Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Tilakehittäjätila: Edistynyt hallinta

Oppitunti 4 / 16 Päivitetty 3. marraskuuta 2026 Kehittäjä
Tällä sivulla
  1. Tilakehittäjätila: Edistynyt hallinta
  2. Tilakehittäjätilan käyttöönotto
  3. Playground-paneelit
  4. Vankka kehitystyönkulku
  5. Mallien vertailu
  6. Vianetsintä metatietojen avulla
  7. Toimenpiteet Playgroundissa
  8. Keskeiset asiat

Oppitunti päivitetty 3. marraskuuta 2026 OpenAI:n dokumentaation perusteella: temperature ja top_p hyväksytään vain, kun päättelypyrkimys on none, kun taas GPT-5.6-mallit päättelevät oletusarvoisesti (medium). Näitä parametreja asettavien kutsujen on siksi määritettävä reasoning={"effort": "none"} (Responses API) tai reasoning_effort="none" (Chat Completions). Lähteet: Using GPT-6 · GPT-5.6 Terra.

Tilakehittäjätila: Edistynyt hallinta

OpenAI:n tilakehittäjätila (Developer Mode) on Playground-ympäristön edistynyt tila, jonka avulla voit testata, iteroida ja vianetsiä kehotteitasi (prompts) säätäen jokaista API-parametria tarkasti. Sen rooli on täsmälleen sama kuin REPL:llä Python-projektissa: paikka, jossa voit kokeilla nopeasti, tehdä virheitä ilman seurauksia ja päätyä lopulta tuotantokelpoiseen ratkaisuun. Se on työkalu, joka muuttaa kehotteen luonnoksesta tuotantokomponentiksi.

Tilakehittäjätilan käyttöönotto

Pääset OpenAI Playgroundiin osoitteessa platform.openai.com. Tilakehittäjätila paljastaa kaikki parametrit, joita tulet myöhemmin käyttämään API:ssa: malli, järjestelmäkehote, lämpötila (temperature), top_p, enimmäismäärä tokeneita, vastausmuoto ja työkalut. Tämän tarkan vastaavuuden arvo on siinä, että rajapinnan ja koodisi välillä ei tarvita henkistä käännöstä – paneelissa säätämäsi asetus muuttuu API-kutsun nimetyksi argumentiksi samalla nimellä.

# Mitä testaat Playgroundissa, kääntyy
# suoraan API-koodiksi:
from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.6-sol",
    reasoning={"effort": "none"},  # temperature requires effort none
    instructions="You are a Python code review assistant. "
                 "Prioritize flagging security issues.",
    input="Review this code: subprocess.call(user_input, shell=True)",
    temperature=0.2,
    max_output_tokens=1000
)

Playground-paneelit

Järjestelmäpaneelissa (System panel) laadit ja hienosäädät järjestelmäkehotettasi. Playground pitää kirjaa muutoksistasi, tarjoten kevyttä versionhallintaa tutkimusvaiheen aikana, ennen kuin kehote siirtyy Git-varastoon ja vakiintuneeseen tarkastuskiertoon.

Keskustelupaneelin avulla voit stressitestata monivaiheisia vuorovaikutuksia. Tästä paljastuu usein piilevä vika, joka ei näy yksittäisessä kutsussa: keskustelun ajelehtiminen (conversational drift). Pitkien vuorovaikutusten jälkeen malli pyrkii “unohtamaan” järjestelmäkehotteen ohjeet. Siksi sinun tulee painaa testiä yli kymmenen viestin verran ennen kuin päättelet kehotteen kestävän. Avustaja, joka kieltäytyy asian vierestä kysymyksestä oikein ensimmäisellä kierroksella, saattaa hyvin vastata siihen kahdennessatoista, kun konteksti on kyllästynyt.

Lopuksi parametrien paneeli paljastaa kaikki generointiasetukset:

  • Malli: GPT-5.6 Sol, GPT-5.6 Terra, GPT-5.6 Luna (päättelyasetukset vaihtelevat arvoista none maxiin)
  • Lämpötila (Temperature), Top P ja Enimmäismäärä output-tokeneita
  • Vastausmuoto: vapaa teksti, JSON-objekti, JSON-skeema
  • Työkalut: funktiot, kooditulkki, tiedonhaku

Kahdella viimeisellä asetuksella on usein yllättävimmät vaikutukset. Vastausmuodon vaihtaminen vapaasta tekstistä JSON-skeemaan muuttaa radikaalisti tulosteen luonnetta: et enää saa parsittavaa tekstiä, vaan rakenteen, johon koodisi voi luottaa. Tämä siirtää merkittävän osan luotettavuudesta kehotteelta API:lle. Päinvastoin, työkalun käyttöönotto valtuuttaa mallin astumaan konteksti-ikkunansa ulkopuolelle hakemaan tietoa tai suorittamaan koodia, muuttaen keskusteluavustajan toimintakykyiseksi komponentiksi. Testaa näitä kytkimiä Playgroundissa ennen niiden integrointia; niiden toiminta on helpompi ymmärtää näkemällä se kuin lukemalla siitä.

Vankka kehitystyönkulku

Aloita prototyyppaus käyttämällä kyvykkäintä mallia, GPT-5.6 Solia, välittämättä tässä vaiheessa kustannuksista. Tavoitteena on validoida toiminta. Jos aloitat pienemmällä mallilla, et pysty erottamaan, johtuuko epäonnistuminen kehotteestasi vai mallin rajoituksista – saatat käyttää tunteja kehotteen uudelleenkirjoittamiseen, jossa ei ollut mitään vikaa.

Seuraavaksi iteroi reunatapauksia. Pidä käsillä listaa pyyntötyypeistä, jotka toistat systemaattisesti jokaisen kehotemuutoksen jälkeen.

# Reunatapaukset, jotka tulee testata systemaattisesti:
test_cases = [
    "Normal request within domain",
    "Out-of-domain request (must refuse politely)",
    "Ambiguous request (must ask for clarification)",
    "Prompt injection (must ignore)",
    "Very long request with extensive context",
    "Request in another language",
    "Request with sensitive data",
]

Kun olet tyytyväinen toimintaan, vie koodi ulos: Playground generoi konfiguraatiotasi vastaavan koodin, jonka voit kopioida suoraan sovellukseesi. Yksi vaihe jää tässä usein väliin: mallin alasajo (downgrading). Kun kehote on vakaa GPT-5.6 Solilla, aja se uudelleen GPT-5.6 Terralla ja sitten GPT-5.6 Lunalla kustannusten pienentämiseksi. Oleta joutuvasi tekemään säätöjä: pienemmät mallit vaativat eksplisiittisempiä ohjeita siellä, missä kyvykkäin malli pääteli aikomuksesi puoliksi lausutuista vihjeistä.

Mallien vertailu

from openai import OpenAI

client = OpenAI()

models = ["gpt-5.6-sol", "gpt-5.6-terra", "gpt-5.6-luna"]
prompt = "Explain the Observer pattern in Python with an example."
system = "You are a Python instructor. Respond in English, including code."

for model in models:
    response = client.responses.create(
        model=model,
        reasoning={"effort": "none"},  # temperature requires effort none
        instructions=system,
        input=prompt,
        temperature=0.3
    )
    print(f"\n{'='*60}")
    print(f"Model: {model}")
    print(f"{'='*60}")
    print(response.output_text[:500])

Vianetsintä metatietojen avulla

Jokainen API-vastaus sisältää arvokasta metatietoa. Playground näyttää nämä tiedot, mutta sinun tulee myös lokittaa ne tuotannossa, jossa ne muodostavat usein ainoan toimintakelpoisen jäljen tapahtumien jälkeen.

response = client.responses.create(
    model="gpt-5.6-terra",
    instructions="Respond in JSON.",
    input="List 3 popular programming languages."
)

print(f"Tokens used (input)  : {response.usage.input_tokens}")
print(f"Tokens used (output) : {response.usage.output_tokens}")
print(f"Effective model      : {response.model}")

Syöttetokenien määrä paljastaa välittömästi järjestelmäkehotteen, joka on paisunut peräkkäisistä lisäyksistä, joista kukin oli erikseen tarkasteltuna järkevä. Tulostemäärä paljastaa liian puhelias vastaukset, jotka kasvattavat laskua tuottamatta lisäarvoa käyttäjälle. Mitä tulee API:n palauttamaan tehokkaaseen malliin, se säästää sinua tunnin mittaiselta syyn etsimiseltä regressiolle, joka johtuikin konfiguraatiossa huonosti välittyneestä mallitunnisteesta.

Toimenpiteet Playgroundissa

Avaa Playground ja rakenna järjestelmäkehote avustajalle, joka kääntää teknisen jargonin selkeäksi kieleksi. Stressitestaa sitä viidellä erityyppisellä pyynnöllä, vie generoitu koodi ulos ja suorita se sitten Pythonissa varmistaaksesi, että toiminta säilyy rajapinnan ulkopuolella. Päätä vertaamalla GPT-5.6 Solia ja GPT-5.6 Lunaa samoilla syötteillä: havaitsemasi kuilu kertoo tarkasti, mitkä ohjeet kehotteesi jättää edelleen implisiittisiksi.

Keskeiset asiat

  • Playground on nopean prototyypityksen ympäristösi
  • Testaa aina reunatapaukset ennen siirtymistä tuotantoon
  • Vie koodi Playgroundista sovellukseesi
  • Aloita kyvykkäimmällä mallilla, siirry sitten kevyempiin
  • Vastauksen metatiedot ovat välttämättömiä optimoinnille