Ograniczenia praktyczne i najlepsze praktyki
Na tej stronie
Jak najlepiej wykorzystać wykonywanie kodu
Skoro znasz już techniczne ograniczenia piaskownicy, ta lekcja skupia się na najlepszych praktykach zapewniających niezawodne wyniki i optymalne wykorzystanie funkcji Code Execution. Rekomendacje te wynikają z doświadczeń produkcyjnych oraz wytycznych xAI.
Wybór modelu
xAI zaleca używanie modelu grok-4.20-0309-reasoning do generowania kodu. Model ten tworzy bardziej uporządkowany, lepiej komentowany kod i popełnia mniej błędów niż modele niewykorzystujące rozumowania. Różnica jest szczególnie widoczna w przypadku złożonych problemów wymagających wieloetapowego wnioskowania.
Ustawienie temperatury
Do obliczeń matematycznych i analizy danych używaj niskich wartości temperatury:
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 do 0.1: czyste obliczenia matematyczne, wyniki deterministyczne
- 0.1 do 0.3: analiza danych z interpretacją
- 0.3 do 0.7: kreatywne generowanie kodu (unikaj przy krytycznych obliczeniach)
Wysoka temperatura może powodować, że każde wywołanie zwróci inne podejście algorytmiczne, co uniemożliwi reprodukcję wyników.
Strukturyzowanie promptów
Dołączanie danych do promptu
Ponieważ piaskownica nie ma dostępu do sieci, musisz dołączyć wszystkie dane podlegające analizie bezpośrednio do promptu:
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
)
Określanie oczekiwanego formatu wyjścia
Model osiąga lepsze rezultaty, gdy precyzyjnie określisz, czego oczekujesz:
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.
"""
Rozbijanie złożonych problemów
W przypadku analiz wieloetapowych strukturuj prompt sekwencyjnie:
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
"""
Obsługa błędów
Model może napotkać błędy podczas wykonywania kodu. W takiej sytuacji zazwyczaj próbuje poprawić kod i uruchomić go ponownie. Oznacza to, że:
- Za pojedyncze żądanie mogą zostać naliczone opłaty za wielokrotne wywołania
- Otrzymanie końcowego wyniku może zająć więcej czasu
- W rzadkich przypadkach model może nie zdołać poprawić błędu
Aby zminimalizować liczbę błędów, formułuj instrukcje precyzyjnie i dostarczaj dane w przejrzystym, ustrukturyzowanym formacie (CSV, JSON, tabele).
Walidacja wyników
Code Execution to potężne narzędzie, ale nie jest nieomylne. W przypadku krytycznych obliczeń:
- Zweryfikuj wyniki na znanym podzbiorze danych
- Poproś model o wyjaśnienie zastosowanej metodologii
- Porównaj wyniki z tymi uzyskanymi innymi metodami
- Zażądaj kodu źródłowego, aby go przejrzeć w razie potrzeby
Model często dołącza wykonany kod do swojej odpowiedzi, co pozwala zweryfikować zastosowaną logikę.
Łączenie wykonywania kodu z wyszukiwaniem w sieci
Zaawansowanym przypadkiem użycia jest połączenie obu narzędzi:
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
)
Model wykorzystuje Web Search do pobrania danych, a następnie Code Execution do ich analizy. Ten przepływ pracy jest w pełni automatyczny.
Kluczowe wnioski
- Używaj modelu grok-4.20-0309-reasoning, aby uzyskać najlepszą jakość kodu
- Stosuj niską temperaturę (0.0–0.3) do obliczeń, a wyższą do kreatywnego generowania kodu
- Dołączaj dane bezpośrednio do promptu (piaskownica nie ma dostępu do sieci)
- Strukturyzuj swoje żądania: określ oczekiwany format i kolejne kroki
- Waliduj krytyczne wyniki – model nie jest nieomylny
- Połączenie Web Search i Code Execution stanowi potężny przepływ pracy