Izoliavimas ir saugumo apribojimai
Šiame puslapyje
Atnaujinta 2026 m. lapkričio 2 d. pagal „OpenAI“ dokumentaciją: „Code Interpreter“ įrankiui dabar reikia
containerparametro (pridėta visuose pavyzdžiuose). Konteinerio tinklas, pagal nutylėjimą uždarytas, dabar gali būti atidarytas leidžiamų domenų sąrašui. Konteinerio gyvavimo ciklo taisyklės (atmintis, galiojimo laikas, pakartotinis naudojimas) laikosi oficialaus vadovo. Prie žinutės pridėti failai įkeliami suuser_datapaskirtimi, kaip rekomenduoja „OpenAI“ modelio įvestims. Šaltiniai: Code Interpreter · Container Network Access · Containers API · Files API.
Izoliavimas ir saugumo apribojimai
Izoliavimo („sandbox“) apribojimai nėra klaidos, kurias reikia apeiti: tai savybės, dėl kurių generuojamo kodo vykdymas yra priimtinas. Tinklo izoliuota aplinka su trumpa gyvavimo trukme ir išteklių ribomis negali nutekinti tavo duomenų, palikti būsenos neribotam laikui arba vartoti išteklių be ribų.
Žinodamas šiuos apribojimus iš anksto, išvengsi neįmanomų derinimo situacijų. Trys pasikartojantys klausimai – kodėl nepavyksta pip install, kodėl failas dingo tarp kvietimų, kodėl apdorojimas stringa su dideliu failu – turi atsakymus žemiau, ir nė vienas iš jų nėra klaida.
Izoliavimo architektūra
„Code Interpreter“ kodą vykdo konteineryje – izoliuotoje virtualioje mašinoje, kurią hostina „OpenAI“, turinčioje šias savybes:
- Tinklas pagal nutylėjimą uždarytas: jokių išeinančių užklausų, išskyrus aiškiai atidarytą leidžiamų domenų sąrašą (žr. žemiau)
- Trumpa gyvavimo trukmė: konteineris nustoja galioti po 20 minučių neveiklos, ir viskas jame esama tada ištrinama
- Apribota atmintis: pagal nutylėjimą 1 GB, arba 4, 16, ar 64 GB pagal užklausą (
memory_limit), kiekvienas lygis turi savo kainodarą
from openai import OpenAI
client = OpenAI()
# Be leidžiamo sąrašo, atsisiuntimas nepavyks: nėra tinklo prieigos
response = client.responses.create(
model="gpt-5.6-terra",
input="Download the content of https://example.com using requests",
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
# Modelis paaiškins, kad tinklo prieiga negalima
print(response.output_text)
Kas yra prieinama
Iš anksto įdiegtos bibliotekos
„OpenAI“ neskelbia oficialaus konteinerio paketų sąrašo, ir jis laikui bėgant keičiasi. Apklausa, kurią 2025 m. lapkritį paskelbė kūrėjas „OpenAI“ forume, suskaičiavo 389 paketus, įskaitant laukiamas analizei skirtas bibliotekas: pandas, numpy, scipy ir statsmodels duomenims; matplotlib, seaborn ir plotly vizualizacijai; Pillow vaizdams; sympy simbolinei matematikai; openpyxl „Excel“ failams. Vietoj spėliojimų, paprašyk modelio jų inventorizuoti projekto pradžioje:
response = client.responses.create(
model="gpt-5.6-terra",
input="List the installed Python packages with their versions, "
"then display the Python version.",
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
print(response.output_text)
Versijos yra tokios pat svarbios kaip ir pavadinimai: ta pati apklausa parodė pandas 1.5.3, kuris yra senesnis už pandas 2.0. Jei tavo apdorojimas priklauso nuo naujos funkcijos, prieš kuriant ką nors ant jos pagrindo, patikrink, ar ji egzistuoja.
Failų sistema
Kodas skaito ir rašo failus konteinerio viduje. Modelio sukurti failai yra cituojami jo atsakyme ir atsisiunčiami naudojant fichiers_generes ir telecharger funkcijas iš 10 pamokos:
# Modelis gali kurti failus konteinerio viduje
response = client.responses.create(
model="gpt-5.6-terra",
input="Create a CSV file with 100 lines of test data "
"(name, age, city, salary) and return it.",
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
for ann in fichiers_generes(response):
telecharger(client, ann, ann.filename)
Kas yra apribota
Tinklo prieiga
Pagal nutylėjimą konteineris neturi išeinančios prieigos: jokių pip install, jokių API kvietimų, jokių atsisiuntimų. Tai pati struktūrinė riba, ir ji yra tyčinė: generuojamas kodas negali nieko siųsti niekur. Tai, ko reikia tavo apdorojimui, turi būti konteineryje arba tavo įkelta – o jei duomenys yra internete, žiniatinklio paieškos įrankis dažnai juos atsiims vietoj to.
# Be leidžiamo sąrašo (numatytasis atvejis), neįmanoma:
# - requests.get(), urllib.request
# - socket, http.client
# - pip install (jokių atsisiuntimų)
# - Prieiga prie išorinių API
# - El. laiškų siuntimas
Prieigos atidarymas egzistuoja, tačiau jis sprendžiamas dviem lygmenimis. Administratorius pirmiausia apibrėžia organizacijos leidžiamų domenų sąrašą skydelyje; kiekviena užklausa tada deklaruoja network_policy, kuris gali jį tik dar labiau apriboti – užklausa, prašanti domeno, kurio nėra organizacijos sąraše, nepavyks.
response = client.responses.create(
model="gpt-5.6-terra",
input="Update pandas with pip, then display the installed version.",
tools=[{
"type": "code_interpreter",
"container": {
"type": "auto",
"network_policy": {
"type": "allowlist",
"allowed_domains": ["pypi.org", "files.pythonhosted.org"],
},
},
}],
)
Domenų atidarymas turi kainą, ir „OpenAI“ tai aiškiai nusako: tai durys duomenų nutekinimui per raginimų injekcijas („prompt injection“). Autorizuok tik patikimus domenus, kurių puolėjas negali panaudoti duomenims gauti – ir saugokis bendro hostingo, kur bet kas gali pastatyti serverį, kuris registruos tavo užklausas.
Išliekamumas tarp kvietimų
Išliekamumo nebuvimas nustebina daugelį grandininio kvietimo metu: pirmame kvietime įkeltas „DataFrame“ antrame kvietime jau nebeegzistuoja. Tiksli taisyklė priklauso nuo auto režimo: jis sukuria naują konteinerį, nebent modelio kontekste jau yra „Code Interpreter“ kvietimas, kurio konteineris vis dar aktyvus – tada jis pakartotinai naudoja tą patį. Du nepriklausomi kvietimai todėl dirba kiekvienas savo konteineryje, o kvietimas, sujungtas su ankstesniu (naudojant `previous_response_id”), randa savo konteinerį, jei jis dar nebaigė galioti. Vieno kvietimo ribose keli kodo vykdymai dalijasi ta pačia sesija.
# Pirmas kvietimas: sukuria failą
response1 = client.responses.create(
model="gpt-5.6-terra",
input="Create a variable x = 42 and save it to a file",
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
# Antras kvietimas, nepriklausomas nuo pirmojo: naujas konteineris
response2 = client.responses.create(
model="gpt-5.6-terra",
input="Read the file created previously",
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
# -> Klaida: failas nerastas
Norint išlaikyti rezultatus tarp kvietimų nesiremiant kontekstu, reikia dirbti tame pačiame konteineryje. Sukurk jį aiškiai naudodamas „Containers API“ ir perduok jo ID kiekvienam kvietimui: vieno žingsnio metu sukurti failai lieka prieinami kitam. Pagal nutylėjimą jis nustoja galioti po 20 minučių neveiklos, ir jo duomenys tada yra visam laikui prarasti: atsisiųsk tai, ką nori išsaugoti, tada pats jį ištrink.
def pipeline_avec_persistance(etapes: list[str]) -> list:
"""Executes successive steps in the same container."""
conteneur = client.containers.create(name="pipeline")
resultats = []
for etape in etapes:
response = client.responses.create(
model="gpt-5.6-terra",
input=etape,
tools=[{"type": "code_interpreter", "container": conteneur.id}],
)
resultats.append(response.output_text)
# Po naudingų failų atsisiuntimo (10 pamoka)
client.containers.delete(conteneur.id)
return resultats
Negražink sugeneruotų failų kaip input_file: jų ID (cfile_…) nurodo konteinerio failus, o ne „Files API“ failus.
Atmintis ir sunkus apdorojimas
Dokumentacijoje neskelbiama maksimali vykdymo trukmė; konkreti riba yra konteinerio atmintis, pasirenkama kūrimo metu ir galiojanti visą jo gyvavimo laiką. Dideliam failui pasirink tinkamą lygį ir paprašyk darbą suskaidyti. Už to ribų – modelio mokymas, milžiniški skaičiavimai – reikia naudoti savo infrastruktūrą, o konteineris lieka interaktyvios analizės įrankiu.
# Šablonas sunkiam apdorojimui: daugiau atminties, suskaidytas darbas
with open("transactions.csv", "rb") as f:
fichier = client.files.create(file=f, purpose="user_data")
response = client.responses.create(
model="gpt-5.6-terra",
input=[{
"role": "user",
"content": [
{"type": "input_text", "text": (
"Process this 500,000-line CSV file in batches of 50,000. "
"For each batch, calculate statistics and accumulate results."
)},
{"type": "input_file", "file_id": fichier.id}
]
}],
tools=[{"type": "code_interpreter", "container": {"type": "auto", "memory_limit": "4g"}}],
instructions="If processing risks being long, split it into steps "
"and display progress."
)
Duomenų saugumas
Jautrūs duomenys
Į konteinerį nukopijuoti duomenys ištrinami, kai jis nustoja galioti arba yra ištrinamas. Taip nėra su failu, įkeltu per „Files API“: jis lieka ten, kol jį ištrinsi, nebent nustatysi galiojimo laiką (expires_after, nuo vienos valandos iki trisdešimties dienų). Ir atitikties logika tuo nesibaigia: tavo duomenys paliko tavo infrastruktūrą būti apdoroti trečiosios šalies. Pseudonimizavimas prieš siunčiant kainuoja kelias kodo eilutes ir sumažina tai, kas išeina – nes kliento ID, kuris niekada neišeina, negali kelti jokių problemų.
Raktinis maišas (HMAC) suteikia stabilius pseudonimus nuo vieno siuntimo iki kito, kurių niekas negali susieti su originaliomis reikšmėmis be rakto. Pagal BDAR (GDPR), rezultatas lieka pseudonimizuoti asmens duomenys, o ne anoniminiai: raktas turi likti pas tave.
import hashlib
import hmac
import os
import pandas as pd
CLE = os.environ["CLE_PSEUDONYMISATION"].encode() # slaptas raktas, laikomas už kodo ribų
def pseudonyme(valeur) -> str:
return hmac.new(CLE, str(valeur).encode(), hashlib.sha256).hexdigest()[:16]
def analyser_donnees_sensibles(fichier_path: str, colonnes_a_masquer: list[str]):
"""Pseudonymizes data before sending to Code Interpreter."""
df = pd.read_csv(fichier_path)
for col in colonnes_a_masquer:
if col in df.columns:
df[col] = df[col].map(pseudonyme)
fichier_pseudo = "/tmp/donnees_pseudonymisees.csv"
df.to_csv(fichier_pseudo, index=False)
# Siunčiama su automatiniu galiojimo pabaigos laiku po vienos valandos
with open(fichier_pseudo, "rb") as f:
fichier = client.files.create(
file=f,
purpose="user_data",
expires_after={"anchor": "created_at", "seconds": 3600},
)
response = client.responses.create(
model="gpt-5.6-terra",
input=[{
"role": "user",
"content": [
{"type": "input_text", "text": "Analyze trends in this data"},
{"type": "input_file", "file_id": fichier.id}
]
}],
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
client.files.delete(fichier.id) # nelaukiant galiojimo pabaigos
return response.output_text
Sugeneruotas kodas
Izoliavimas saugo tavo sistemą, bet ne rezultato teisingumą: kodas vykdomas „OpenAI“, išmetamajame konteineryje ir niekada neliečia tavo mašinų. Rizika persikelia į tai, ką darai su jo išvestimi. Jei atgauni kodą vykdyti savo pusėje, peržiūrėk jį kaip trečiosios šalies kodą. O jei konteineris turi leidžiamų domenų sąrašą, atmink, kad kenkėjiškas failas gali turėti instrukcijų, kurios priverčia modelį siųsti duomenis į tuos domenus.
Vykdymo klaidų valdymas
Kodas gali nepavykti izoliuotoje aplinkoje. Modelis dažniausiai bando taisytis:
response = client.responses.create(
model="gpt-5.6-terra",
input="Calculate the inverse matrix of a singular matrix [[1,2],[2,4]]",
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}],
instructions="If the code produces an error, explain why "
"and propose an alternative."
)
# Modelis įvykdo kodą, aptinka LinAlgError,
# tada paaiškina, kad matrica yra singuliari ir siūlo
# Moore-Penrose pseudoinversiją
Geriausios praktikos
# 1. Būk specifinis savo instrukcijose
# Blogai:
input_vague = "Analyze this data"
# Gerai:
input_precis = ("Load this CSV with pandas. "
"Calculate the mean, median, and standard deviation of the 'amount' column. "
"Identify values greater than 3 standard deviations. "
"Generate a boxplot.")
# 2. Prašyk komentaruoto kodo
instructions = "Comment each step of the code. Display intermediate results."
# 3. Tvarkyk didelius failus
instructions_lot = ("If the file exceeds 100,000 lines, "
"work on a representative sample of 10,000 lines "
"and indicate this in your response.")
Svarbiausi punktai
- Konteineris yra izoliuotas: tinklas pagal nutylėjimą uždarytas, atmintis apribota, galiojimas baigiasi po 20 minučių neveiklos
- „OpenAI“ neskelbia paketų sąrašo: paprašyk modelio jo inventorizuoti
- Leidžiamų domenų sąrašas atidaromas dviem lygmenimis (organizacija, tada užklausa) ir kelia nutekinimo riziką: įtrauk tik patikimus domenus
- Norint grandininėti žingsnius, pakartotinai naudok tą patį konteinerį (
client.containers.create, tada jo ID kiekvienam kvietimui) ir ištrink jį pabaigoje - Pseudonimizuok jautrius duomenis prieš siųsdamas ir ištrink įkeltus failus po naudojimo
- Modelis tvarko vykdymo klaidas ir bando taisytis pats