Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Code Interpreter: Izvršavanje koda u API-ju

Lekcija 10 od 20 Ažurirano 2. studenoga 2026. Programer
Na ovoj stranici
  1. Code Interpreter: Izvršavanje koda u API-ju
  2. Omogućavanje Code Interpretera
  3. Pregled izvršenog koda
  4. Korištenje datoteka kao ulaza
  5. Dohvaćanje generiranih datoteka
  6. Kontejner i okruženje
  7. Lančano izvršavanje više operacija
  8. Kombiniranje s drugim alatima
  9. Uzorak: Potpuni pipeline analize
  10. Ključne točke

Ažurirano 2. studenoga 2026. na temelju službenog vodiča za Code Interpreter i SDK-a openai: alat zahtijeva parametar container (koji nedostaje u svim prethodnim primjerima, što bi dovelo do greške), generirane datoteke pojavljuju se u bilješkama tipa container_file_citation i preuzimaju se putem Containers API-ja (a ne putem client.files.content), a izlazi poziva nazivaju se outputs (umjesto results). Dijelovi ulaznog teksta koriste tip input_text. Datoteke priložene poruci učitavaju se s namjenom user_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 putem client.containers.create(...) prisiljava korištenje određenog kontejnera;
  • memorija se postavlja s memory_limit: 1g (zadano), 4g, 16g ili 64g, 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 container je obavezan ({"type": "auto"} ili ID)
  • Datoteke pružene kao input_file automatski se kopiraju u kontejner
  • Generirane datoteke citirane su kao container_file_citation i preuzimaju se putem client.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