Ga naar hoofdinhoud
Nederlands— Kies een taal
Menu

Gestructureerde uitvoer en code-uitvoering

Les 9 van 12 Bijgewerkt op 2 november 2026 Ontwikkelaar
Op deze pagina
  1. Code uitvoeren en resultaten structureren
  2. Functie voor Grok 4 en later
  3. Typisch gebruik: nauwkeurige berekeningen
  4. Voorbeeld: statistische analyse
  5. Webzoekopdrachten en code-uitvoering combineren
  6. Limieten van code-uitvoering
  7. Belangrijkste punten

Bijgewerkt op 2 november 2026. Gebaseerd op de xAI-documentatie: met de xai-sdk combineert u gestructureerde uitvoer met tools door eerst het gesprek aan te maken (client.chat.create(..., tools=[code_execution()])) en vervolgens chat.parse(Schema) aan te roepen. Dit retourneert zowel het antwoord als het getypte object. Het eerdere voorbeeld riep client.chat.parse(...) aan met argumenten voor Chat Completions; deze methode bestaat in geen enkele SDK. Bronnen: Structured Outputs · Code Execution.

Code uitvoeren en resultaten structureren

Door gestructureerde uitvoer te combineren met code-uitvoering, kan het model resultaten berekenen en deze in een gestructureerd formaat retourneren. Het model schrijft code, voert deze uit in een gesandboxde omgeving en formatteert de uitvoer volgens uw schema.

Functie voor Grok 4 en later

Net als bij webzoekopdrachten is deze combinatie voorbehouden aan Grok 4 en latere modellen. Dit betekent dat de volledige huidige line-up compatibel is (Grok 4.5, Grok 4.3, grok-4.20-varianten). Eerdere modellen ondersteunden het combineren van tools met gestructureerde uitvoer niet.

Typisch gebruik: nauwkeurige berekeningen

Het grootste voordeel van code-uitvoering met gestructureerde uitvoer is berekeningsnauwkeurigheid. LLM’s maken regelmatig rekenfouten. Door code uit te voeren, zijn de resultaten wiskundig exact.

from pydantic import BaseModel
from xai_sdk import Client
from xai_sdk.chat import user
from xai_sdk.tools import code_execution

client = Client()  # sleutel gelezen uit 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}")

Het model schrijft een Python-script om de berekeningen uit te voeren, voert dit uit en formatteert vervolgens de resultaten in het FinancialAnalysis-schema.

Voorbeeld: statistische analyse

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}")

Webzoekopdrachten en code-uitvoering combineren

U kunt beide tools gelijktijdig inschakelen:

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)

Het model haalt recente gegevens van het web en gebruikt vervolgens code-uitvoering om veranderingen en gemiddelden te berekenen.

Limieten van code-uitvoering

  • De uitvoeringsomgeving is geïsoleerd en ephemeraal (tijdelijk).
  • Veelgebruikte Python-pakketten zijn vooraf geïnstalleerd (NumPy, Pandas, Matplotlib, SciPy).
  • Uitvoeringstijd en geheugengebruik zijn begrensd.
  • Geen netwerktopgang vanuit de uitgevoerde code.
  • Bestanden die worden aangemaakt, blijven niet bewaard tussen opeenvolgende aanroepen.

Belangrijkste punten

  • Code-uitvoering plus gestructureerde uitvoer vereist minimaal Grok 4; de volledige huidige line-up is compatibel.
  • Het model schrijft en voert code uit voor nauwkeurige berekeningen.
  • Schakel de tool in met code_execution() in de xAI SDK, of {"type": "code_interpreter"} in de Responses API, en haal vervolgens het getypte object op met chat.parse(Schema).
  • Combineerbaar met web_search om eerst te zoeken en vervolgens te berekenen.
  • Ideaal voor financiële, statistische en wiskundige analyse.
  • Berekende resultaten zijn exact, in tegenstelling tot schattingen van een LLM.