Ir al contenido principal
Español— Elegir un idioma
Menú

Límites prácticos y mejores prácticas

Lección 15 de 16 Actualizado el 30 de julio de 2026 Desarrollador
En esta página
  1. Aprovechar al máximo la ejecución de código
  2. Selección del modelo
  3. Configuración de la temperatura
  4. Estructuración de tus indicaciones (prompts)
  5. Gestión de errores
  6. Validación de resultados
  7. Combinar la ejecución de código con la búsqueda web
  8. Puntos clave

Aprovechar al máximo la ejecución de código

Ahora que conoces las limitaciones técnicas del entorno aislado (sandbox), esta lección se centra en las mejores prácticas para obtener resultados fiables y optimizar el uso de la Ejecución de Código. Estas recomendaciones provienen del uso en producción y de la guía de xAI.

Selección del modelo

xAI recomienda utilizar grok-4.20-0309-reasoning para la generación de código. Este modelo produce código más estructurado, mejor comentado y con menos errores que los modelos no razonadores. La diferencia es especialmente visible en problemas complejos que requieren un razonamiento en varios pasos.

Configuración de la temperatura

Para cálculos matemáticos y análisis de datos, utiliza temperaturas bajas:

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 a 0,1: cálculos matemáticos puros, resultados deterministas
  • 0,1 a 0,3: análisis de datos con interpretación
  • 0,3 a 0,7: generación de código creativo (evitar para cálculos críticos)

Una temperatura alta puede producir diferentes enfoques algorítmicos en cada llamada, lo que hace que los resultados no sean reproducibles.

Estructuración de tus indicaciones (prompts)

Incluir los datos en la indicación

Dado que el entorno aislado no tiene acceso a la red, debes incluir cualquier dato que vaya a analizarse directamente en la indicación:

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
)

Especificar el formato de salida esperado

El modelo produce mejores resultados cuando especificas qué esperas obtener:

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.
"""

Desglosar problemas complejos

Para análisis en varios pasos, estructura tu indicación de forma secuencial:

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
"""

Gestión de errores

El modelo puede encontrar errores durante la ejecución. En ese caso, suele intentar corregir su código y volver a ejecutarlo. Esto implica que:

  • Pueden facturarse varias invocaciones por una única solicitud
  • El resultado final puede tardar más en llegar
  • En casos raros, el modelo puede no lograr corregir el error

Para minimizar los errores, sé preciso en tus instrucciones y proporciona los datos en un formato claro y estructurado (CSV, JSON, tablas).

Validación de resultados

La Ejecución de Código es una herramienta potente, pero no es infalible. Para cálculos críticos:

  • Verifica los resultados con un subconjunto conocido
  • Pide al modelo que explique su metodología
  • Compara con resultados obtenidos por otros medios
  • Solicita el código fuente para revisarlo si es necesario

El modelo suele incluir el código ejecutado en su respuesta, lo que te permite verificar la lógica.

Combinar la ejecución de código con la búsqueda web

Un caso de uso avanzado consiste en combinar ambas herramientas:

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
)

El modelo utiliza la Búsqueda Web para recuperar los datos y luego la Ejecución de Código para analizarlos. Este flujo de trabajo es totalmente automático.

Puntos clave

  • Utiliza grok-4.20-0309-reasoning para obtener la mejor calidad de código
  • Temperatura baja (0,0–0,3) para cálculos; más alta para código creativo
  • Incluye los datos en la indicación (el entorno aislado no tiene acceso a la red)
  • Estructura tus solicitudes: formato esperado, pasos secuenciales
  • Valida los resultados críticos: el modelo no es infalible
  • La combinación de Búsqueda Web + Ejecución de Código es un flujo de trabajo potente