Ga naar hoofdinhoud
Nederlands— Kies een taal
Menu

Praktische limieten en best practices

Les 15 van 16 Bijgewerkt op 30 juli 2026 Ontwikkelaar
Op deze pagina
  1. Het maximale halen uit Code Execution
  2. Modelselectie
  3. Temperatuurinstelling
  4. Uw prompts structureren
  5. Foutafhandeling
  6. Resultaten valideren
  7. Code Execution combineren met Web Search
  8. Belangrijkste punten

Het maximale halen uit Code Execution

Nu u de technische beperkingen van de sandbox begrijpt, richt deze les zich op best practices voor betrouwbare resultaten en een optimaal gebruik van Code Execution. Deze aanbevelingen zijn gebaseerd op productie-ervaringen en richtlijnen van xAI.

Modelselectie

xAI raadt aan grok-4.20-0309-reasoning te gebruiken voor codegeneratie. Dit model produceert gestructureerdere, beter becommentarieerde code met minder fouten dan niet-redenerende modellen. Het verschil is vooral zichtbaar bij complexe problemen die redeneren in meerdere stappen vereisen.

Temperatuurinstelling

Gebruik voor wiskundige berekeningen en data-analyse lage temperaturen:

response = client.responses.create(
    model="grok-4.20-0309-reasoning",
    input="Calculate the weighted standard deviation of these values: ...",
    tools=[client.tools.code_execution()],
    temperature=0.1
)
  • 0,0 tot 0,1: zuivere wiskundige berekeningen, deterministische resultaten
  • 0,1 tot 0,3: data-analyse met interpretatie
  • 0,3 tot 0,7: creatieve codegeneratie (vermijden voor kritieke berekeningen)

Een hoge temperatuur kan bij elke aanroep leiden tot verschillende algoritmische benaderingen, waardoor resultaten niet reproduceerbaar zijn.

Uw prompts structureren

Data opnemen in de prompt

Omdat de sandbox geen netwerktoegang heeft, moet u alle te analyseren data in de prompt opnemen:

data = """
Month,Sales,Costs
Jan,15000,8000
Feb,18000,9500
Mar,22000,11000
Apr,19000,10000
"""

response = client.responses.create(
    model="grok-4.20-0309-reasoning",
    input=f"Analyze this sales data and calculate monthly margins:\n{data}",
    tools=[client.tools.code_execution()],
    temperature=0.1
)

Het verwachte uitvoerformaat specificeren

Het model levert betere resultaten wanneer u specificeert wat u verwacht:

input_text = """
Data: [2.5, 3.1, 4.7, 2.8, 5.2, 3.9, 4.1]

Calculate:
1. The mean and median
2. The standard deviation
3. The coefficient of variation
4. Identify outliers (IQR method)

Present the results in a formatted table.
"""

Complexe problemen opsplitsen

Voor analyses in meerdere stappen structureert u uw prompt sequentieel:

input_text = """
Step 1: Load this portfolio return data
Step 2: Calculate the annualized return
Step 3: Calculate volatility (annualized standard deviation)
Step 4: Calculate the Sharpe ratio (risk-free rate = 4%)
Step 5: Present a summary with all indicators
"""

Foutafhandeling

Het model kan uitvoeringsfouten tegenkomen. In dat geval probeert het doorgaans zijn code te corrigeren en opnieuw uit te voeren. Dit betekent dat:

  • Voor één verzoek meerdere aanroepen in rekening kunnen worden gebracht
  • Het uiteindelijke resultaat langer op zich kan laten wachten
  • Het model in zeldzame gevallen de fout niet kan corrigeren

Om fouten te minimaliseren, geeft u precieze instructies en levert u data aan in een duidelijk, gestructureerd formaat (CSV, JSON, tabellen).

Resultaten valideren

Code Execution is een krachtig hulpmiddel, maar niet onfeilbaar. Voor kritieke berekeningen geldt:

  • Verifieer resultaten op een bekende subset
  • Vraag het model zijn methodologie uit te leggen
  • Vergelijk met resultaten die op andere wijze zijn verkregen
  • Vraag de broncode op om deze indien nodig te controleren

Het model neemt de uitgevoerde code vaak op in zijn antwoord, zodat u de logica kunt verifiëren.

Een geavanceerd gebruiksscenario is het combineren van beide tools:

response = client.responses.create(
    model="grok-4.20-0309-reasoning",
    input="Find the current stock prices for Apple, Google, and Microsoft, then calculate their correlation over the last month",
    tools=[
        {"type": "web_search"},
        {"type": "code_interpreter"}
    ],
    temperature=0.1
)

Het model gebruikt Web Search om data op te halen en vervolgens Code Execution om deze te analyseren. Deze workflow verloopt volledig automatisch.

Belangrijkste punten

  • Gebruik grok-4.20-0309-reasoning voor de beste codekwaliteit
  • Gebruik een lage temperatuur (0,0–0,3) voor berekeningen en een hogere voor creatieve code
  • Neem data op in de prompt (de sandbox heeft geen netwerktoegang)
  • Structureer uw verzoeken: verwacht formaat, sequentiële stappen
  • Valideer kritieke resultaten – het model is niet onfeilbaar
  • De combinatie Web Search + Code Execution is een krachtige workflow