Sandboxing και Όρια Ασφαλείας
Σε αυτήν τη σελίδα
Ενημερώθηκε στις 2 Νοεμβρίου 2026 βάσει της τεκμηρίωσης της OpenAI: το εργαλείο Code Interpreter απαιτεί πλέον την παράμετρο
container(προστέθηκε σε όλα τα παραδείγματα). Το δίκτυο του container, κλειστό από προεπιλογή, μπορεί πλέον να ανοίξει σε μια λίστα επιτρεπόμενων τομέων (allowlist). Οι κανόνες κύκλου ζωής του container (μνήμη, λήξη, επαναχρησιμοποίηση) ακολουθούν τον επίσημο οδηγό. Τα αρχεία που επισυνάπτονται σε ένα μήνυμα μεταφορτώνονται με τον σκοπόuser_data, όπως συνιστά η OpenAI για εισόδους μοντέλου. Πηγές: Code Interpreter · Container Network Access · Containers API · Files API.
Sandboxing και Όρια Ασφαλείας
Τα όρια του sandbox δεν είναι σφάλματα που πρέπει να παρακάμψετε: είναι οι ιδιότητες που καθιστούν αποδεκτή την εκτέλεση παραγόμενου κώδικα. Ένα περιβάλλον απομονωμένο από το δίκτυο, με μικρή διάρκεια ζωής και περιορισμούς πόρων, δεν μπορεί να εξάγει τα δεδομένα σας, να αφήσει κατάσταση να εκκρεμεί επ’ αόριστον ή να καταναλώνει πόρους χωρίς όριο.
Γνωρίζοντας αυτά τα όρια εκ των προτέρων, γλιτώνετε από το να προσπαθείτε να εντοπίσετε σφάλματα σε κάτι αδύνατο. Οι τρεις επαναλαμβανόμενες ερωτήσεις—γιατί αποτυγχάνει το pip install, γιατί το αρχείο μου εξαφανίστηκε μεταξύ κλήσεων, γιατί η επεξεργασία μου καταρρέει σε ένα μεγάλο αρχείο—όλες έχουν απαντήσεις παρακάτω, και καμία δεν αφορά σφάλματα λογισμικού.
Αρχιτεκτονική Sandbox
Το Code Interpreter εκτελεί κώδικα σε ένα container, μια απομονωμένη εικονική μηχανή που φιλοξενείται από την OpenAI, με τις ακόλουθες ιδιότητες:
- Δίκτυο κλειστό από προεπιλογή: κανένα εξερχόμενο αίτημα, εκτός εάν οριστεί ρητά μια λίστα επιτρεπόμενων τομέων (δείτε παρακάτω)
- Μικρή διάρκεια ζωής: το container λήγει μετά από 20 λεπτά αδράνειας και όλα όσα περιέχει διαγράφονται τότε
- Περιορισμένη μνήμη: 1 GB από προεπιλογή, ή 4, 16, ή 64 GB κατόπιν αιτήματος (
memory_limit), με κάθε επίπεδο να έχει τη δική του τιμολόγηση
from openai import OpenAI
client = OpenAI()
# Χωρίς λίστα επιτρεπόμενων τομέων, η λήψη θα αποτύχει: χωρίς πρόσβαση στο δίκτυο
response = client.responses.create(
model="gpt-5.6-terra",
input="Download the content of https://example.com using requests",
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
# Το μοντέλο θα εξηγήσει ότι η πρόσβαση στο δίκτυο δεν είναι διαθέσιμη
print(response.output_text)
Τι είναι διαθέσιμο
Προεγκατεστημένες βιβλιοθήκες
Η OpenAI δεν δημοσιεύει επίσημη λίστα πακέτων του container και αυτή αλλάζει με την πάροδο του χρόνου. Μια έρευνα που δημοσίευσε ένας προγραμματιστής στο φόρουμ της OpenAI τον Νοέμβριο του 2025 κατέγραψε 389 πακέτα, συμπεριλαμβανομένων των αναμενόμενων βιβλιοθηκών για ανάλυση: pandas, numpy, scipy και statsmodels για δεδομένα· matplotlib, seaborn και plotly για οπτικοποίηση· Pillow για εικόνες· sympy για συμβολικά μαθηματικά· openpyxl για Excel. Αντί να κάνετε υποθέσεις, ζητήστε από το μοντέλο να τις καταγράψει στην αρχή ενός έργου:
response = client.responses.create(
model="gpt-5.6-terra",
input="List the installed Python packages with their versions, "
"then display the Python version.",
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
print(response.output_text)
Οι εκδόσεις έχουν την ίδια σημασία με τα ονόματα: η ίδια έρευνα έδειξε pandas 1.5.3, που προηγείται του pandas 2.0. Εάν η επεξεργασία σας εξαρτάται από μια πρόσφατη συνάρτηση, επαληθεύστε ότι υπάρχει πριν βασιστείτε σε αυτήν.
Σύστημα αρχείων
Ο κώδικας διαβάζει και γράφει αρχεία μέσα στο container. Τα αρχεία που δημιουργεί το μοντέλο αναφέρονται στην απάντησή του και κατεβάζονται χρησιμοποιώντας τις συναρτήσεις fichiers_generes και telecharger από το Μάθημα 10:
# Το μοντέλο μπορεί να δημιουργήσει αρχεία μέσα στο container
response = client.responses.create(
model="gpt-5.6-terra",
input="Create a CSV file with 100 lines of test data "
"(name, age, city, salary) and return it.",
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
for ann in fichiers_generes(response):
telecharger(client, ann, ann.filename)
Τι είναι περιορισμένο
Πρόσβαση στο δίκτυο
Από προεπιλογή, το container δεν έχει εξερχόμενη πρόσβαση: κανένα pip install, κανένα κάλεσμα API, καμία λήψη. Αυτό είναι ο πιο δομικός περιορισμός και είναι σκόπιμος: ο παραγόμενος κώδικας δεν μπορεί να στείλει τίποτα πουθενά. Ό,τι χρειάζεται η επεξεργασία σας πρέπει να υπάρχει ήδη στο container ή να το μεταφορτώσετε εσείς· και εάν τα δεδομένα βρίσκονται online, το εργαλείο web search θα τα ανακτήσει συχνά αντί για αυτό.
# Χωρίς λίστα επιτρεπόμενων τομέων (προεπιλεγμένη περίπτωση), αδύνατο:
# - requests.get(), urllib.request
# - socket, http.client
# - pip install (χωρίς λήψεις)
# - Πρόσβαση σε εξωτερικά API
# - Αποστολή emails
Η δυνατότητα ανοίγματος πρόσβασης υπάρχει, αλλά αποφασίζεται σε δύο επίπεδα. Ένας διαχειριστής ορίζει πρώτα τη λίστα επιτρεπόμενων τομέων του οργανισμού στον πίνακα ελέγχου· κάθε αίτημα δηλώνει στη συνέχεια μια network_policy που μπορεί μόνο να την περιορίσει περαιτέρω—ένα αίτημα που ζητά έναν τομέα απόντα από τη λίστα του οργανισμού αποτυγχάνει.
response = client.responses.create(
model="gpt-5.6-terra",
input="Update pandas with pip, then display the installed version.",
tools=[{
"type": "code_interpreter",
"container": {
"type": "auto",
"network_policy": {
"type": "allowlist",
"allowed_domains": ["pypi.org", "files.pythonhosted.org"],
},
},
}],
)
Το άνοιγμα τομέων έχει κόστος και η OpenAI το δηλώνει ξεκάθαρα: είναι μια πόρτα για εξαγωγή δεδομένων μέσω injection prompt. Εξουσιοδοτήστε μόνο αξιόπιστους τομείς που ένας επιτιθέμενος δεν μπορεί να χρησιμοποιήσει για να λάβει δεδομένα—και προσέξτε την κοινή φιλοξενία (shared hosting), όπου ο καθένας μπορεί να στήσει έναν διακομιστή που θα καταγράφει τα αιτήματά σας.
Επιμονή μεταξύ κλήσεων
Η έλλειψη επιμονής εκπλήσσει τους περισσότερους όταν αλυσιδωτές κλήσεις: το DataFrame που φορτώθηκε στην πρώτη κλήση δεν υπάρχει πλέον στη δεύτερη. Ο ακριβής κανόνας εξαρτάται από τη λειτουργία auto: δημιουργεί ένα νέο container, εκτός εάν το πλαίσιο του μοντέλου περιέχει ήδη μια κλήση Code Interpreter της οποίας το container είναι ακόμα ενεργό—τότε επαναχρησιμοποιεί εκείνο. Δύο ανεξάρτητες κλήσεις εργάζονται επομένως η καθεμία στο δικό της, ενώ μια κλήση αλυσιδωμένη στην προηγούμενη (με previous_response_id) βρίσκει το δικό της αν δεν έχει λήξει. Μέσα σε μια μεμονωμένη κλήση, πολλαπλές εκτελέσεις κώδικα μοιράζονται την ίδια συνεδρία.
# Πρώτη κλήση: δημιουργεί ένα αρχείο
response1 = client.responses.create(
model="gpt-5.6-terra",
input="Create a variable x = 42 and save it to a file",
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
# Δεύτερη κλήση, ανεξάρτητη από την πρώτη: νέο container
response2 = client.responses.create(
model="gpt-5.6-terra",
input="Read the file created previously",
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
# -> Σφάλμα: το αρχείο δεν βρέθηκε
Για να διατηρήσετε αποτελέσματα μεταξύ κλήσεων χωρίς να εξαρτάστε από το πλαίσιο, κάντε τις να λειτουργούν στο ίδιο container. Δημιουργήστε το ρητά με το Containers API και περάστε το ID του σε κάθε κλήση: τα αρχεία που παράγονται από ένα βήμα παραμένουν διαθέσιμα για το επόμενο. Από προεπιλογή, λήγει μετά από 20 λεπτά αδράνειας και τα δεδομένα του χάνονται οριστικά τότε: κατεβάστε ό,τι θέλετε να κρατήσετε και στη συνέχεια διαγράψτε το εσείς.
def pipeline_avec_persistance(etapes: list[str]) -> list:
"""Executes successive steps in the same container."""
conteneur = client.containers.create(name="pipeline")
resultats = []
for etape in etapes:
response = client.responses.create(
model="gpt-5.6-terra",
input=etape,
tools=[{"type": "code_interpreter", "container": conteneur.id}],
)
resultats.append(response.output_text)
# Μετά τη λήψη χρήσιμων αρχείων (Μάθημα 10)
client.containers.delete(conteneur.id)
return resultats
Μην επιστρέφετε παραγόμενα αρχεία ως input_file: τα IDs τους (cfile_…) αναφέρονται σε αρχεία container, όχι σε αρχεία του Files API.
Μνήμη και βαριά επεξεργασία
Η τεκμηρίωση δεν δημοσιεύει μέγιστη διάρκεια εκτέλεσης· το συγκεκριμένο όριο είναι η μνήμη του container, η οποία επιλέγεται κατά τη δημιουργία και ισχύει για όλη τη διάρκεια ζωής του. Για ένα μεγάλο αρχείο, επιλέξτε ένα κατάλληλο επίπεδο και ζητήστε να χωριστεί η εργασία. Πέρα από αυτό—εκπαίδευση μοντέλων, μαζικοί υπολογισμοί—πρέπει να χρησιμοποιήσετε τις δικές σας υποδομές, με το container να παραμένει το εργαλείο για διαδραστική ανάλυση.
# Πρότυπο για βαριά επεξεργασία: περισσότερη μνήμη, διαχωρισμός εργασίας
with open("transactions.csv", "rb") as f:
fichier = client.files.create(file=f, purpose="user_data")
response = client.responses.create(
model="gpt-5.6-terra",
input=[{
"role": "user",
"content": [
{"type": "input_text", "text": (
"Process this 500,000-line CSV file in batches of 50,000. "
"For each batch, calculate statistics and accumulate results."
)},
{"type": "input_file", "file_id": fichier.id}
]
}],
tools=[{"type": "code_interpreter", "container": {"type": "auto", "memory_limit": "4g"}}],
instructions="If processing risks being long, split it into steps "
"and display progress."
)
Ασφάλεια δεδομένων
Ευαίσθητα δεδομένα
Τα δεδομένα που αντιγράφονται στο container διαγράφονται όταν λήγει ή διαγράφεται. Αυτό δεν ισχύει για ένα αρχείο που μεταφορτώνεται μέσω του Files API: παραμένει εκεί μέχρι να το διαγράψετε, εκτός εάν ορίσετε λήξη (expires_after, μεταξύ μίας ώρας και τριάντα ημερών). Και η συλλογιστική συμμόρφωσης δεν σταματά εκεί: τα δεδομένα σας έχουν φύγει από τις υποδομές σας για να επεξεργαστούν από τρίτο μέρος. Η ψευδωνυμοποίηση πριν την αποστολή κοστίζει μερικές γραμμές και μειώνει ό,τι φεύγει—επειδή ένα ID πελάτη που δεν φεύγει ποτέ δεν μπορεί να δημιουργήσει κανένα πρόβλημα.
Ένα keyed hash (HMAC) παρέχει σταθερά ψευδώνυμα από μια αποστολή στην επόμενη, τα οποία κανείς δεν μπορεί να συνδέσει με τις αρχικές τιμές χωρίς το κλειδί. Σύμφωνα με τον GDPR, το αποτέλεσμα παραμένει ψευδωνυμοποιημένα προσωπικά δεδομένα, όχι ανώνυμα: το κλειδί πρέπει να παραμείνει σε εσάς.
import hashlib
import hmac
import os
import pandas as pd
CLE = os.environ["CLE_PSEUDONYMISATION"].encode() # secret kept outside code
def pseudonyme(valeur) -> str:
return hmac.new(CLE, str(valeur).encode(), hashlib.sha256).hexdigest()[:16]
def analyser_donnees_sensibles(fichier_path: str, colonnes_a_masquer: list[str]):
"""Pseudonymizes data before sending to Code Interpreter."""
df = pd.read_csv(fichier_path)
for col in colonnes_a_masquer:
if col in df.columns:
df[col] = df[col].map(pseudonyme)
fichier_pseudo = "/tmp/donnees_pseudonymisees.csv"
df.to_csv(fichier_pseudo, index=False)
# Send with automatic expiration after one hour
with open(fichier_pseudo, "rb") as f:
fichier = client.files.create(
file=f,
purpose="user_data",
expires_after={"anchor": "created_at", "seconds": 3600},
)
response = client.responses.create(
model="gpt-5.6-terra",
input=[{
"role": "user",
"content": [
{"type": "input_text", "text": "Analyze trends in this data"},
{"type": "input_file", "file_id": fichier.id}
]
}],
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
client.files.delete(fichier.id) # without waiting for expiration
return response.output_text
Παραγόμενος κώδικας
Η απομόνωση προστατεύει το σύστημά σας, όχι την ορθότητα του αποτελέσματος: ο κώδικας εκτελείται στην OpenAI, σε ένα αναλώσιμο container, και δεν αγγίζει ποτέ τις μηχανές σας. Ο κίνδυνος μετατοπίζεται σε ό,τι κάνετε με τις εξόδους του. Εάν ανακτήσετε τον κώδικα για να τον εκτελέσετε στο δικό σας περιβάλλον, ελέγξτε τον όπως θα κάνατε με κώδικα τρίτου μέρους. Και εάν το container έχει λίστα επιτρεπόμενων τομέων, λάβετε υπόψη ότι ένα κακόβουλο αρχείο μπορεί να περιέχει οδηγίες που ωθούν το μοντέλο να στείλει δεδομένα σε αυτούς τους τομείς.
Διαχείριση σφαλμάτων εκτέλεσης
Ο κώδικας μπορεί να αποτύχει στο sandbox. Το μοντέλο γενικά προσπαθεί να διορθώσει:
response = client.responses.create(
model="gpt-5.6-terra",
input="Calculate the inverse matrix of a singular matrix [[1,2],[2,4]]",
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}],
instructions="If the code produces an error, explain why "
"and propose an alternative."
)
# Το μοντέλο εκτελεί τον κώδικα, εντοπίζει το LinAlgError,
# στη συνέχεια εξηγεί ότι ο πίνακας είναι ιδιόμορφος και προτείνει
# την ψευδοαντίστροφη Moore-Penrose
Βέλτιστες πρακτικές
# 1. Να είστε συγκεκριμένοι στις οδηγίες σας
# Κακό:
input_vague = "Analyze this data"
# Καλό:
input_precis = ("Load this CSV with pandas. "
"Calculate the mean, median, and standard deviation of the 'amount' column. "
"Identify values greater than 3 standard deviations. "
"Generate a boxplot.")
# 2. Ζητήστε σχολιασμένο κώδικα
instructions = "Comment each step of the code. Display intermediate results."
# 3. Διαχειριστείτε μεγάλα αρχεία
instructions_lot = ("If the file exceeds 100,000 lines, "
"work on a representative sample of 10,000 lines "
"and indicate this in your response.")
Βασικά σημεία
- Το container είναι απομονωμένο: δίκτυο κλειστό από προεπιλογή, μνήμη περιορισμένη, λήξη μετά από 20 λεπτά αδράνειας
- Η OpenAI δεν δημοσιεύει τη λίστα πακέτων: ζητήστε από το μοντέλο να την καταγράψει
- Μια λίστα επιτρεπόμενων τομέων ανοίγει σε δύο επίπεδα (οργανισμός, κατόπιν αίτημα) και εκθέτει σε εξαγωγή δεδομένων: βάλτε εκεί μόνο αξιόπιστους τομείς
- Για να αλυσιδώσετε βήματα, επαναχρησιμοποιήστε το ίδιο container (
client.containers.create, κατόπιν το ID του σε κάθε κλήση) και διαγράψτε το στο τέλος - Ψευδωνυμοποιήστε τα ευαίσθητα δεδομένα πριν την αποστολή και διαγράψτε τα μεταφορτωμένα αρχεία μετά τη χρήση
- Το μοντέλο διαχειρίζεται τα σφάλματα εκτέλεσης και προσπαθεί να αυτοδιορθωθεί