Przejdź do głównej treści
Polski— Wybierz język
Menu

Wyjścia strukturalne i wykonywanie kodu

Lekcja 9 z 12 Zaktualizowano 2 listopada 2026 Programista
Na tej stronie
  1. Wykonywanie kodu i strukturyzowanie wyników
  2. Funkcja dostępna od Grok 4 i nowszych
  3. Typowy przypadek użycia: precyzyjne obliczenia
  4. Przykład: analiza statystyczna
  5. Łączenie wyszukiwania w sieci i wykonywania kodu
  6. Ograniczenia wykonywania kodu
  7. Kluczowe wnioski

Zaktualizowano 2 listopada 2026 r. Na podstawie dokumentacji xAI: w przypadku xai-sdk wyjścia strukturalne łączą się z narzędziami poprzez utworzenie konwersacji (client.chat.create(..., tools=[code_execution()])), a następnie wywołanie chat.parse(Schema), które zwraca odpowiedź oraz typowany obiekt; poprzedni przykład wywoływał client.chat.parse(...) z argumentami Chat Completions, co jest metodą nieistniejącą w żadnym SDK. Źródła: Structured Outputs · Code Execution.

Wykonywanie kodu i strukturyzowanie wyników

Połączenie wyjść strukturalnych z wykonywaniem kodu pozwala modelowi obliczać wyniki i zwracać je w sformatowanej strukturze. Model pisze kod, wykonuje go w środowisku piaskownicy (sandbox), a następnie formatuje wynik zgodnie z Twoim schematem.

Funkcja dostępna od Grok 4 i nowszych

Podobnie jak wyszukiwanie w sieci, to połączenie jest zarezerwowane dla modeli Grok 4 i nowszych – oznacza to całą obecną linię produktową (Grok 4.5, Grok 4.3, warianty grok-4.20). Wcześniejsze modele nie obsługiwały łączenia narzędzi z wyjściami strukturalnymi.

Typowy przypadek użycia: precyzyjne obliczenia

Główną zaletą wykonywania kodu wraz z wyjściami strukturalnymi jest precyzja obliczeń. Modele LLM regularnie popełniają błędy arytmetyczne. Dzięki wykonaniu kodu wyniki są matematycznie dokładne.

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

client = Client()  # klucz odczytany z 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("""Oto sprzedaż kwartalna:
- Produkt A: 150 sztuk po 45 €, koszt jednostkowy 28 €
- Produkt B: 320 sztuk po 22 €, koszt jednostkowy 15 €
- Produkt C: 85 sztuk po 120 €, koszt jednostkowy 78 €

Oblicz kompletną analizę finansową."""))

response, parsed = chat.parse(FinancialAnalysis)

print(f"Marża brutto: {parsed.gross_margin} €")
print(f"Marża: {parsed.margin_percentage}%")
print(f"Najlepszy produkt: {parsed.most_profitable_product}")

Model napisze skrypt w języku Python, aby przeprowadzić obliczenia, execute go, a następnie sformatuje wyniki zgodnie ze schematem FinancialAnalysis.

Przykład: analiza statystyczna

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("""Oblicz statystyki opisowe dla tych danych:
[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"Średnia: {parsed.mean}")
print(f"Odchylenie std: {parsed.std_dev}")

Łączenie wyszukiwania w sieci i wykonywania kodu

Możesz włączyć oba narzędzia jednocześnie:

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("Przeanalizuj akcje Apple z ostatnich 30 dni"))

response, parsed = chat.parse(MarketAnalysis)

Model pobierze najnowsze dane z sieci, a następnie użyje wykonywania kodu, aby obliczyć zmiany i średnie.

Ograniczenia wykonywania kodu

  • Środowisko wykonawcze jest izolowane i efemeryczne
  • Popularne pakiety Pythona są preinstalowane (NumPy, Pandas, Matplotlib, SciPy)
  • Czas wykonania i zużycie pamięci są ograniczone
  • Brak dostępu do sieci z poziomu wykonywanego kodu
  • Pliki utworzone podczas wykonania nie są zachowywane między wywołaniami

Kluczowe wnioski

  • Wykonywanie kodu + wyjścia strukturalne wymagają co najmniej Grok 4 – cała obecna linia modelowa jest kompatybilna
  • Model pisze i wykonuje kod, aby uzyskać precyzyjne obliczenia
  • Włącz narzędzie za pomocą code_execution() w xAI SDK lub {"type": "code_interpreter"} w Responses API, a następnie pobierz typowany obiekt poprzez chat.parse(Schema)
  • Możliwość łączenia z web_search w celu wyszukiwania, a następnie obliczania
  • Idealne rozwiązanie do analiz finansowych, statystycznych i matematycznych
  • Obliczone wyniki są dokładne, w przeciwieństwie do szacunków generowanych przez LLM