Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Käytännön rajat ja parhaat käytännöt

Oppitunti 15 / 16 Päivitetty 30. heinäkuuta 2026 Kehittäjä
Tällä sivulla
  1. Code Executionin hyödyntäminen parhaalla mahdollisella tavalla
  2. Mallin valinta
  3. Lämpötila-asetus (Temperature)
  4. Kehotteiden (Prompts) jäsentäminen
  5. Virheenkäsittely
  6. Tulosten validointi
  7. Code Executionin ja verkkohaun yhdistäminen
  8. Keskeiset asiat

Code Executionin hyödyntäminen parhaalla mahdollisella tavalla

Nyt kun ymmärrät hiekkalaatikon tekniset rajoitukset, tämä oppitunti keskittyy parhaisiin käytäntöihin luotettavien tulosten saamiseksi ja Code Executionin optimoituun käyttöön. Nämä suositukset perustuvat tuotantokäyttöön ja xAI:n ohjeistukseen.

Mallin valinta

xAI suosittelee koodin generointiin mallia grok-4.20-0309-reasoning. Tämä malli tuottaa jäsennellympää, paremmin kommentoitua koodia ja tekee vähemmän virheitä kuin muut kuin päättelyyn kykenevät mallit. Ero on erityisen havaittavissa monivaiheista päättelyä vaativissa monimutkaisissa ongelmissa.

Lämpötila-asetus (Temperature)

Käytä matemaattisiin laskelmiin ja data-analyysiin matalia lämpötila-arvoja:

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
)
  • 0,0–0,1: puhtaat matemaattiset laskelmat, deterministiset tulokset
  • 0,1–0,3: data-analyysi tulkintoineen
  • 0,3–0,7: luova koodin generointi (vältä kriittisissä laskelmissa)

Korkea lämpötila voi tuottaa erilaisia algoritmisia lähestymistapoja jokaisella kutsulla, mikä tekee tuloksista toistamattomia.

Kehotteiden (Prompts) jäsentäminen

Sisällytä data kehotteeseen

Koska hiekkalaatikolla ei ole verkkoyhteyttä, sinun on sisällytettävä kaikki analysoitava data suoraan kehotteeseen:

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
)

Määritä odotettu tulostusmuoto

Malli tuottaa parempia tuloksia, kun määrität tarkasti, mitä odotat:

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.
"""

Pilko monimutkaiset ongelmat osiin

Monivaiheisissa analyyseissä jäsennä kehote sekventiaalisesti:

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
"""

Virheenkäsittely

Malli voi kohdata suoritusvirheitä. Tällöin se yleensä yrittää korjata koodinsa ja suorittaa sen uudelleen. Tämä tarkoittaa, että:

  • Yhdestä pyynnöstä voidaan veloittaa useita kutsuja
  • Lopullisen tuloksen saapuminen voi kestää kauemmin
  • Harvinaisissa tapauksissa malli ei onnistu korjaamaan virhettä

Minimoidaksesi virheet, ole ohjeistuksissasi tarkka ja tarjoa data selkeässä, jäsennellyssä muodossa (CSV, JSON, taulukot).

Tulosten validointi

Code Execution on tehokas työkalu, mutta ei erehtymätön. Kriittisissä laskelmissa:

  • Varmista tulokset tunnetulla osajoukolla
  • Pyydä mallia selittämään metodologiansa
  • Vertaa tuloksia muilla tavoilla saatuihin tuloksiin
  • Pyydä lähdekoodi tarkasteltavaksi tarvittaessa

Malli sisällyttää usein suoritetun koodin vastaukseensa, jolloin voit varmistaa logiikan.

Code Executionin ja verkkohaun yhdistäminen

Edistynyt käyttötapahtuma yhdistää nämä kaksi työkalua:

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
)

Malli käyttää Web Searchia datan hakemiseen ja sen jälkeen Code Executionia sen analysointiin. Tämä työnkulku on täysin automaattinen.

Keskeiset asiat

  • Käytä parasta koodin laatua varten mallia grok-4.20-0309-reasoning
  • Käytä laskelmiin matalaa lämpötilaa (0,0–0,3) ja luovaan koodiin korkeampaa
  • Sisällytä data kehotteeseen (hiekkalaatikolla ei ole verkkoyhteyttä)
  • Jäsennä pyyntösi: määritä odotettu muoto ja peräkkäiset vaiheet
  • Validoi kriittiset tulokset – malli ei ole erehtymätön
  • Web Searchin ja Code Executionin yhdistelmä on tehokas työnkulku