Aqbeż għall-kontenut ewlieni
Malti— Agħżel lingwa
Menu

Code Interpreter: Eżegwixxi l-Kodiċi fl-API

Lezzjoni 10 / 20 Aġġornat 2 ta’ Novembru 2026 Zviluppatur
F'din il-paġna
  1. Code Interpreter: Eżegwixxi l-Kodiċi fl-API
  2. Attiva l-Code Interpreter
  3. Iċċekkja l-Kodiċi Eżegwit
  4. Ipprovdi Fajls bħala Input
  5. Irkupra Fajls Iġġenerati
  6. Container u Ambjent
  7. Agħqad Eżekuzzjonijiet Multipli
  8. Ikkombina ma’ Għodod Oħra
  9. Mudell: Pipeline Sħiħa ta’ Analiżi
  10. Punti Ewlenin

Aġġornat fit-2 ta’ Novembru 2026 abbażi tal-gwida uffiċjali tal-Code Interpreter u l-SDK openai: l-għodda teħtieġ parametru container (nieqes mill-eżempji preċedenti kollha, li kienu se jfallu), il-fajls iġġenerati jidhru fl-annotazzjonijiet container_file_citation u jitniżżlu permezz tal-API tal-Containers (mhux client.files.content), u l-outputs tas-sejħiet jissejħu outputs (mhux results). Il-partijiet tat-test tal-input jużaw it-tip input_text. Il-fajls mehmuża ma’ messaġġ jittellgħaw bl-iskop user_data, li OpenAI tirrakkomanda għall-inputs tal-mudell (File inputs). Sorsi: Code Interpreter · File inputs.

Code Interpreter: Eżegwixxi l-Kodiċi fl-API

Mudell tal-lingwa jbassar it-test; ma jikkalkulax. Jekk titlobu l-għerq kwadru ta’ 1764, huwa se jipproduċi r-riżultat l-aktar probabbli abbażi tat-taħriġ tiegħu—spiss korrett, kultant żbaljat, mingħajr ebda mod biex tgħarraf id-differenza. Il-Code Interpreter ineħħi din l-inċertezza billi jagħti lill-mudell interpretru Python: jikteb il-kalkolu, jeżegwixxih, u jirritorna riżultat miksub, mhux suppożizzjoni.

Il-bidla hija aktar profonda milli tidher. Il-mudell jara l-output tal-kodiċi tiegħu stess, inklużi l-iżbalji, allura jista’ jikkoreġi ruħu u jerġa’ jipprova. Fuq fajl tad-data fejn ħadd ma jaf l-istruttura eżatta, dan iċ-ċiklu jħabbat kwalunkwe istruzzjoni miktuba minn qabel.

Attiva l-Code Interpreter

Tattiva billi żżid l-għodda fl-array tools—xejn x’tinstalla, l-ebda ambjent x’tipprovdi. Il-mudell jiddeċiedi meta jikteb il-kodiċi: iwieġeb mistoqsijiet fattwali direttament, imma jaqleb għall-eżekuzzjoni għal kalkoli jew manipulazzjoni tad-data.

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.6-terra",
    input="Calculate the Fibonacci sequence up to the 20th term",
    tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)

print(response.output_text)

Il-mudell jikteb il-kodiċi Python, jeżegwixxih f’sandbox, u jintegra r-riżultati fir-risposta tiegħu.

Iċċekkja l-Kodiċi Eżegwit

Ħu d-drawwa li taqra dan il-kodiċi, mill-inqas waqt l-iżvilupp. Din hija l-unika manera biex tgħarraf bejn riżultat tajjeb u wieħed li huwa korrett bl-aċċident: medja kkalkulata filwaqt li tinjora silenzjużament valuri nieqsa hija numerikament korretta iżda analitikament falza. Ir-risposta mhux se tgħidlek dan; il-kodiċi iva.

Ir-risposta fiha l-kodiċi ġġenerat u r-riżultati tiegħu:

response = client.responses.create(
    model="gpt-5.6-terra",
    input="What is the square root of 1764? Verify by squaring the result.",
    tools=[{"type": "code_interpreter", "container": {"type": "auto"}}],
    include=["code_interpreter_call.outputs"],  # biex tirċievi logs u immaġnijiet prodotti
)

for item in response.output:
    if item.type == "code_interpreter_call":
        print("--- Executed Code ---")
        print(item.code)
        print("--- Outputs ---")
        for output in item.outputs or []:
            print(output.logs if output.type == "logs" else output.url)

Ipprovdi Fajls bħala Input

L-għodda tagħti l-valur sħiħ tagħha meta taħdem ma’ fajls. Inti ttella’, tirreferenzja l-fajl fis-sejħa, u l-mudell effettivament jiftaħlu—jaqra l-kolonni reali, it-tipi reali, u l-valuri estremi reali, minflok ma jirraġuna dwar deskrizzjoni li jista’ jkun li pprovdejt.

# Ittella' l-fajl
with open("sales_2025.csv", "rb") as f:
    file_obj = client.files.create(file=f, purpose="user_data")

# Uża l-Code Interpreter mal-fajl
response = client.responses.create(
    model="gpt-5.6-terra",
    input=[
        {
            "role": "user",
            "content": [
                {"type": "input_text", "text": "Analyze this sales file. "
                 "Give me the total by category and the best-performing month."},
                {"type": "input_file", "file_id": file_obj.id}
            ]
        }
    ],
    tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)

print(response.output_text)

Irkupra Fajls Iġġenerati

It-triq inversa taħdem ukoll: il-kodiċi jipproduċi CSV imnaddaf, grafika, jew workbook ta’ Excel, u dawn il-fajls jintbagħtulek lura. Jibqgħu fil-container, u l-messaġġ tar-risposta jċitahom fl-annotazzjonijiet tiegħu tat-tip container_file_citation, inkluż l-ID tal-container, l-ID tal-fajl, u l-isem tal-fajl. Imbagħad tniżżilhom permezz tal-API tal-Containers. Żewġ funzjonijiet żgħar, użati mill-ġdid f’lezzjonijiet sussegwenti, jinkapsulaw dan il-fluss:

def generated_files(response):
    """Fajls maħluqa mill-Code Interpreter, iċċitati fl-annotazzjonijiet tal-messaġġ."""
    for item in response.output:
        if item.type == "message":
            for part in item.content:
                for ann in getattr(part, "annotations", None) or []:
                    if ann.type == "container_file_citation":
                        yield ann


def download(client, ann, path):
    """Inniżżel fajl mill-container u jirritorna l-path lokali tiegħu."""
    content = client.containers.files.content.retrieve(ann.file_id, container_id=ann.container_id)
    with open(path, "wb") as out:
        out.write(content.read())
    return path

Il-fajls li tipprovdi bħala input (input_file) jiġu kkupjati awtomatikament fil-container: m’għandekx bżonn ittella’ xejn ieħor.

response = client.responses.create(
    model="gpt-5.6-terra",
    input=[
        {
            "role": "user",
            "content": [
                {"type": "input_text", "text": "Create a chart of sales by month "
                 "and export the cleaned data as a CSV."},
                {"type": "input_file", "file_id": file_obj.id}
            ]
        }
    ],
    tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)

# Irkupra l-fajls iġġenerati
for ann in generated_files(response):
    print(f"Generated file: {ann.filename}")
    download(client, ann, ann.filename)

Container u Ambjent

Li tkun taf ir-regoli tal-container iffranka ħin fid-debugging ta’ dak li ma jistax jaħdem. Skont id-dokumentazzjoni ta’ OpenAI:

  • huwa magna virtwali iżolata kompletament (sandbox) fejn il-mudell jeżegwixxi Python;
  • l-għodda teħtieġ parametru container: {"type": "auto"} joħloq container (jew jerġa’ juża wieħed minn sejħa preċedenti preżenti fil-kuntest), filwaqt li ID miksuba permezz ta’ client.containers.create(...) tiforza container speċifiku;
  • il-memorja hija stabbilita b’memory_limit: 1g (default), 4g, 16g, jew 64g, b’livelli ogħla ffatturati bir-rati tal-għodod integrati;
  • container jiskadi wara 20 minuta ta’ inattività; id-data tiegħu tintilef imbagħad, allura niżżel kwalunkwe fajl li trid iżżomm waqt li jkun attiv.

Tistenniex aċċess għan-network mill-kodiċi: ipprovdi d-data bħala input, jew iddelega r-riċerka lill-għodda Web Search.

# Eżempju: il-mudell jista' juża pandas direttament
response = client.responses.create(
    model="gpt-5.6-terra",
    input=[
        {
            "role": "user",
            "content": [
                {"type": "input_text", "text": "Load this CSV with pandas, "
                 "calculate descriptive statistics, and identify outliers."},
                {"type": "input_file", "file_id": file_obj.id}
            ]
        }
    ],
    tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)

Agħqad Eżekuzzjonijiet Multipli

Eżekuzzjonijiet suċċessivi jaqsmu l-istess sessjoni: varjabbli, DataFrames, u imports mill-ewwel blokk jibqgħu disponibbli fil-li jmiss, eżattament bħal f’notebook. Il-mudell jisfrutta dan b’mod naturali—jitgħabba, jispezzjona, imbagħad jipproċessa—u jagħmel analiżi multi-pass possibbli mingħajr ma jerġa’ jitgħabba kollox f’kull stadju.

response = client.responses.create(
    model="gpt-5.6-terra",
    input="1. Generate 1000 random points from a normal distribution. "
          "2. Calculate the mean and standard deviation. "
          "3. Create a histogram. "
          "4. Perform a Shapiro-Wilk normality test.",
    tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)

# Il-mudell jeżegwixxi 4 blokok tal-kodiċi sekwenzi
# Kull blokk għandu aċċess għall-varjabbli minn dawk ta' qablu

Ikkombina ma’ Għodod Oħra

L-aktar kombinazzjoni uttiġli tgħaqqad sors tad-data mal-kapaċità li tipproċessah: File Search isib il-passaġġ rilevanti fid-dokumenti tiegħek, Web Search iġib data tas-suq, u Code Interpreter iqabbel iż-żewġ partijiet f’tabella jew grafika. L-ebda waħda minn dawn l-għodod ma tista’ tagħmel ix-xogħol tal-oħrajn.

response = client.responses.create(
    model="gpt-5.6-terra",
    input="Search the web for French GDP data from the last 10 years, "
          "then create a trend chart with a linear regression.",
    tools=[
        {"type": "web_search"},
        {"type": "code_interpreter", "container": {"type": "auto"}}
    ]
)

Mudell: Pipeline Sħiħa ta’ Analiżi

L-aħħar eżempju jgħaqqad kollox hawn fuq f’każ realistiku: fajl tal-input, analiżi multi-pass, u deliverables tal-output. Iffoka speċjalment fuq il-format tal-prompt—innumerat, espliċitu dwar l-output mistenni—għax dan, ferm aktar mill-kodiċi Python li jakkumpanjah, jiddetermina l-kwalità tar-riżultat.

def analyze_data(file_path: str, questions: list[str]) -> dict:
    """Pipeline ta' analiżi tad-data bil-Code Interpreter."""
    # Ittella'
    with open(file_path, "rb") as f:
        file_obj = client.files.create(file=f, purpose="user_data")

    results = {}

    for question in questions:
        response = client.responses.create(
            model="gpt-5.6-terra",
            input=[
                {
                    "role": "user",
                    "content": [
                        {"type": "input_text", "text": question},
                        {"type": "input_file", "file_id": file_obj.id}
                    ]
                }
            ],
            tools=[{"type": "code_interpreter", "container": {"type": "auto"}}],
            instructions="Write clean, commented Python code. "
                        "Display intermediate results."
        )

        results[question] = response.output_text

    return results

# Użu
results = analyze_data("sales.csv", [
    "Give descriptive statistics for each numeric column",
    "What are the top 5 best-selling products?",
    "Is there seasonality in sales?"
])

Punti Ewlenin

  • Il-Code Interpreter iħaddem Python f’container iżolat; il-parametru container huwa meħtieġ ({"type": "auto"} jew ID)
  • Fajls ipprovduti bħala input_file jiġu kkupjati awtomatikament fil-container
  • Fajls iġġenerati huma ċċitati bħala container_file_citation u mniżżla permezz ta’ client.containers.files.content.retrieve
  • Container jiskadi wara 20 minuta ta’ inattività: niżżel dak li trid iżżomm
  • Ikkombina ma’ Web Search u File Search għal analiżi arrikkit