Salt la conținutul principal
Română— Alege o limbă
Meniu

Rezultate structurate și executarea codului

Lecția 9 din 12 Actualizată 2 noiembrie 2026 Dezvoltator
Pe această pagină
  1. Executarea codului și structurarea rezultatelor
  2. Funcționalitate disponibilă de la Grok 4 și versiunile ulterioare
  3. Caz de utilizare tipic: Calcule precise
  4. Exemplu: Analiză statistică
  5. Combinarea căutării pe web cu executarea codului
  6. Limitele executării codului
  7. Puncte cheie

Actualizat la 2 noiembrie 2026. Pe baza documentației xAI: cu xai-sdk, rezultatele structurate se combină cu instrumentele prin crearea conversației (client.chat.create(..., tools=[code_execution()])), urmată de apelarea chat.parse(Schema), care returnează răspunsul și obiectul tipizat; exemplul anterior apela client.chat.parse(...) cu argumente pentru Chat Completions, o metodă care nu există în niciun SDK. Surse: Rezultate structurate · Executarea codului.

Executarea codului și structurarea rezultatelor

Combinarea rezultatelor structurate cu executarea codului permite modelului să calculeze rezultate și să le returneze într-un format structurat. Modelul scrie cod, îl execută într-un mediu izolat (sandbox) și formatează ieșirea conform schemei dumneavoastră.

Funcționalitate disponibilă de la Grok 4 și versiunile ulterioare

La fel ca în cazul căutării pe web, această combinație este rezervată modelelor Grok 4 și superioare – ceea ce înseamnă întreaga gamă actuală (Grok 4.5, Grok 4.3, variantele grok-4.20). Modelele anterioare nu suportau combinarea instrumentelor cu rezultate structurate.

Caz de utilizare tipic: Calcule precise

Principalul avantaj al executării codului cu rezultate structurate este precizia calculului. Modelele LLM fac adesea erori aritmetice. Prin executarea codului, rezultatele sunt matematic exacte.

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

client = Client()  # cheia este citită din 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("""Iată vânzările trimestriale:
- Produsul A: 150 unități la 45 €, cost unitar 28 €
- Produsul B: 320 unități la 22 €, cost unitar 15 €
- Produsul C: 85 unități la 120 €, cost unitar 78 €

Calculați analiza financiară completă."""))

response, parsed = chat.parse(FinancialAnalysis)

print(f"Marja brută: {parsed.gross_margin} €")
print(f"Marja: {parsed.margin_percentage}%")
print(f"Cel mai bun produs: {parsed.most_profitable_product}")

Modelul va scrie un script Python pentru a efectua calculele, îl va executa și apoi va formata rezultatele în schema FinancialAnalysis.

Exemplu: Analiză statistică

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("""Calculați statisticile descriptive pentru aceste date:
[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"Medie: {parsed.mean}")
print(f"Abatere standard: {parsed.std_dev}")

Combinarea căutării pe web cu executarea codului

Puteți activa ambele instrumente simultan:

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("Analizează acțiunile Apple din ultimele 30 de zile"))

response, parsed = chat.parse(MarketAnalysis)

Modelul va prelua date recente de pe web, apoi va folosi executarea codului pentru a calcula variațiile și mediile.

Limitele executării codului

  • Mediul de executare este izolat și efemer.
  • Pachetele Python comune sunt preinstalate (NumPy, Pandas, Matplotlib, SciPy).
  • Timpul de executare și memoria sunt limitate.
  • Codul executat nu are acces la rețea.
  • Fișierele create nu persistă între apeluri.

Puncte cheie

  • Executarea codului + rezultate structurate necesită cel puțin Grok 4 – întreaga gamă actuală este compatibilă.
  • Modelul scrie și execută cod pentru calcule precise.
  • Activați instrumentul cu code_execution() în xAI SDK sau {"type": "code_interpreter"} în API-ul Responses, apoi obțineți obiectul tipizat cu chat.parse(Schema).
  • Poate fi combinat cu web_search pentru a căuta și apoi a calcula.
  • Ideal pentru analize financiare, statistice și matematice.
  • Rezultatele calculate sunt exacte, spre deosebire de estimările LLM.