Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Strukturált kimenetek és kódvégrehajtás

9. lecke 12 közül Frissítve 2026. november 2. Fejlesztő
Ezen az oldalon
  1. Kód végrehajtása és az eredmények strukturálása
  2. Grok 4 és újabb modellek funkciója
  3. Tipikus használati eset: Precíz számítások
  4. Példa: Statisztikai elemzés
  5. Webes keresés és kódvégrehajtás kombinálása
  6. A kódvégrehajtás korlátai
  7. Főbb megállapítások

Frissítve: 2026. november 2. Az xAI dokumentációja alapján: az xai-sdk használatával a strukturált kimenetek és az eszközök úgy kombinálhatók, hogy először létrehozod a beszélgetést (client.chat.create(..., tools=[code_execution()])), majd meghívod a chat.parse(Schema) metódust, amely visszaadja a választ és a típusozott objektumot; a korábbi példa a client.chat.parse(...) hívását mutatta be Chat Completions argumentumokkal, ami egyetlen SDK-ban sem létező metódus. Források: Structured Outputs · Code Execution.

Kód végrehajtása és az eredmények strukturálása

A strukturált kimenetek és a kódvégrehajtás kombinálásával lehetővé teheted a modell számára, hogy kiszámolja az eredményeket, majd strukturált formátumban adja vissza azokat. A modell kódot ír, azt egy homokozó (sandbox) környezetben végrehajtja, majd a kimenetet a te schemád szerint formázza meg.

Grok 4 és újabb modellek funkciója

A webes kereséshez hasonlóan ez a kombináció kizárólag a Grok 4 és újabb modellek számára elérhető – ami a jelenlegi teljes kínálatot jelenti (Grok 4.5, Grok 4.3, grok-4.20 variánsok). A korábbi modellek nem támogatták az eszközök és a strukturált kimenetek együttes használatát.

Tipikus használati eset: Precíz számítások

A kódvégrehajtás strukturált kimenetekkel történő kombinálásának fő előnye a számítási pontosság. Az LLM-ek rendszeresen ejtenek aritmetikai hibákat. A kód végrehajtásával az eredmények matematikailag pontosak lesznek.

from pydantic import BaseModel
from xai_sdk import Client
from xai_sdk.chat import user
from xai_sdk.tools import code_execution

client = Client()  # a kulcs az XAI_API_KEY változóból olvasható

class FinancialAnalysis(BaseModel):
    total_revenue: float
    total_cost: float
    gross_margin: float
    margin_percentage: float
    most_profitable_product: str
    least_profitable_product: str

chat = client.chat.create(
    model="grok-4.20-0309-reasoning",
    tools=[code_execution()],
)
chat.append(user("""Íme a negyedéves eladási adatok:
- A termék: 150 db, egységár 45 €, egységköltség 28 €
- B termék: 320 db, egységár 22 €, egységköltség 15 €
- C termék: 85 db, egységár 120 €, egységköltség 78 €

Számítsd ki a teljes pénzügyi elemzést."""))

response, parsed = chat.parse(FinancialAnalysis)

print(f"Bruttó árrés: {parsed.gross_margin} €")
print(f"Árrés: {parsed.margin_percentage}%")
print(f"Legjobb termék: {parsed.most_profitable_product}")

A modell ír egy Python szkriptet a számítások elvégzésére, végrehajtja azt, majd az eredményeket a FinancialAnalysis schemába illesztve formázza meg.

Példa: Statisztikai elemzés

class DescriptiveStatistics(BaseModel):
    mean: float
    median: float
    std_dev: float
    minimum: float
    maximum: float
    quartile_1: float
    quartile_3: float
    value_count: int

chat = client.chat.create(
    model="grok-4.20-0309-reasoning",
    tools=[code_execution()],
)
chat.append(user("""Számítsd ki a leíró statisztikákat erre az adathalmazra:
[23, 45, 12, 67, 34, 89, 56, 78, 41, 33, 61, 25,
 72, 48, 55, 39, 64, 71, 28, 50]"""))

response, parsed = chat.parse(DescriptiveStatistics)

print(f"Átlag: {parsed.mean}")
print(f"Szórás: {parsed.std_dev}")

Webes keresés és kódvégrehajtás kombinálása

Mindkét eszközt egyszerre is engedélyezheted:

class MarketAnalysis(BaseModel):
    company: str
    current_price: float
    change_30d: float
    avg_volume: float
    trend: str
    recommendation: str

from xai_sdk.tools import web_search

chat = client.chat.create(
    model="grok-4.20-0309-reasoning",
    tools=[web_search(), code_execution()],
)
chat.append(user("Elemezd az Apple részvényárfolyamát az elmúlt 30 napban"))

response, parsed = chat.parse(MarketAnalysis)

A modell lekéri a legfrissebb adatokat a webről, majd a kódvégrehajtást használva kiszámítja a változásokat és az átlagokat.

A kódvégrehajtás korlátai

  • A végrehajtási környezet izolált és ideiglenes (ephemeral)
  • A gyakori Python csomagok előre telepítve vannak (NumPy, Pandas, Matplotlib, SciPy)
  • A végrehajtási idő és a memória használata korlátozott
  • A végrehajtott kód nem fér hozzá a hálózathoz
  • A létrehozott fájlok nem maradnak meg a hívások között

Főbb megállapítások

  • A kódvégrehajtás és a strukturált kimenetek kombinálásához legalább Grok 4 szükséges – a jelenlegi teljes kínálat kompatibilis
  • A modell kódot ír és hajt végre a precíz számítások érdekében
  • Az eszközt a code_execution() függvénnyel engedélyezheted az xAI SDK-ban, vagy a {"type": "code_interpreter"} beállítással a Responses API-ban, majd a chat.parse(Schema) hívással kapod meg a típusozott objektumot
  • Kombinálható a web_search eszközzel: először keresés, majd számítás
  • Ideális pénzügyi, statisztikai és matematikai elemzésekhez
  • A kiszámított eredmények pontosak, ellentétben az LLM becsléseivel