ακραίες τιμές, αντί να συλλογίζεται βάσει μιας περιγραφής που ίσως παρέχετε εσείς.
# Μεταφόρτωση του αρχείου
with open("sales_2025.csv", "rb") as f:
file_obj = client.files.create(file=f, purpose="user_data")
# Χρήση του Code Interpreter με το αρχείο
response = client.responses.create(
model="gpt-5.6-terra",
input=[
{
"role": "user",
"content": [
{"type": "input_text", "text": "Analyze this sales file. "
"Give me the total by category and the best-performing month."},
{"type": "input_file", "file_id": file_obj.id}
]
}
],
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
print(response.output_text)
Ανάκτηση παραγόμενων αρχείων
Η αντίστροφη διαδικασία λειτουργεί επίσης: ο κώδικας παράγει ένα καθαρισμένο CSV, ένα διάγραμμα ή ένα βιβλίο εργασίας Excel, και αυτά τα αρχεία επιστρέφονται σε εσάς. Παραμένουν στο container και το μήνυμα απάντησης τα αναφέρει στις σημειώσεις του τύπου container_file_citation, συμπεριλαμβανομένου του ID του container, του ID του αρχείου και του ονόματος αρχείου. Στη συνέχεια, τα κατεβάζετε μέσω του Containers API. Δύο μικρές συναρτήσεις, που επαναχρησιμοποιούνται σε επόμενα μαθήματα, encapsulate αυτή τη ροή:
def generated_files(response):
"""Files created by Code Interpreter, cited in message annotations."""
for item in response.output:
if item.type == "message":
for part in item.content:
for ann in getattr(part, "annotations", None) or []:
if ann.type == "container_file_citation":
yield ann
def download(client, ann, path):
"""Downloads a file from the container and returns its local path."""
content = client.containers.files.content.retrieve(ann.file_id, container_id=ann.container_id)
with open(path, "wb") as out:
out.write(content.read())
return path
Τα αρχεία που παρέχετε ως είσοδος (input_file) αντιγράφονται αυτόματα στο container: δεν χρειάζεται να μεταφορτώσετε τίποτα άλλο.
response = client.responses.create(
model="gpt-5.6-terra",
input=[
{
"role": "user",
"content": [
{"type": "input_text", "text": "Create a chart of sales by month "
"and export the cleaned data as a CSV."},
{"type": "input_file", "file_id": file_obj.id}
]
}
],
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
# Ανάκτηση παραγόμενων αρχείων
for ann in generated_files(response):
print(f"Generated file: {ann.filename}")
download(client, ann, ann.filename)
Container και περιβάλλον
Η γνώση των κανόνων του container εξοικονομεί χρόνο στην αποσφαλμάτωση όσων δεν μπορούν να λειτουργήσουν. Σύμφωνα με την τεκμηρίωση της OpenAI:
- πρόκειται για μια πλήρως απομονωμένη εικονική μηχανή (sandbox) όπου το μοντέλο εκτελεί Python·
- το εργαλείο απαιτεί την παράμετρο
container: το{"type": "auto"}δημιουργεί ένα container (ή επαναχρησιμοποιεί ένα από προηγούμενη κλήση που υπάρχει στο context), ενώ ένα ID που λαμβάνεται μέσωclient.containers.create(...)επιβάλλει ένα συγκεκριμένο container· - η μνήμη ορίζεται με το
memory_limit:1g(προεπιλογή),4g,16gή64g, με τα υψηλότερα επίπεδα να χρεώνονται με τις τιμές των ενσωματωμένων εργαλείων· - ένα container λήγει μετά από 20 λεπτά αδράνειας· τα δεδομένα του χάνονται τότε, οπότε κατεβάστε τυχόν αρχεία που θέλετε να κρατήσετε όσο είναι ενεργό.
Μην βασίζεστε σε πρόσβαση δικτύου από τον κώδικα: παρέχετε δεδομένα ως είσοδο ή αναθέστε την έρευνα στο εργαλείο Web Search.
# Παράδειγμα: το μοντέλο μπορεί να χρησιμοποιήσει απευθείας το pandas
response = client.responses.create(
model="gpt-5.6-terra",
input=[
{
"role": "user",
"content": [
{"type": "input_text", "text": "Load this CSV with pandas, "
"calculate descriptive statistics, and identify outliers."},
{"type": "input_file", "file_id": file_obj.id}
]
}
],
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
Αλυσιδωτές πολλαπλές εκτελέσεις
Διαδοχικές εκτελέσεις μοιράζονται την ίδια συνεδρία: οι μεταβλητές, τα DataFrames και οι εισαγωγές από το πρώτο μπλοκ παραμένουν διαθέσιμες στο επόμενο, ακριβώς όπως σε ένα notebook. Το μοντέλο το εκμεταλλεύεται αυτό φυσικά—φορτώνει, επιθεωρεί και στη συνέχεια επεξεργάζεται—καθιστώντας δυνατή την ανάλυση πολλαπλών βημάτων χωρίς επαναφόρτωση των πάντων σε κάθε στάδιο.
response = client.responses.create(
model="gpt-5.6-terra",
input="1. Generate 1000 random points from a normal distribution. "
"2. Calculate the mean and standard deviation. "
"3. Create a histogram. "
"4. Perform a Shapiro-Wilk normality test.",
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
# Το μοντέλο εκτελεί 4 μπλοκ κώδικα διαδοχικά
# Κάθε μπλοκ έχει πρόσβαση στις μεταβλητές των προηγούμενων
Συνδυασμός με άλλα εργαλεία
Ο πιο χρήσιμος συνδυασμός ζευγαρώνει μια πηγή δεδομένων με τη δυνατότητα επεξεργασίας της: το File Search βρίσκει το σχετικό απόσπασμα στα έγγραφά σας, το Web Search φέρνει δεδομένα αγοράς και το Code Interpreter συγκρίνει τα δύο σε έναν πίνακα ή διάγραμμα. Κανένα από αυτά τα εργαλεία δεν μπορεί να κάνει τη δουλειά των άλλων.
response = client.responses.create(
model="gpt-5.6-terra",
input="Search the web for French GDP data from the last 10 years, "
"then create a trend chart with a linear regression.",
tools=[
{"type": "web_search"},
{"type": "code_interpreter", "container": {"type": "auto"}}
]
)
Πρότυπο: Πλήρης αγωγός ανάλυσης
Το τελικό παράδειγμα συνδέει όλα τα παραπάνω σε μια ρεαλιστική περίπτωση: ένα αρχείο εισόδου, ανάλυση πολλαπλών βημάτων και παραδοτέα εξόδου. Εστιάστε ιδιαίτερα στη μορφή του prompt—αριθμημένη, ρητή σχετικά με την αναμενόμενη έξοδο—επειδή αυτό, πολύ περισσότερο από τον συνοδευτικό κώδικα Python, καθορίζει την ποιότητα του αποτελέσματος.
def analyze_data(file_path: str, questions: list[str]) -> dict:
"""Data analysis pipeline with Code Interpreter."""
# Μεταφόρτωση
with open(file_path, "rb") as f:
file_obj = client.files.create(file=f, purpose="user_data")
results = {}
for question in questions:
response = client.responses.create(
model="gpt-5.6-terra",
input=[
{
"role": "user",
"content": [
{"type": "input_text", "text": question},
{"type": "input_file", "file_id": file_obj.id}
]
}
],
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}],
instructions="Write clean, commented Python code. "
"Display intermediate results."
)
results[question] = response.output_text
return results
# Χρήση
results = analyze_data("sales.csv", [
"Give descriptive statistics for each numeric column",
"What are the top 5 best-selling products?",
"Is there seasonality in sales?"
])
Βασικά σημεία
- Το Code Interpreter εκτελεί Python σε ένα απομονωμένο container· η παράμετρος
containerείναι υποχρεωτική ({"type": "auto"}ή ένα ID) - Τα αρχεία που παρέχονται ως
input_fileαντιγράφονται αυτόματα στο container - Τα παραγόμενα αρχεία αναφέρονται ως
container_file_citationκαι κατεβάζονται μέσωclient.containers.files.content.retrieve - Ένα container λήγει μετά από 20 λεπτά αδράνειας: κατεβάστε ό,τι θέλετε να κρατήσετε
- Συνδυάστε το με τα Web Search και File Search για εμπλουτισμένη ανάλυση