Code Interpreter: Izvršavanje koda u API-ju
Na ovoj stranici
Ažurirano 2. studenoga 2026. na temelju službenog vodiča za Code Interpreter i SDK-a
openai: alat zahtijeva parametarcontainer(koji nedostaje u svim prethodnim primjerima, što bi dovelo do greške), generirane datoteke pojavljuju se u bilješkama tipacontainer_file_citationi preuzimaju se putem Containers API-ja (a ne putemclient.files.content), a izlazi poziva nazivaju seoutputs(umjestoresults). Dijelovi ulaznog teksta koriste tipinput_text. Datoteke priložene poruci učitavaju se s namjenomuser_data, što OpenAI preporučuje za ulaze modela (File inputs). Izvori: Code Interpreter · File inputs.
Code Interpreter: Izvršavanje koda u API-ju
Jezični model predviđa tekst; on ne računa. Zatražiš li od njega kvadratni korijen broja 1764, proizvest će najvjerojatniji rezultat na temelju svoje obuke – često točan, ponekad pogrešan, bez mogućnosti da razlikuješ jedno od drugoga. Code Interpreter uklanja tu nesigurnost dajući modelu Python interpreter: on piše izračun, izvršava ga i vraća dobiveni rezultat, a ne nagađanje.
Promjena je dublja nego što se čini. Model vidi izlaz vlastitog koda, uključujući greške, pa se može ispraviti i pokušati ponovno. Na podatkovnoj datoteci čija točna struktura nikome nije unaprijed poznata, ova petlja nadmašuje svaku unaprijed napisanu instrukciju.
Omogućavanje Code Interpretera
Omogućuješ ga dodavanjem alata u polje tools – nema instalacije, nema potrebe za pripremom okruženja. Model sam odlučuje kada će pisati kod: na činjenična pitanja odgovara izravno, ali prelazi na izvršavanje kada su potrebni izračuni ili manipulacija podacima.
from openai import OpenAI
client = OpenAI()
response = client.responses.create(
model="gpt-5.6-terra",
input="Calculate the Fibonacci sequence up to the 20th term",
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
print(response.output_text)
Model piše Python kod, izvršava ga u izoliranom okruženju (sandbox) i integrira rezultate u svoj odgovor.
Pregled izvršenog koda
Uvježbaj čitanje ovog koda, barem tijekom razvoja. To je jedini način da razlikuješ dobar rezultat od onoga koji je točan slučajno: prosjek izračunat uz tiho ignoriranje nedostajućih vrijednosti numerički je točan, ali analitički pogrešan. Odgovor ti to neće reći; kod hoće.
Odgovor sadrži generirani kod i njegove rezultate:
response = client.responses.create(
model="gpt-5.6-terra",
input="What is the square root of 1764? Verify by squaring the result.",
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}],
include=["code_interpreter_call.outputs"], # za primanje proizvedenih zapisa i slika
)
for item in response.output:
if item.type == "code_interpreter_call":
print("--- Executed Code ---")
print(item.code)
print("--- Outputs ---")
for output in item.outputs or []:
print(output.logs if output.type == "logs" else output.url)
Korištenje datoteka kao ulaza
Alat pokazuje punu vrijednost kada radi s datotekama. Učitaš datoteku, referenciraš je u pozivu, a model je stvarno otvara – čita stvarne stupce, stvarne tipove i stvarne ekstremne vrijednosti, umjesto da rezonira o opisu koji si mu možda pružio.
# Učitavanje datoteke
with open("sales_2025.csv", "rb") as f:
file_obj = client.files.create(file=f, purpose="user_data")
# Korištenje Code Interpretera s datotekom
response = client.responses.create(
model="gpt-5.6-terra",
input=[
{
"role": "user",
"content": [
{"type": "input_text", "text": "Analyze this sales file. "
"Give me the total by category and the best-performing month."},
{"type": "input_file", "file_id": file_obj.id}
]
}
],
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
print(response.output_text)
Dohvaćanje generiranih datoteka
Funkcionira i obrnuti put: kod proizvodi očišćeni CSV, grafikon ili Excel radnu knjigu, a te se datoteke vraćaju tebi. One ostaju u kontejneru, a poruka odgovora citira ih u svojim bilješkama tipa container_file_citation, uključujući ID kontejnera, ID datoteke i naziv datoteke. Zatim ih preuzimaš putem Containers API-ja. Dvije male funkcije, koje ćeš ponovno koristiti u kasnijim lekcijama, encapsuliraju ovaj tijek:
def generated_files(response):
"""Datoteke koje je stvorio Code Interpreter, citirane u bilješkama poruke."""
for item in response.output:
if item.type == "message":
for part in item.content:
for ann in getattr(part, "annotations", None) or []:
if ann.type == "container_file_citation":
yield ann
def download(client, ann, path):
"""Preuzima datoteku iz kontejnera i vraća njezinu lokalnu putanju."""
content = client.containers.files.content.retrieve(ann.file_id, container_id=ann.container_id)
with open(path, "wb") as out:
out.write(content.read())
return path
Datoteke koje pružiš kao ulaz (input_file) automatski se kopiraju u kontejner: ne moraš učitavati ništa drugo.
response = client.responses.create(
model="gpt-5.6-terra",
input=[
{
"role": "user",
"content": [
{"type": "input_text", "text": "Create a chart of sales by month "
"and export the cleaned data as a CSV."},
{"type": "input_file", "file_id": file_obj.id}
]
}
],
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
# Dohvaćanje generiranih datoteka
for ann in generated_files(response):
print(f"Generated file: {ann.filename}")
download(client, ann, ann.filename)
Kontejner i okruženje
Poznavanje pravila kontejnera štedi vrijeme u otklanjanju grešaka kod onoga što ne može funkcionirati. Prema OpenAI dokumentaciji:
- radi se o potpuno izoliranom virtualnom stroju (sandbox) u kojem model izvršava Python;
- alat zahtijeva parametar
container:{"type": "auto"}stvara kontejner (ili ponovno koristi onaj iz prethodnog poziva prisutan u kontekstu), dok ID dobiven putemclient.containers.create(...)prisiljava korištenje određenog kontejnera; - memorija se postavlja s
memory_limit:1g(zadano),4g,16gili64g, pri čemu se više razine naplaćuju po stopama za integrirane alate; - kontejner ističe nakon 20 minuta neaktivnosti; tada se njegovi podaci gube, stoga preuzmi sve datoteke koje želiš zadržati dok je aktivan.
Nemoj računati na mrežni pristup iz koda: pruži podatke kao ulaz ili delegiraj istraživanje alatu Web Search.
# Primjer: model može izravno koristiti pandas
response = client.responses.create(
model="gpt-5.6-terra",
input=[
{
"role": "user",
"content": [
{"type": "input_text", "text": "Load this CSV with pandas, "
"calculate descriptive statistics, and identify outliers."},
{"type": "input_file", "file_id": file_obj.id}
]
}
],
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
Lančano izvršavanje više operacija
Uzastopna izvršavanja dijele istu sesiju: varijable, DataFrameovi i uvezeni moduli iz prvog bloka ostaju dostupni u sljedećem, točno kao u bilježnici. Model to prirodno iskorištava – učitava, pregledava, zatim obrađuje – čineći višekoračnu analizu mogućom bez ponovnog učitavanja svega u svakoj fazi.
response = client.responses.create(
model="gpt-5.6-terra",
input="1. Generate 1000 random points from a normal distribution. "
"2. Calculate the mean and standard deviation. "
"3. Create a histogram. "
"4. Perform a Shapiro-Wilk normality test.",
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
# Model izvršava 4 bloka koda uzastopno
# Svaki blok ima pristup varijablama iz prethodnih
Kombiniranje s drugim alatima
Najkorisnija kombinacija spaja izvor podataka s mogućnošću njihove obrade: File Search pronalazi relevantan odlomak u tvojim dokumentima, Web Search donosi tržišne podatke, a Code Interpreter uspoređuje ta dva u tablici ili grafikonu. Nijedan od ovih alata ne može obavljati poslove drugih.
response = client.responses.create(
model="gpt-5.6-terra",
input="Search the web for French GDP data from the last 10 years, "
"then create a trend chart with a linear regression.",
tools=[
{"type": "web_search"},
{"type": "code_interpreter", "container": {"type": "auto"}}
]
)
Uzorak: Potpuni pipeline analize
Konačni primjer povezuje sve gore navedeno u realan slučaj: ulazna datoteka, višekoračna analiza i izlazni rezultati. Posebno se usredotoči na format upita – numeriran, eksplicitan oko očekivanog izlaza – jer to, daleko više od pratećeg Python koda, određuje kvalitetu rezultata.
def analyze_data(file_path: str, questions: list[str]) -> dict:
"""Pipeline za analizu podataka s Code Interpreterom."""
# Učitavanje
with open(file_path, "rb") as f:
file_obj = client.files.create(file=f, purpose="user_data")
results = {}
for question in questions:
response = client.responses.create(
model="gpt-5.6-terra",
input=[
{
"role": "user",
"content": [
{"type": "input_text", "text": question},
{"type": "input_file", "file_id": file_obj.id}
]
}
],
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}],
instructions="Write clean, commented Python code. "
"Display intermediate results."
)
results[question] = response.output_text
return results
# Upotreba
results = analyze_data("sales.csv", [
"Give descriptive statistics for each numeric column",
"What are the top 5 best-selling products?",
"Is there seasonality in sales?"
])
Ključne točke
- Code Interpreter pokreće Python u izoliranom kontejneru; parametar
containerje obavezan ({"type": "auto"}ili ID) - Datoteke pružene kao
input_fileautomatski se kopiraju u kontejner - Generirane datoteke citirane su kao
container_file_citationi preuzimaju se putemclient.containers.files.content.retrieve - Kontejner ističe nakon 20 minuta neaktivnosti: preuzmi ono što želiš zadržati
- Kombiniraj s Web Search i File Search za obogaćenu analizu