Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Način za programere: Napredna kontrola

Lekcija 4 od 16 Ažurirano 3. studenoga 2026. Programer
Na ovoj stranici
  1. Način za programere: Napredna kontrola
  2. Pristup načinu za programere
  3. Ploče u Playgroundu
  4. Robustan radni tijek razvoja
  5. Usporedba modela
  6. Otklanjanje pogrešaka s metapodacima
  7. Zadaci za djelovanje u Playgroundu
  8. Ključne točke

Lekcija ažurirana 3. studenog 2026. na temelju OpenAI dokumentacije: parametri temperature i top_p prihvaćeni su samo uz napor razmišljanja (reasoning effort) postavljen na none, dok modeli GPT-5.6 prema zadanim postavkama razmišljaju (medium). Pozivi koji postavljaju ove parametre stoga moraju specificirati reasoning={"effort": "none"} (Responses API) ili reasoning_effort="none" (Chat Completions). Izvori: Korištenje GPT-6 · GPT-5.6 Terra.

Način za programere: Napredna kontrola

OpenAIjev „Način za programere“ (Developer Mode) napredno je okruženje unutar Playgrounds koje ti omogućuje testiranje, iteraciju i otklanjanje pogrešaka u svojim promptovima uz preciznu kontrolu nad svakim parametrom API-ja. Igra točno istu ulogu kao REPL u Python projektu: mjesto gdje možeš brzo eksperimentirati, raditi pogreške bez posljedica i na kraju stvoriti nešto vrijedno commitanja. To je alat koji pretvara prompt iz nacrta u produkcijsku komponentu.

Pristup načinu za programere

OpenAI Playgroundu možeš pristupiti na platformi platform.openai.com. Način za programere izlaže svaki parametar koji ćeš kasnije koristiti u API-ju: model, sistemski prompt, temperaturu, top_p, maksimalan broj tokena, format izlaza i alate. Vrijednost ove stroge podudarnosti leži u tome što nije potreban nikakav mentalni prijevod između sučelja i tvog koda – postavka koju prilagodiš na ploči postaje imenovani argument u pozivu API-ja, pod istim imenom.

# Ono što testiraš u Playgroundu izravno se
# prevodi u API kod:
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
)

Ploče u Playgroundu

Ploča „System“ mjesto je gdje sastavljaš i usavršavaš svoj sistemski prompt. Playground vodi povijest tvojih promjena, pružajući lagano verzioniranje tijekom faze istraživanja, prije nego što prompt prijeđe u tvoj Git repozitorij i uđe u standardni ciklus pregleda.

Ploča za razgovor („Conversation“) omogućuje ti stresno testiranje razmjena s više poruka. Ovdje se često otkriva nevidljiva pogreška u izoliranom pozivu: konverzacijski drift. Nakon dugih razmjena, model ima tendenciju „zaboraviti“ upute iz sistemskog prompta. Stoga, svoje testiranje proširi na više od deset poruka prije nego što zaključiš da je tvoj prompt robustan. Asistent koji ispravno odbije pitanje izvan teme u prvom krugu, vrlo bi joj mogao odgovoriti u dvanaestom kada je kontekst zasićen.

Konačno, ploča s parametrima izlaže sve postavke generiranja:

  • Model: GPT-5.6 Sol, GPT-5.6 Terra, GPT-5.6 Luna (s postavkama razmišljanja od none do max)
  • Temperature, Top P i Max output tokens
  • Response format: slobodan tekst, JSON objekt, JSON shema
  • Tools: funkcije, interpreter koda, pretraživanje datoteka

Posljednje dvije postavke često imaju najiznenađujuće učinke. Prelazak formata odgovora („Response format“) sa slobodnog teksta na JSON shemu radikalno mijenja prirodu izlaza: više ne dobivaš tekst za parsiranje, već strukturu na koju se tvoj kod može osloniti. Time se značajan dio pouzdanosti prebacuje s prompta na API. Suprotno tome, omogućavanje alata („Tools“) autorizira model da izađe izvan svog prozora konteksta kako bi dohvatio informacije ili izvršio kod, pretvarajući konverzacijskog asistenta u komponentu sposobnu za djelovanje. Testiraj ove prekidače u Playgroundu prije integracije; njihovo ponašanje lakše je razumjeti viđenjem nego čitanjem o njemu.

Robustan radni tijek razvoja

Započni izradom prototipa s najmoćnijim modelom, GPT-5.6 Sol, bez brige o troškovima u ovoj fazi. Cilj je validirati ponašanje. Ako kreneš s manjim modelom, nećeš moći utvrditi proizlazi li neuspjeh iz tvog prompta ili iz ograničenja modela – mogao bi potrošiti sate prepisujući prompt koji zapravo nema ništa pogrešno.

Zatim iteriraj na rubnim slučajevima. Drži pri ruci popis obitelji zahtjeva koje sustavno ponavljaš nakon svake modifikacije prompta.

# Rubni slučajevi za sustavno testiranje:
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",
]

Kada si zadovoljan ponašanjem, izvrši izvoz: Playground generira kod koji odgovara tvojoj konfiguraciji, a koji možeš izravno kopirati u svoju aplikaciju. Ovdje se često preskače jedan korak: smanjenje razine modela („model downgrading“). Jednom kada je prompt stabilan s GPT-5.6 Sol, ponovi ga na GPT-5.6 Terra, a zatim na GPT-5.6 Luna kako bi smanjio troškove. Očekuj da ćeš morati napraviti prilagodbe: manji modeli zahtijevaju eksplicitnije upute, dok je najmoćniji model mogao inferirati tvoju namjeru iz napola izrečenih nagovještaja.

Usporedba modela

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])

Otklanjanje pogrešaka s metapodacima

Svaki odgovor API-ja nosi vrijedne metapodatke. Playground ih prikazuje, ali trebao bi ih bilježiti i u produkciji, gdje često predstavljaju tvoj jedini djelotvoran trag nakon događaja.

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}")

Broj ulaznih tokena odmah otkriva sistemski prompt koji je postao preglomazan zbog uzastopnih dodavanja, od kojih je svaki pojedinačno bio razuman. Broj izlaznih tokena otkriva previše opširne odgovore koji napuhuju račun, a da ne dodaju vrijednost korisniku. Što se tiče efektivnog modela koji vraća API, on te štedi od sat vremena traženja uzroka regresije koja zapravo proizlazi iz loše proslijeđenog ID-a modela u tvojoj konfiguraciji.

Zadaci za djelovanje u Playgroundu

Otvori Playground i izgradi sistemski prompt za asistenta koji prevodi tehnički žargon u običan jezik. Podvrgni ga stresnom testu s pet zahtjeva različite prirode, izvezi generirani kod, a zatim ga pokreni u Pythonu kako bi potvrdio da ponašanje preživljava napuštanje sučelja. Završi usporedbom GPT-5.6 Sol i GPT-5.6 Luna na istim ulazima: jaz koji uočit će ti točno ukazati koje upute tvoj prompt još uvijek ostavlja implicitnima.

Ključne točke

  • Playground je tvoje okruženje za brzo prototipiranje
  • Uvijek testiraj rubne slučajeve prije prelaska u produkciju
  • Izvezi kod iz Playgrounda u svoju aplikaciju
  • Započni s najmoćnijim modelom, zatim prijeđi na slabije
  • Metapodaci odgovora ključni su za optimizaciju