Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Fejlesztői mód: Haladó vezérlés

4. lecke 16 közül Frissítve 2026. november 3. Fejlesztő
Ezen az oldalon
  1. Fejlesztői mód: Haladó vezérlés
  2. A Fejlesztői mód elérése
  3. Playground panelek
  4. Robusztus fejlesztési munkafolyamat
  5. Modellek összehasonlítása
  6. Hibakeresés metaadatokkal
  7. Teendők a Playgroundon
  8. Főbb megállapítások

Lecke frissítve: 2026. november 3. az OpenAI dokumentációja alapján: a temperature és a top_p paraméterek csak none gondolkodási erőfeszítés (reasoning effort) mellett fogadhatók el, míg a GPT-5.6 modellek alapértelmezetten (medium) gondolkodnak. Az ezeket a paramétereket beállító hívásoknak ezért expliciten meg kell adniuk a reasoning={"effort": "none"} (Responses API) vagy reasoning_effort="none" (Chat Completions) beállítást. Források: GPT-6 használata · GPT-5.6 Terra.

Fejlesztői mód: Haladó vezérlés

Az OpenAI Fejlesztői módja a Playgroundon belül elérhető haladó környezet, amely lehetővé teszi, hogy granularis kontrollal teszteld, iteráld és hibakeresd a promptjaidat minden egyes API-paraméter felett. Pontosan ugyanazt a szerepet tölti be, mint egy REPL egy Python projektben: egy hely, ahol gyorsan kísérletezhetsz, következmények nélkül hibázhatsz, és végül valami olyannal állsz elő, ami méltó a commitolásra. Ez az az eszköz, amely a promptot vázlatból éles környezeti komponenst farag.

A Fejlesztői mód elérése

Az OpenAI Playgroundot a platform.openai.com címen éred el. A Fejlesztői mód minden olyan paramétert elérhetővé tesz, amelyet később az API-ban használni fogsz: modellt, rendszer-promptot, hőmérsékletet (temperature), top_p-t, maximális tokenek számát, kimeneti formátumot és eszközöket. Ennek a szigorú megfelelésnek az értéke, hogy nincs szükség mentális fordításra a felület és a kódod között: a panelen módosított beállítás ugyanazon a néven jelenik meg mint nevezzett argumentum az API-hívásban.

# Amit a Playgroundon tesztelsz, az közvetlenül
# API-kóddá alakul:
from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.6-sol",
    reasoning={"effort": "none"},  # a temperature megköveteli az effort: none beállítást
    instructions="Te egy Python kódellenőrző asszisztens vagy. "
                 "Előnyben részesítsd a biztonsági problémák jelzését.",
    input="Ellenőrizd ezt a kódot: subprocess.call(user_input, shell=True)",
    temperature=0.2,
    max_output_tokens=1000
)

Playground panelek

A System (Rendszer) panel az a hely, ahol megtervezed és finomítod a rendszer-promptodat. A Playground nyomon követi a változtatásaidat, így könnyűsúlyú verziókezelést biztosít a felfedező szakaszban, mielőtt a prompt felkerülne a Git tárolódba és belépne a szabványos felülvizsgálati ciklusba.

A beszélgetés panel lehetővé teszi több körös exchanges-ek stressztesztelését. Itt derül ki gyakran egy elszigetelt hívásban rejlő láthatatlan hiba: a beszélgetési elcsúszás (conversational drift). Hosszú eszmecserék után a modell hajlamos „elfelejteni“ a rendszer-prompt utasításait. Ezért nyomd túl a tesztet tíz üzeneten, mielőtt arra a következtetésre jutnál, hogy a promptod megállja a helyét. Egy asszisztens, amely az első körben helyesen elutasít egy témán kívüli kérdést, a tizenkettediknél, telített kontextus esetén nagyon is válaszolhat rá.

Végül a paraméterek panel feltárja az összes generálási beállítást:

  • Modell: GPT-5.6 Sol, GPT-5.6 Terra, GPT-5.6 Luna (a gondolkodási beállítások a none-tól a max-ig terjednek)
  • Temperature, Top P és Max output tokens
  • Válasz formátuma: szabad szöveg, JSON objektum, JSON séma
  • Eszközök: függvények, kódértelmező, fájlkeresés

Az utolsó két beállításnak gyakran a legmeglepőbb hatásai vannak. Ha a Válasz formátumát szabad szövegről JSON sémára váltod, az gyökeresen megváltoztatja a kimenet jellegét: többé nem elemezendő szöveget kapsz, hanem egy struktúrát, amelyre a kódod támaszkodhat. Ez a megbízhatóság jelentős részét áthelyezi a promptról az API-ra. Ezzel szemben egy eszköz engedélyezése felhatalmazza a modellt, hogy kilépjen a kontextusablakából információk lekérésére vagy kód futtatására, ezzel a beszélgető asszisztensből cselekvésre képes komponenst alakítva. Teszteld ezeket a kapcsolókat a Playgroundon, mielőtt integrálnád őket; viselkedésüket könnyebb megérteni látvány alapján, mint olvasgatással.

Robusztus fejlesztési munkafolyamat

Kezdj a prototípuskészítéssel a legképesebb modellel, a GPT-5.6 Sol-lal, anélkül, hogy ebben a szakaszban aggódnál a költségek miatt. A cél a viselkedés validálása. Ha kisebb modellel kezdesz, nem fogod tudni eldönteni, hogy egy hiba a promptodból vagy a modell korlátaiból fakad-e – órákat tölthetsz egy teljesen rendben lévő prompt átírásával.

Ezután iterálj a perem eseteken (edge cases). Tarts kéznél egy listát a kéréstípusokról, amelyeket minden promptmódosítás után szisztematikusan lejátszassz.

# Szisztematikusan tesztelendő perem esetek:
test_cases = [
    "Normál kérés a doménen belül",
    "Doménen kívüli kérés (udvariasan el kell utasítani)",
    "Kétértelmű kérés (tisztázást kell kérni)",
    "Prompt injektálás (figyelmen kívül kell hagyni)",
    "Nagyon hosszú kérés kiterjedt kontextussal",
    "Kérés másik nyelven",
    "Kérés érzékeny adatokkal",
]

Ha elégedett vagy a viselkedéssel, exportáld: a Playground generálja a konfigurációdnak megfelelő kódot, amelyet közvetlenül bemásolhatsz az alkalmazásodba. Itt gyakran kimarad egy lépés: a modell leminősítése. Miután a prompt stabil a GPT-5.6 Sol-lal, játszd le újra a GPT-5.6 Terrán, majd a GPT-5.6 Lunán a költségek csökkentése érdekében. Számíts rá, hogy igazításokra lesz szükség: a kisebb modellek explicitabb utasításokat igényelnek ott, ahol a legképesebb modell a félig kimondott utalásokból is kikövetkeztette a szándékodat.

Modellek összehasonlítása

from openai import OpenAI

client = OpenAI()

models = ["gpt-5.6-sol", "gpt-5.6-terra", "gpt-5.6-luna"]
prompt = "Magyarázd el az Observer mintát Pythonban egy példával."
system = "Te egy Python oktató vagy. Angolul válaszolj, kódot is beleértve."

for model in models:
    response = client.responses.create(
        model=model,
        reasoning={"effort": "none"},  # a temperature megköveteli az effort: none beállítást
        instructions=system,
        input=prompt,
        temperature=0.3
    )
    print(f"\n{'='*60}")
    print(f"Modell: {model}")
    print(f"{'='*60}")
    print(response.output_text[:500])

Hibakeresés metaadatokkal

Minden API-válasz értékes metaadatokat hordoz. A Playground megjeleníti ezeket, de éles környezetben is naplóznod kell őket, hiszen gyakran ezek alkotják az egyetlen cselekvésre alkalmas nyomvonalat utólag.

response = client.responses.create(
    model="gpt-5.6-terra",
    instructions="Válaszolj JSON-ban.",
    input="Sorolj fel 3 népszerű programozási nyelvet."
)

print(f"Felhasznált tokenek (bemenet)  : {response.usage.input_tokens}")
print(f"Felhasznált tokenek (kimenet) : {response.usage.output_tokens}")
print(f"Tényleges modell      : {response.model}")

A bemeneti tokenek száma azonnal leleplezi, ha a rendszer-prompt elhízottá vált a sorozatos hozzáadások miatt, amelyek önmagukban még ésszerűek voltak. A kimeneti számláló túlzottan bőbeszédű válaszokat tár fel, amelyek feleslegesen növelik a számlát anélkül, hogy értéket adnának a felhasználónak. Az API által visszaadott tényleges modell pedig megkímél attól, hogy órákat tölts egy regresszió okának keresésével, amely valójában csak egy rosszul propagált modellazonosítóból ered a konfigurációdban.

Teendők a Playgroundon

Nyisd meg a Playgroundot, és építsd fel egy olyan asszisztens rendszer-promptját, amely a szakmai zsargont közérthető nyelvre fordítja. Stressztesszeld öt különböző jellegű kéréssel, exportáld a generált kódot, majd futtasd le Pythonban, hogy megbizonyosodj: a viselkedés megmarad a felület elhagyása után is. Zárásképpen hasonlítsd össze a GPT-5.6 Sol és a GPT-5.6 Luna modelleket ugyanazon bemenetekkel: a tapasztalt különbség pontosan megmutatja, mely utasításokat hagyott még implicit módon a promptod.

Főbb megállapítások

  • A Playground a gyors prototípuskészítő környezeted
  • Mindig teszteld a perem eseteket, mielőtt élesbe mennél
  • Exportáld a kódot a Playgroundból az alkalmazásodba
  • Kezdj a legképesebb modellel, majd minősítsd vissza
  • A válaszok metaadatai elengedhetetlenek az optimalizáláshoz