Struktūrizuotos išvestys ir kodo vykdymas
Šiame puslapyje
Atnaujinta 2026 m. lapkričio 2 d. Remiantis „xAI“ dokumentacija: naudojant
xai-sdk, struktūrizuotos išvestys derinamos su įrankiais sukuriant pokalbį (client.chat.create(..., tools=[code_execution()])), o tada kviečiantchat.parse(Schema), kas grąžina atsakymą ir tipizuotą objektą; ankstesnis pavyzdys kvietėclient.chat.parse(...)su „Chat Completions“ argumentais – tokio metodo nėra nė viename SDK. Šaltiniai: Struktūrizuotos išvestys · Kodo vykdymas.
Kodo vykdymas ir rezultatų struktūrizavimas
Derindamas struktūrizuotas išvestis su kodo vykdymu, modelis gali apskaičiuoti rezultatus ir grąžinti juos struktūrizuotu formatu. Modelis parašo kodą, jį įvykdo izoliuotoje („smėlio dėžės“) aplinkoje ir suformatuoja išvestį pagal tavo schemą.
„Grok 4“ ir vėlesnių versijų funkcija
Kaip ir žiniatinklio paieška, šis derinys skirtas tik „Grok 4“ ir vėlesniems modeliams – tai apima visą dabartinę liniją („Grok 4.5“, „Grok 4.3“, „grok-4.20“ variantus). Ankstesni modeliai nepalaikė įrankių derinimo su struktūrizuotomis išvestimis.
Tipiškas naudojimo atvejis: tikslūs skaičiavimai
Pagrindinis kodo vykdymo su struktūrizuotomis išvestimis privalumas yra skaičiavimų tikslumas. Didieji kalbos modeliai (LLM) dažnai klysta atlikdami aritmetinius veiksmus. Vykdant kodą, rezultatai yra matematiškai tikslūs.
from pydantic import BaseModel
from xai_sdk import Client
from xai_sdk.chat import user
from xai_sdk.tools import code_execution
client = Client() # raktas nuskaitytas iš XAI_API_KEY
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("""Here are the quarterly sales:
- Product A: 150 units at €45, unit cost €28
- Product B: 320 units at €22, unit cost €15
- Product C: 85 units at €120, unit cost €78
Calculate the complete financial analysis."""))
response, parsed = chat.parse(FinancialAnalysis)
print(f"Gross margin: €{parsed.gross_margin}")
print(f"Margin: {parsed.margin_percentage}%")
print(f"Best product: {parsed.most_profitable_product}")
Modelis parašys „Python“ scenarijų skaičiavimams atlikti, jį įvykdys ir tada suformatuos rezultatus į FinancialAnalysis schemą.
Pavyzdys: statistinė analizė
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("""Calculate the descriptive statistics for this data:
[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"Mean: {parsed.mean}")
print(f"Std dev: {parsed.std_dev}")
Žiniatinklio paieškos ir kodo vykdymo derinimas
Abu įrankius gali įjungti vienu metu:
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("Analyze Apple stock over the last 30 days"))
response, parsed = chat.parse(MarketAnalysis)
Modelis iš žiniatinklio gaus naujausius duomenis, o tada naudos kodo vykdymą pokyčiams ir vidurkiams apskaičiuoti.
Kodo vykdymo apribojimai
- Vykdymo aplinka yra izoliuota ir laikina.
- Dažniausiai naudojami „Python“ paketai jau įdiegti („NumPy“, „Pandas“, „Matplotlib“, „SciPy“).
- Vykdymo laikas ir atminties naudojimas yra ribojami.
- Iš vykdomo kodo nėra prieigos prie tinklo.
- Sukurti failai neišlieka tarp kvietimų.
Svarbiausi punktai
- Kodo vykdymas + struktūrizuotos išvestys reikalauja bent „Grok 4“ – visa dabartinė linija yra suderinama.
- Modelis rašo ir vykdo kodą tiksliems skaičiavimams atlikti.
- Įgalink įrankį naudodamas
code_execution()„xAI SDK“ arba{"type": "code_interpreter"}„Responses API“, tada gauk tipizuotą objektą suchat.parse(Schema). - Galima derinti su
web_search, kad pirmiausia būtų atlikta paieška, o tada skaičiavimai. - Idealu finansinei, statistinei ir matematinei analizei.
- Apskaičiuoti rezultatai yra tikslūs, skirtingai nei LLM įverčiai.