Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Rakenteiset tulosteet ja koodin suoritus

Oppitunti 9 / 12 Päivitetty 2. marraskuuta 2026 Kehittäjä
Tällä sivulla
  1. Koodin suoritus ja tulosten jäsennys
  2. Grok 4:n ja uudempien ominaisuus
  3. Tyypillinen käyttötapaus: Tarkat laskelmat
  4. Esimerkki: Tilastollinen analyysi
  5. Verihaun ja koodin suorituksen yhdistäminen
  6. Koodin suorituksen rajoitukset
  7. Keskeiset asiat

Päivitetty 2. marraskuuta 2026. Perustuu xAI:n dokumentaatioon: xai-sdk:ssa rakenteiset tulosteet yhdistyvät työkaluihin luomalla keskustelu (client.chat.create(..., tools=[code_execution()])) ja kutsumalla sen jälkeen chat.parse(Schema), joka palauttaa vastauksen ja tyypitetyn objektin; edellinen esimerkki kutsui client.chat.parse(...) Chat Completions -argumenteilla, mikä on metodi, jota ei ole olemassa missään SDK:ssa. Lähteet: Structured Outputs · Code Execution.

Koodin suoritus ja tulosten jäsennys

Rakenteisten tulosteiden yhdistäminen koodin suoritukseen antaa mallille mahdollisuuden laskea tuloksia ja palauttaa ne jäsennetyssä muodossa. Malli kirjoittaa koodin, suorittaa sen eristetyssä ympäristössä ja muotoilee tulosteen skeemasi mukaisesti.

Grok 4:n ja uudempien ominaisuus

Kuten verkkohaku, tämä yhdistelmä on varattu vain Grok 4:lle ja uudemmille malleille – eli koko nykyiselle mallistolle (Grok 4.5, Grok 4.3, grok-4.20-muunnelmat). Varhaisemmat mallit eivät tukeneet työkalujen yhdistämistä rakenteisiin tulosteisiin.

Tyypillinen käyttötapaus: Tarkat laskelmat

Koodin suorituksen suurin etu rakenteisten tulosteiden kanssa on laskennan tarkkuus. Kielimallit tekevät säännöllisesti aritmeettisia virheitä. Koodia suorittamalla tulokset ovat matemaattisesti täsmällisiä.

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

client = Client()  # avain luetaan XAI_API_KEY-ympäristömuuttujasta

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("""Tässä ovat neljännesvuosimyynnit:
- Tuote A: 150 kappaletta hintaan 45 €, yksikkökustannus 28 €
- Tuote B: 320 kappaletta hintaan 22 €, yksikkökustannus 15 €
- Tuote C: 85 kappaletta hintaan 120 €, yksikkökustannus 78 €

Laske täydellinen rahoitusanalyysi."""))

response, parsed = chat.parse(FinancialAnalysis)

print(f"Bruttokate: {parsed.gross_margin} €")
print(f"Kateprosentti: {parsed.margin_percentage} %")
print(f"Paras tuote: {parsed.most_profitable_product}")

Malli kirjoittaa Python-skriptin laskelmien suorittamiseen, ajaa sen ja muotoilee tulokset FinancialAnalysis-skeemaan.

Esimerkki: Tilastollinen analyysi

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("""Laske kuvailevat tilastotiedot tälle datalle:
[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"Keskiarvo: {parsed.mean}")
print(f"Keskihajonta: {parsed.std_dev}")

Verihaun ja koodin suorituksen yhdistäminen

Voit ottaa molemmat työkalut käyttöön samanaikaisesti:

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("Analysoi Applen osaketta viimeisen 30 päivän ajalta"))

response, parsed = chat.parse(MarketAnalysis)

Malli hakee tuoreet tiedot verkosta ja käyttää sen jälkeen koodin suoritusta muutosten ja keskiarvojen laskemiseen.

Koodin suorituksen rajoitukset

  • Suoritusympäristö on eristetty ja väliaikainen
  • Yleiset Python-paketit on esiasennettu (NumPy, Pandas, Matplotlib, SciPy)
  • Suoritusaika ja muisti ovat rajoitettuja
  • Suoritettavalla koodilla ei ole verkkoyhteyttä
  • Luodut tiedostot eivät säily puheluiden välillä

Keskeiset asiat

  • Koodin suoritus ja rakenteiset tulosteet vaativat vähintään Grok 4:n – koko nykyinen mallisto on yhteensopiva
  • Malli kirjoittaa ja suorittaa koodia tarkkoja laskelmia varten
  • Ota työkalu käyttöön käyttämällä code_execution() xAI SDK:ssa tai {"type": "code_interpreter"} Responses API:ssa ja hae tyypitetty objekti komennolla chat.parse(Schema)
  • Yhdistettävissä web_search-työkaluun haun ja laskennan ketjuttamiseksi
  • Ihanteellinen rahoitus-, tilasto- ja matemaattiseen analyysiin
  • Lasketut tulokset ovat täsmällisiä, toisin kuin kielimallien arviot