Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Δομημένες Έξοδοι και Εκτέλεση Κώδικα

Μάθημα 9 / 12 Ενημερώθηκε 2 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Εκτέλεση Κώδικα και Δόμηση Αποτελεσμάτων
  2. Λειτουργία για Grok 4 και νεότερες εκδόσεις
  3. Τυπική Περίπτωση Χρήσης: Ακριβείς Υπολογισμοί
  4. Παράδειγμα: Στατιστική Ανάλυση
  5. Συνδυασμός Αναζήτησης Ιστού και Εκτέλεσης Κώδικα
  6. Όρια Εκτέλεσης Κώδικα
  7. Βασικά σημεία

Ενημερώθηκε στις 2 Νοεμβρίου 2026. Βάσει της τεκμηρίωσης της xAI: με το xai-sdk, οι δομημένες έξοδοι συνδυάζονται με εργαλεία δημιουργώντας πρώτα τη συνομιλία (client.chat.create(..., tools=[code_execution()])) και καλώντας στη συνέχεια το chat.parse(Schema), το οποίο επιστρέφει την απάντηση και το αντικείμενο με τύπους. Το προηγούμενο παράδειγμα που καλούσε το client.chat.parse(...) με ορίσματα Chat Completions αναφέρεται σε μια μέθοδο που δεν υπάρχει σε κανένα SDK. Πηγές: Δομημένες Έξοδοι · Εκτέλεση Κώδικα.

Εκτέλεση Κώδικα και Δόμηση Αποτελεσμάτων

Ο συνδυασμός δομημένων εξόδων με την εκτέλεση κώδικα επιτρέπει στο μοντέλο να υπολογίζει αποτελέσματα και να τα επιστρέφει σε δομημένη μορφή. Το μοντέλο γράφει κώδικα, τον εκτελεί σε ένα περιβάλλον απομονωμένο (sandbox) και διαμορφώνει την έξοδο σύμφωνα με το σχήμα σας.

Λειτουργία για Grok 4 και νεότερες εκδόσεις

Όπως και η αναζήτηση στον ιστό, αυτός ο συνδυασμός προορίζεται αποκλειστικά για μοντέλα Grok 4 και νεότερα—δηλαδή για ολόκληρη την τρέχουσα γκάμα (Grok 4.5, Grok 4.3, παραλλαγές grok-4.20). Τα παλαιότερα μοντέλα δεν υποστήριζαν τον συνδυασμό εργαλείων με δομημένες εξόδους.

Τυπική Περίπτωση Χρήσης: Ακριβείς Υπολογισμοί

Το κύριο πλεονέκτημα της εκτέλεσης κώδικα με δομημένες εξόδους είναι η ακρίβεια στους υπολογισμούς. Τα LLM κάνουν συχνά αριθμητικά λάθη. Μέσω της εκτέλεσης κώδικα, τα αποτελέσματα είναι μαθηματικά ακριβή.

from pydantic import BaseModel
from xai_sdk import Client
from xai_sdk.chat import user
from xai_sdk.tools import code_execution

client = Client()  # το κλειδί διαβάζεται από το 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}")

Το μοντέλο θα γράψει ένα σενάριο Python για την εκτέλεση των υπολογισμών, θα το τρέξει και στη συνέχεια θα διαμορφώσει τα αποτελέσματα στο σχήμα FinancialAnalysis.

Παράδειγμα: Στατιστική Ανάλυση

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}")

Συνδυασμός Αναζήτησης Ιστού και Εκτέλεσης Κώδικα

Μπορείτε να ενεργοποιήσετε και τα δύο εργαλεία ταυτόχρονα:

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)

Το μοντέλο θα ανακτήσει πρόσφατα δεδομένα από τον ιστό και στη συνέχεια θα χρησιμοποιήσει την εκτέλεση κώδικα για να υπολογίσει τις μεταβολές και τους μέσους όρους.

Όρια Εκτέλεσης Κώδικα

  • Το περιβάλλον εκτέλεσης είναι απομονωμένο και εφήμερο
  • Κοινά πακέτα Python είναι προεγκατεστημένα (NumPy, Pandas, Matplotlib, SciPy)
  • Ο χρόνος εκτέλεσης και η μνήμη έχουν συγκεκριμένα όρια
  • Δεν υπάρχει πρόσβαση στο δίκτυο από τον εκτελούμενο κώδικα
  • Τα αρχεία που δημιουργούνται δεν διατηρούνται μεταξύ των κλήσεων

Βασικά σημεία

  • Η εκτέλεση κώδικα μαζί με δομημένες εξόδους απαιτεί τουλάχιστον Grok 4—ολόκληρη η τρέχουσα γκάμα είναι συμβατή
  • Το μοντέλο γράφει και εκτελεί κώδικα για ακριβείς υπολογισμούς
  • Ενεργοποιήστε το εργαλείο με code_execution() στο xAI SDK, ή {"type": "code_interpreter"} στο Responses API, και στη συνέχεια λάβετε το αντικείμενο με τύπους μέσω του chat.parse(Schema)
  • Συνδυάζεται με το web_search για αναζήτηση και επακόλουθο υπολογισμό
  • Ιδανικό για οικονομική, στατιστική και μαθηματική ανάλυση
  • Τα υπολογισμένα αποτελέσματα είναι ακριβή, σε αντίθεση με τις εκτιμήσεις των LLM