Casi d'uso pratici
In questa pagina
Esecuzione del codice in produzione
Questa lezione finale illustra casi d’uso pratici dell’Esecuzione del codice per darti un quadro chiaro di ciò che puoi costruire. Ogni esempio presenta un dominio applicativo con il prompt associato e la logica sottostante.
Analisi finanziaria
Ottimizzazione del portafoglio
L’Esecuzione del codice è particolarmente adatta alla modellazione finanziaria. La sandbox include NumPy e SciPy, che gestiscono i calcoli di ottimizzazione necessari:
input_text = """
Portfolio of 5 assets with the following monthly returns (12 months):
Asset A: [2.1, -0.5, 1.8, 3.2, -1.1, 2.5, 0.8, 1.2, -0.3, 2.8, 1.5, 0.9]
Asset B: [1.5, 0.2, 2.1, 1.8, 0.5, 1.2, 2.3, -0.1, 1.6, 0.8, 1.9, 2.2]
Asset C: [-0.3, 3.5, -1.2, 4.1, -0.8, 2.9, -0.5, 3.2, -1.0, 3.8, -0.2, 2.7]
Asset D: [0.8, 0.9, 0.7, 1.1, 0.6, 0.8, 1.0, 0.5, 0.9, 0.7, 1.2, 0.8]
Asset E: [3.5, -2.1, 4.2, -1.5, 3.8, -0.9, 2.7, -1.8, 3.1, -0.5, 4.5, -1.2]
Calculate:
1. The correlation matrix between assets
2. The minimum variance portfolio
3. The optimal portfolio (maximum Sharpe ratio, risk-free rate = 4% annual)
4. The efficient frontier (10 points)
Present allocations as percentages.
"""
Il modello scriverà il codice utilizzando NumPy per la matrice di correlazione e SciPy per l’ottimizzazione vincolata.
Rapporto di Sharpe e indicatori di rischio
input_text = """
Daily returns of a fund over 20 days:
[0.12, -0.05, 0.08, 0.15, -0.03, 0.22, -0.11, 0.06, 0.09, -0.07,
0.14, 0.03, -0.08, 0.18, 0.01, -0.04, 0.11, 0.07, -0.02, 0.13]
Calculate the Sharpe ratio, Sortino ratio, Value at Risk (95%),
and maximum drawdown. Annual risk-free rate = 4%.
"""
Analisi statistica
Test di ipotesi
SciPy ti permette di eseguire test statistici rigorosi:
input_text = """
Group A (treatment): [85, 88, 91, 87, 93, 89, 86, 92, 90, 88]
Group B (control): [78, 82, 80, 85, 79, 83, 81, 77, 84, 80]
Perform a Student's t-test to determine if the difference between
the two groups is statistically significant (alpha = 0.05).
Include hypotheses, test statistic, p-value, and conclusion.
"""
Regressione e previsione
input_text = """
Monthly sales data (in thousands of euros):
Month (x): [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12]
Sales (y): [45, 52, 48, 61, 55, 67, 72, 68, 75, 80, 78, 85]
1. Perform linear regression
2. Calculate R² and standard error
3. Predict sales for months 13, 14, 15
4. Test if the trend is significant
"""
Calcolo scientifico
Risoluzione di equazioni differenziali
input_text = """
Solve the second-order differential equation:
y'' + 2y' + 5y = 0
Initial conditions: y(0) = 1, y'(0) = 0
Interval: t from 0 to 10
Plot the solution and identify the behavior (damped oscillation,
critical, overdamped).
"""
Simulazioni Monte Carlo
input_text = """
Monte Carlo simulation to estimate the probability that a project
is profitable.
Parameters (normal distributions):
- Monthly revenue: mean = €50,000, std dev = €10,000
- Monthly fixed costs: €30,000
- Variable costs: 15% to 25% of revenue (uniform)
- Project duration: 12 months
Run 10,000 simulations. Calculate the probability of profitability
and the net profit distribution. Present the 5th, 50th, and 95th percentiles.
"""
Elaborazione e pulizia dei dati
input_text = """
Raw data (CSV with common issues):
name,age,salary,city
Alice,32,45000,Paris
Bob,,52000,Lyon
Charlie,28,NA,Marseille
Diana,45,62000,paris
Eve,33,48000,LYON
Frank,-5,55000,Toulouse
Grace,29,999999,Bordeaux
1. Identify and handle missing values
2. Correct inconsistencies (negative age, outlier salary)
3. Normalize city names (consistent casing)
4. Calculate descriptive statistics on cleaned data
5. Document each transformation performed
"""
Architettura completa del flusso di lavoro
Per le applicazioni in produzione, combina gli strumenti in un flusso di lavoro strutturato:
- La Ricerca Web recupera dati aggiornati (prezzi, indicatori, notizie)
- L’Esecuzione del codice analizza i dati recuperati (calcoli, statistiche, grafici)
- La tua applicazione formatta e presenta i risultati all’utente
Questo schema si applica a molti domini: finanza, intelligence competitiva, analisi di mercato, reportistica automatizzata.
Punti chiave
- L’Esecuzione del codice eccelle nell’analisi finanziaria (Sharpe, ottimizzazione del portafoglio, VaR)
- I test statistici e le regressioni sono un caso d’uso naturale con SciPy
- Le simulazioni Monte Carlo funzionano bene entro i limiti di memoria della sandbox
- La pulizia dei dati con Pandas è un caso d’uso pratico quotidiano
- Combina Ricerca Web + Esecuzione del codice per flussi di lavoro automatizzati completi
- Fornisci dati strutturati e istruzioni precise per ottenere risultati migliori
Metti alla prova le tue conoscenze
Web, X, codice: gli strumenti server di Grok in cinque verifiche.
1. Quali sono le due categorie di strumenti di Grok?
Risposta: Strumenti integrati, eseguiti lato server da xAI (ricerca web, ricerca su X, esecuzione del codice), e le tue funzioni personalizzate, eseguite dal tuo codice: due mondi che si combinano.
2. Come funziona il flusso di esecuzione di uno strumento integrato?
Risposta: In cinque passaggi lato server: il modello decide, lo strumento viene eseguito su xAI, i risultati tornano al modello, che risponde; tu ricevi la risposta finale con tracce e citazioni.
3. Cosa permettono di fare i filtri di Ricerca Web e Ricerca su X?
Risposta: Delimitare le fonti: domini consentiti sul web, handle e date su X; freschezza e affidabilità sono controllate e le citazioni documentano ogni risposta.
4. Cosa può fare l'Esecuzione del codice?
Risposta: Eseguire Python in una sandbox: librerie comuni disponibili, rigorosi vincoli di sicurezza; calcoli, trasformazioni e verifiche sono delegati a codice esatto.
5. Cosa devi monitorare riguardo ai costi?
Risposta: Ogni invocazione dello strumento viene fatturata oltre ai token: definisci obiettivi di ricerca, limita le profondità e attiva solo gli strumenti utili alla richiesta.
Capacità server pronte all’uso, controllate dai tuoi filtri e dal tuo budget: gli strumenti integrati rendono Grok un agente, ma tu rimani il regista.