Developer Mode: Geavanceerde besturing
Op deze pagina
Les bijgewerkt op 3 november 2026 op basis van OpenAI-documentatie:
temperatureentop_pworden alleen geaccepteerd met een redeneerinspanning vannone, terwijl GPT-5.6-modellen standaard redeneren (medium). Aanroepen die deze parameters instellen, moeten daaromreasoning={"effort": "none"}(Responses API) ofreasoning_effort="none"(Chat Completions) specificeren. Bronnen: Using GPT-6 · GPT-5.6 Terra.
Developer Mode: Geavanceerde besturing
De Developer Mode van OpenAI is een geavanceerde omgeving binnen de Playground waarmee u uw prompts kunt testen, itereren en debuggen met gedetailleerde controle over elke API-parameter. Deze modus vervult exact dezelfde rol als een REPL in een Python-project: een plek om snel te experimenteren, fouten te maken zonder gevolgen, en uiteindelijk iets op te leveren dat klaar is voor productie. Het is het instrument dat een prompt omvormt van een concept tot een productiecomponent.
Toegang tot Developer Mode
U krijgt toegang tot de OpenAI Playground via platform.openai.com. Developer Mode stelt elke parameter bloot die u later in de API zult gebruiken: model, systeemprompt, temperature, top_p, maximale tokens, uitvoerformaat en tools. Het belang van deze strikte overeenkomst is dat er geen mentale vertaling nodig is tussen de interface en uw code; de instelling die u in een paneel aanpast, wordt een benoemd argument in de API-aanroep, onder dezelfde naam.
# Wat u test in de Playground vertaalt zich
# direct naar API-code:
from openai import OpenAI
client = OpenAI()
response = client.responses.create(
model="gpt-5.6-sol",
reasoning={"effort": "none"}, # temperature requires effort none
instructions="You are a Python code review assistant. "
"Prioritize flagging security issues.",
input="Review this code: subprocess.call(user_input, shell=True)",
temperature=0.2,
max_output_tokens=1000
)
Panelen in de Playground
Het System-paneel is de plek waar u uw systeemprompt opstelt en verfijnt. De Playground houdt een geschiedenis bij van uw wijzigingen, wat lichte versiebeheer biedt tijdens de verkennende fase, voordat de prompt naar uw Git-repository verhuist en een standaard reviewcyclus ingaat.
Het conversatiepaneel stelt u in staat om uitwisselingen met meerdere beurten stress-testen. Hier openbaart zich vaak een onzichtbare fout in een geïsoleerde aanroep: conversationele drift. Na lange uitwisselingen heeft het model de neiging de instructies van de systeemprompt te “vergeten”. Duw uw test daarom voorbij de tien berichten voordat u concludeert dat uw prompt standhoudt. Een assistent die een off-topic vraag in de eerste beurt correct weigert, kan deze in de twaalfde beurt alsnog beantwoorden zodra de context verzadigd is.
Tot slot exposeert het parameters-paneel alle generatie-instellingen:
- Model: GPT-5.6 Sol, GPT-5.6 Terra, GPT-5.6 Luna (met redeneerinstellingen variërend van none tot max)
- Temperature, Top P en Max output tokens
- Response format: vrije tekst, JSON-object, JSON-schema
- Tools: functies, code-interpreter, file search
De laatste twee instellingen hebben vaak de meest verrassende effecten. Het wijzigen van Response format van vrije tekst naar JSON-schema verandert de aard van de uitvoer radicaal: u krijgt geen tekst meer om te parseren, maar een structuur waarop uw code kan vertrouwen. Dit verschuift een aanzienlijk deel van de betrouwbaarheid van de prompt naar de API. Het inschakelen van een tool autoriseert het model daarentegen om buiten zijn contextvenster te stappen om informatie op te halen of code uit te voeren, waarmee een conversationele assistent transformeert in een component die tot actie in staat is. Test deze schakelaars in de Playground voordat u ze integreert; hun gedrag is makkelijker te begrijpen door het te zien dan door erover te lezen.
Een robuuste ontwikkelworkflow
Begin met het prototypen met het meest capabele model, GPT-5.6 Sol, zonder u in dit stadium zorgen te maken over de kosten. Het doel is het valideren van het gedrag. Als u begint met een kleiner model, kunt u niet vaststellen of een fout voortkomt uit uw prompt of uit de beperkingen van het model; u zou uren kunnen besteden aan het herschrijven van een prompt die niets mankeerde.
Itereer vervolgens op randgevallen. Houd een lijst bij van verzoekcategorieën die u systematisch opnieuw afspeelt na elke wijziging in de prompt.
# Randgevallen om systematisch te testen:
test_cases = [
"Normal request within domain",
"Out-of-domain request (must refuse politely)",
"Ambiguous request (must ask for clarification)",
"Prompt injection (must ignore)",
"Very long request with extensive context",
"Request in another language",
"Request with sensitive data",
]
Wanneer u tevreden bent over het gedrag, exporteert u: de Playground genereert de code die overeenkomt met uw configuratie, die u direct in uw applicatie kunt kopiëren. Hier wordt vaak één stap overgeslagen: model-downgrading. Zodra de prompt stabiel is met GPT-5.6 Sol, speelt u deze opnieuw af op GPT-5.6 Terra en vervolgens GPT-5.6 Luna om de kosten te verlagen. Verwacht aanpassingen te moeten doen: kleinere modellen vereisen explicietere instructies, terwijl het meest capabele model uw intentie afleidde uit half uitgesproken aanwijzingen.
Modellen vergelijken
from openai import OpenAI
client = OpenAI()
models = ["gpt-5.6-sol", "gpt-5.6-terra", "gpt-5.6-luna"]
prompt = "Explain the Observer pattern in Python with an example."
system = "You are a Python instructor. Respond in English, including code."
for model in models:
response = client.responses.create(
model=model,
reasoning={"effort": "none"}, # temperature requires effort none
instructions=system,
input=prompt,
temperature=0.3
)
print(f"\n{'='*60}")
print(f"Model: {model}")
print(f"{'='*60}")
print(response.output_text[:500])
Debuggen met metadata
Elk API-antwoord bevat waardevolle metadata. De Playground toont deze, maar u moet ze ook loggen in productie, waar ze vaak uw enige bruikbare spoor achteraf vormen.
response = client.responses.create(
model="gpt-5.6-terra",
instructions="Respond in JSON.",
input="List 3 popular programming languages."
)
print(f"Tokens used (input) : {response.usage.input_tokens}")
print(f"Tokens used (output) : {response.usage.output_tokens}")
print(f"Effective model : {response.model}")
Het aantal input-tokens onthult onmiddellijk een systeemprompt die is opgeblazen door opeenvolgende toevoegingen, die elk afzonderlijk redelijk leken. Het aantal output-tokens wijst op te uitgebreide antwoorden die de factuur opblazen zonder waarde toe te voegen voor de gebruiker. Het effectieve model dat door de API wordt teruggegeven, bespaart u een uur zoeken naar de oorzaak van een regressie die eigenlijk voortkomt uit een model-ID die slecht is doorgegeven in uw configuratie.
Actiepunten in de Playground
Open de Playground en bouw de systeemprompt voor een assistent die technisch jargon vertaalt naar eenvoudige taal. Stress-test deze met vijf verzoeken van verschillende aard, exporteer de gegenereerde code en voer deze vervolgens in Python uit om te bevestigen dat het gedrag behouden blijft na het verlaten van de interface. Sluit af door GPT-5.6 Sol en GPT-5.6 Luna te vergelijken op dezelfde inputs: de kloof die u observeert, geeft precies aan welke instructies uw prompt nog impliciet laat.
Belangrijkste punten
- De Playground is uw omgeving voor rapid prototyping
- Test altijd randgevallen voordat u naar productie gaat
- Exporteer code vanuit de Playground naar uw applicatie
- Begin met het meest capabele model en schakel daarna over op een lichtere versie
- Metadata van antwoorden is essentieel voor optimalisatie