Tryb deweloperski: Zaawansowana kontrola
Na tej stronie
Lekcja zaktualizowana 3 listopada 2026 r. na podstawie dokumentacji OpenAI: parametry
temperatureitop_psą akceptowane wyłącznie przy wysiłku rozumowania (reasoning effort) ustawionym nanone, podczas gdy modele GPT-5.6 domyślnie przeprowadzają rozumowanie (medium). Wywołania ustawiające te parametry muszą zatem określaćreasoning={"effort": "none"}(Responses API) lubreasoning_effort="none"(Chat Completions). Źródła: Using GPT-6 · GPT-5.6 Terra.
Tryb deweloperski: Zaawansowana kontrola
Tryb deweloperski OpenAI to zaawansowane środowisko wewnątrz Playground, które pozwala testować, iterować i debugować prompty z precyzyjną kontrolą nad każdym parametrem API. Pełni dokładnie taką samą rolę jak REPL w projekcie Pythona: jest miejscem do szybkich eksperymentów, popełniania błędów bez konsekwencji i wypracowania rozwiązania gotowego do wdrożenia. To narzędzie przekształca prompt ze szkicu w komponent produkcyjny.
Dostęp do trybu deweloperskiego
Dostęp do OpenAI Playground uzyskasz pod adresem platform.openai.com. Tryb deweloperski udostępnia każdy parametr, którego będziesz później używać w API: model, prompt systemowy, temperaturę, top_p, maksymalną liczbę tokenów, format wyjścia oraz narzędzia. Wartością tej ścisłej zgodności jest brak konieczności mentalnego tłumaczenia między interfejsem a kodem – ustawienie, które dostosowujesz w panelu, staje się nazwanym argumentem w wywołaniu API pod tą samą nazwą.
# To, co testujesz w Playground, przekłada się
# bezpośrednio na kod API:
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
)
Panele w Playground
Panel Systemowy służy do tworzenia i dopracowywania promptu systemowego. Playground przechowuje historię zmian, zapewniając lekkie wersjonowanie w fazie eksploracji, zanim prompt trafi do repozytorium Git i przejdzie standardowy proces recenzji.
Panel konwersacji pozwala przeprowadzać testy obciążeniowe wymian wieloturowych. To właśnie tutaj często ujawnia się niewidoczna wada izolowanego wywołania: dryf konwersacyjny. Po długich wymianach model ma tendencję do „zapominania“ instrukcji z promptu systemowego. Dlatego przetestuj swój prompt na więcej niż dziesięciu wiadomościach, zanim uznasz go za stabilny. Asystent, który właściwie odmawia odpowiedzi na pytanie niezwiązane z tematem w pierwszej turze, może bardzo dobrze odpowiedzieć na nie w dwunastej, gdy kontekst zostanie nasycony.
Na koniec panel parametrów udostępnia wszystkie ustawienia generowania:
- Model: GPT-5.6 Sol, GPT-5.6 Terra, GPT-5.6 Luna (z ustawieniami rozumowania od none do max)
- Temperature, Top P oraz Max output tokens
- Response format: wolny tekst, obiekt JSON, schemat JSON
- Tools: funkcje, interpreter kodu, wyszukiwanie plików
Ostatnie dwa ustawienia często przynoszą najbardziej zaskakujące efekty. Zmiana Response format z wolnego tekstu na schemat JSON radykalnie zmienia charakter wyjścia: nie otrzymujesz już tekstu do parsowania, lecz strukturę, na której może polegać Twój kod. Przenosi to znaczną część niezawodności z promptu na API. Z kolei włączenie narzędzia autoryzuje model do wyjścia poza okno kontekstowe w celu pobrania informacji lub wykonania kodu, przekształcając asystenta konwersacyjnego w komponent zdolny do działania. Przetestuj przełączniki w Playground przed ich integracją; ich zachowanie łatwiej zrozumieć, widząc je na żywo, niż czytając o nich.
Solidny proces deweloperski
Rozpocznij od prototypowania z wykorzystaniem najbardziej wydajnego modelu, GPT-5.6 Sol, nie martwiąc się na tym etapie kosztami. Celem jest walidacja zachowania. Jeśli zaczniesz od mniejszego modelu, nie będziesz w stanie stwierdzić, czy niepowodzenie wynika z Twojego promptu, czy z ograniczeń modelu – możesz spędzić godziny na przepisywaniu promptu, który nie miał żadnych błędów.
Następnie iteruj po przypadkach brzegowych. Miej pod ręką listę rodzin żądań, które systematycznie odtwarzasz po każdej modyfikacji promptu.
# Przypadki brzegowe do systematycznego testowania:
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",
]
Gdy będziesz zadowolony z zachowania, wyeksportuj kod: Playground generuje kod odpowiadający Twojej konfiguracji, który możesz skopiować bezpośrednio do aplikacji. Często pomija się tutaj jeden krok: obniżenie wersji modelu. Gdy prompt jest stabilny z GPT-5.6 Sol, odtwórz go na GPT-5.6 Terra, a następnie na GPT-5.6 Luna, aby zredukować koszty. Spodziewaj się konieczności wprowadzenia poprawek: mniejsze modele wymagają bardziej explicitnych instrukcji tam, gdzie najbardziej wydajny model wnioskował o Twoje intencje na podstawie niedopowiedzeń.
Porównywanie modeli
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])
Debugowanie z wykorzystaniem metadanych
Każda odpowiedź API zawiera cenne metadane. Playground je wyświetla, ale powinieneś również rejestrować je w środowisku produkcyjnym, gdzie często stanowią jedyny użyteczny ślad po fakcie.
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}")
Liczba tokenów wejściowych natychmiast ujawnia prompt systemowy, który spuchł od kolejnych dodatków, z których każdy z osobna był rozsądny. Liczba tokenów wyjściowych wskazuje na zbyt rozwlekłe odpowiedzi, które zwiększają rachunek, nie dodając wartości dla użytkownika. Z kolei efektywny model zwracany przez API uchroni Cię przed godzinnym szukaniem przyczyny regresji, która w rzeczywistości wynikała z błędnie propagowanego identyfikatora modelu w konfiguracji.
Zadania do wykonania w Playground
Otwórz Playground i zbuduj prompt systemowy dla asystenta, który tłumaczy żargon techniczny na prosty język. Przeprowadź testy obciążeniowe, używając pięciu żądań o różnym charakterze, wyeksportuj wygenerowany kod, a następnie uruchom go w Pythonie, aby potwierdzić, że zachowanie utrzymuje się po opuszczeniu interfejsu. Zakończ, porównując GPT-5.6 Sol i GPT-5.6 Luna na tych samych danych wejściowych: zaobserwowana różnica wskaże dokładnie, które instrukcje Twój prompt nadal pozostawia jako domyślne.
Kluczowe wnioski
- Playground to Twoje środowisko szybkiego prototypowania
- Zawsze testuj przypadki brzegowe przed przejściem do produkcji
- Eksportuj kod z Playground do swojej aplikacji
- Zacznij od najbardziej wydajnego modelu, a następnie obniż jego wersję
- Metadane odpowiedzi są niezbędne do optymalizacji