Code Interpreter: Kód futtatása az API-ban
Ezen az oldalon
Frissítve: 2026. november 2. a hivatalos Code Interpreter útmutató és az
openaiSDK alapján: az eszköz megköveteli acontainerparamétert (ami minden korábbi példából hiányzott, így azok sikertelenek lettek volna), a generált fájlok acontainer_file_citationannotációkban jelennek meg, és a Containers API-n keresztül tölthetők le (nem aclient.files.contentsegítségével), a hívások kimenete pedigoutputsnéven szerepel (nemresultsként). A bemeneti szövegrészek típusainput_text. Az üzenethez csatolt fájlokatuser_datacéllal kell feltölteni, amit az OpenAI ajánl a modellbemenetekhez (File inputs). Források: Code Interpreter · File inputs.
Code Interpreter: Kód futtatása az API-ban
A nyelvi modell szöveget jósol meg; nem számol. Ha megkéred a 1764 négyzetgyökére, a tanítási adatai alapján a legvalószínűbb eredményt adja meg – ami gyakran helyes, de néha téves, és nincs módod eldönteni, melyik melyik. A Code Interpreter megszünteti ezt a bizonytalanságot azáltal, hogy egy Python értelmezőt biztosít a modell számára: az megírja a számítást, végrehajtja, és egy kapott eredményt ad vissza, nem pedig egy tippet.
A váltás mélyebb, mint elsőre tűnik. A modell látja a saját kódja kimenetét, beleértve a hibákat is, így képes kijavítani magát és újra próbálkozni. Egy olyan adatfájlnál, ahol senki sem ismeri a pontos szerkezetet, ez a ciklus felülmúl bármilyen előre megírt utasítást.
A Code Interpreter engedélyezése
Úgy engedélyezed, hogy hozzáadod az eszközt a tools tömbhöz – nincs szükség telepítésre, sem környezet előkészítésére. A modell dönti el, mikor írjon kódot: a ténykérdésekre közvetlenül válaszol, de számítások vagy adatmanipuláció esetén végrehajtásra vált.
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)
A modell megírja a Python kódot, végrehajtja egy homokozóban (sandbox), és integrálja az eredményeket a válaszába.
A végrehajtott kód vizsgálata
Szoktasd rá magad, hogy elolvasod ezt a kódot, legalábbis fejlesztés közben. Ez az egyetlen módja annak, hogy megkülönböztesd a jó eredményt attól, ami csak véletlenül helyes: egy átlag, amelyet a hiányzó értékek csendes figyelmen kívül hagyásával számítanak ki, numerikusan helyes lehet, de analitikailag hamis. A válasz ezt nem árulja el; a kód igen.
A válasz tartalmazza a generált kódot és annak eredményeit:
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"], # a naplók és képek fogadásához
)
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)
Fájlok biztosítása bemenetként
Az eszköz akkor nyújtja a teljes értékét, amikor fájlokkal dolgozik. Feltöltöd a fájlt, hivatkozol rá a hívásban, és a modell ténylegesen megnyitja azt – elolvassa a valós oszlopokat, valós típusokat és valós kiugró értékeket, ahelyett, hogy egy általad esetleg megadott leírás alapján következtetne.
# A fájl feltöltése
with open("sales_2025.csv", "rb") as f:
file_obj = client.files.create(file=f, purpose="user_data")
# A Code Interpreter használata a fájllal
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)
A generált fájlok lekérése
A fordított út is működik: a kód előállít egy tisztított CSV-t, egy diagramot vagy egy Excel-munkafüzetet, és ezeket a fájlokat visszakapod. Ezek a konténerben maradnak, és a válaszüzenet container_file_citation típusú annotációkban hivatkozik rájuk, beleértve a konténer azonosítóját, a fájl azonosítóját és a fájlnevét. Ezután a Containers API-n keresztül töltöd le őket. Két kis függvény, amelyet a későbbi leckékben újra felhasználunk, kapszulázza ezt a folyamatot:
def generated_files(response):
"""A Code Interpreter által létrehozott fájlok, hivatkozva az üzenet annotációiban."""
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):
"""Letölt egy fájlt a konténerből, és visszaadja a helyi elérési útját."""
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
A bemenetként megadott fájlok (input_file) automatikusan másolódnak a konténerbe: nem kell mást feltöltened.
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"}}]
)
# A generált fájlok lekérése
for ann in generated_files(response):
print(f"Generated file: {ann.filename}")
download(client, ann, ann.filename)
Konténer és környezet
A konténer szabályainak ismerete időt takarít meg annak debuggolásában, ami nem működhet. Az OpenAI dokumentációja szerint:
- ez egy teljesen izolált virtuális gép (homokozó), ahol a modell Python kódot futtat;
- az eszköz megköveteli a
containerparamétert: a{"type": "auto"}létrehoz egy konténert (vagy újrahasznál egy korábbi hívásból származót, ha az a kontextusban jelen van), míg aclient.containers.create(...)segítségével kapott azonosító egy konkrét konténert kényszerít ki; - a memóriát a
memory_limitállítja be:1g(alapértelmezett),4g,16gvagy64g, ahol a magasabb szinteket integrált eszközárakkal számlázzák; - egy konténer 20 perc inaktivitás után lejár; az adatai ezután elvesznek, ezért töltsd le az összes megőrizni kívánt fájlt, amíg aktív.
Ne számíts hálózati hozzáférésre a kódból: biztosítsd az adatokat bemenetként, vagy delegáld a kutatást a Web Search eszközre.
# Példa: a modell közvetlenül használhatja a pandas könyvtárat
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"}}]
)
Több végrehajtás láncolása
A egymást követő végrehajtások ugyanazt a munkamenetet osztják meg: az első blokkból származó változók, DataFrame-ek és importálások elérhetők maradnak a következőben, pontosan úgy, mint egy jegyzetfüzetben. A modell ezt természetesen kihasználja – betölt, ellenőriz, majd feldolgoz –, lehetővé téve a több lépéses elemzést anélkül, hogy minden szakaszban újra kellene tölteni mindent.
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"}}]
)
# A modell 4 kódblokkot hajt végre sorrendben
# Minden blokk hozzáfér az előzőek változóihoz
Kombinálás más eszközökkel
A leghasznosabb kombináció egy adatforrást párosít a feldolgozás képességével: a File Search megtalálja a releváns részt a dokumentumaidban, a Web Search piacai adatokat hoz be, a Code Interpreter pedig táblázatban vagy diagramon összehasonlítja a kettőt. Egyik eszköz sem képes a másik feladatát ellátni.
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"}}
]
)
Minta: Teljes elemzési folyamat
A végső példa mindent összeláncol a fentiekből egy valós esetbe: egy bemeneti fájl, több lépéses elemzés és kimeneti deliverables. Különösen a prompt formátumára figyelj – számozott, explicit a várt kimenetről –, mert ez, sokkal inkább mint a kísérő Python kód, meghatározza az eredmény minőségét.
def analyze_data(file_path: str, questions: list[str]) -> dict:
"""Adatelemzési folyamat Code Interpreterrel."""
# Feltöltés
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
# Használat
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?"
])
Főbb megállapítások
- A Code Interpreter Pythont futtat egy izolált konténerben; a
containerparaméter kötelező ({"type": "auto"}vagy egy azonosító) - Az
input_file-ként megadott fájlok automatikusan másolódnak a konténerbe - A generált fájlok
container_file_citation-ként vannak hivatkozva, és aclient.containers.files.content.retrievesegítségével tölthetők le - Egy konténer 20 perc inaktivitás után lejár: töltsd le, amit meg szeretnél őrizni
- Kombináld a Web Search és a File Search eszközökkel a gazdagított elemzés érdekében