Code Interpreter: Spúšťanie kódu v API
Na tejto strane
Aktualizované 2. novembra 2026 na základe oficiálnej príručky Code Interpreter a SDK
openai: nástroj vyžaduje parametercontainer(chybajúci vo všetkých predchádzajúcich príkladoch, ktoré by zlyhali), vygenerované súbory sa objavujú v anotáciáchcontainer_file_citationa sťahujú sa cez Containers API (nieclient.files.content) a výstupy volaní sa nazývajúoutputs(nieresults). Časti vstupného textu používajú typinput_text. Súbory pripojené k správe sa nahrávajú s účelomuser_data, čo OpenAI odporúča pre vstupy modelu (File inputs). Zdroje: Code Interpreter · File inputs.
Code Interpreter: Spúšťanie kódu v API
Jazykový model predpovedá text; nepočíta. Ak ho požiadaš o druhú odmocninu z 1764, vyprodukuje najpravdepodobnejší výsledok na základe svojho tréningu – často správny, niekedy chybný, bez možnosti rozlíšiť rozdiel. Code Interpreter odstraňuje túto neistotu tým, že modelu poskytne interpret Pythonu: napíše výpočet, vykoná ho a vráti získaný výsledok, nie hádanku.
Posun je hlbší, než sa zdá. Model vidí výstup svojho vlastného kódu, vrátane chýb, takže sa môže opraviť a skúsiť to znova. Pri dátovom súbore, kde nikto nepozná presnú štruktúru, tento cyklus porazí akúkoľvek vopred napísanú inštrukciu.
Povolenie Code Interpreter
Povolíš ho pridaním nástroja do poľa tools – nič na inštaláciu, žiadne prostredie na nasadenie. Model sa rozhodne, kedy napíše kód: na faktické otázky odpovedá priamo, ale pri výpočtoch alebo manipulácii s dátami prepne na vykonávanie.
from openai import OpenAI
client = OpenAI()
response = client.responses.create(
model="gpt-5.6-terra",
input="Calculate the Fibonacci sequence up to the 20th term",
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
print(response.output_text)
Model napíše kód v Pythone, vykoná ho v pieskovisku a integruje výsledky do svojej odpovede.
Kontrola vykonaného kódu
Zvykni si čítať tento kód, aspoň počas vývoja. Je to jediný spôsob, ako rozlíšiť dobrý výsledok od toho, ktorý je správny len náhodou: priemer vypočítaný pri tichom ignorovaní chýbajúcich hodnôt je numericky správny, ale analyticky falošný. Odpoveď ti to nepovie; kód áno.
Odpoveď obsahuje vygenerovaný kód a jeho výsledky:
response = client.responses.create(
model="gpt-5.6-terra",
input="What is the square root of 1764? Verify by squaring the result.",
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}],
include=["code_interpreter_call.outputs"], # to receive produced logs and images
)
for item in response.output:
if item.type == "code_interpreter_call":
print("--- Executed Code ---")
print(item.code)
print("--- Outputs ---")
for output in item.outputs or []:
print(output.logs if output.type == "logs" else output.url)
Poskytnutie súborov ako vstup
Nástroj prináša svoju plnú hodnotu pri práci so súbormi. Nahraš súbor, odkážeš naň vo volaní a model ho skutočne otvorí – číta skutočné stĺpce, skutočné typy a skutočné odľahlé hodnoty, namiesto toho, aby uvažoval o popise, ktorý si mu mohol poskytnúť.
# Upload the file
with open("sales_2025.csv", "rb") as f:
file_obj = client.files.create(file=f, purpose="user_data")
# Use Code Interpreter with the file
response = client.responses.create(
model="gpt-5.6-terra",
input=[
{
"role": "user",
"content": [
{"type": "input_text", "text": "Analyze this sales file. "
"Give me the total by category and the best-performing month."},
{"type": "input_file", "file_id": file_obj.id}
]
}
],
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
print(response.output_text)
Získanie vygenerovaných súborov
Funguje aj opačný smer: kód vytvorí vyčistený CSV, graf alebo zošit Excelu a tieto súbory sa ti vrátia. Zostávajú v kontajneri a odpoveďová správa ich cituje vo svojich anotáciách typu container_file_citation, vrátane ID kontajnera, ID súboru a názvu súboru. Následne ich stiahneš cez Containers API. Dve malé funkcie, znovu použité v ďalších lekciách, zapuzdrujú tento tok:
def generated_files(response):
"""Files created by Code Interpreter, cited in message annotations."""
for item in response.output:
if item.type == "message":
for part in item.content:
for ann in getattr(part, "annotations", None) or []:
if ann.type == "container_file_citation":
yield ann
def download(client, ann, path):
"""Downloads a file from the container and returns its local path."""
content = client.containers.files.content.retrieve(ann.file_id, container_id=ann.container_id)
with open(path, "wb") as out:
out.write(content.read())
return path
Súbory, ktoré poskytuješ ako vstup (input_file), sa automaticky skopírujú do kontajnera: nemusíš nič ďalšie nahrávať.
response = client.responses.create(
model="gpt-5.6-terra",
input=[
{
"role": "user",
"content": [
{"type": "input_text", "text": "Create a chart of sales by month "
"and export the cleaned data as a CSV."},
{"type": "input_file", "file_id": file_obj.id}
]
}
],
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
# Retrieve generated files
for ann in generated_files(response):
print(f"Generated file: {ann.filename}")
download(client, ann, ann.filename)
Kontajner a prostredie
Poznanie pravidiel kontajnera šetrí čas pri ladení toho, čo nemôže fungovať. Podľa dokumentácie OpenAI:
- ide o plne izolovaný virtuálny stroj (pieskovisko), kde model vykonáva Python;
- nástroj vyžaduje parameter
container:{"type": "auto"}vytvorí kontajner (alebo znovu použije jeden z predchádzajúceho volania prítomného v kontexte), zatiaľ čo ID získané cezclient.containers.create(...)vynúti konkrétny kontajner; - pamäť sa nastavuje pomocou
memory_limit:1g(predvolené),4g,16galebo64g, pričom vyššie úrovne sa fakturujú podľa sadzieb integrovaných nástrojov; - kontajner vyprší po 20 minútach nečinnosti; jeho dáta sa potom stratia, takže si stiahni všetky súbory, ktoré chceš zachovať, kým je aktívny.
Nespoľahni sa na prístup k sieti z kódu: poskytni dáta ako vstup alebo deleguj vyhľadávanie na nástroj Web Search.
# Example: the model can use pandas directly
response = client.responses.create(
model="gpt-5.6-terra",
input=[
{
"role": "user",
"content": [
{"type": "input_text", "text": "Load this CSV with pandas, "
"calculate descriptive statistics, and identify outliers."},
{"type": "input_file", "file_id": file_obj.id}
]
}
],
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
Reťazenie viacerých vykonaní
Postupné vykonania zdieľajú rovnakú reláciu: premenné, DataFrame a importy z prvého bloku zostávajú dostupné v ďalšom, presne ako v zošite. Model to prirodzene využíva – načíta, preskúma, potom spracuje – čo umožňuje viackrokovú analýzu bez opätovného načítania všetkého v každej fáze.
response = client.responses.create(
model="gpt-5.6-terra",
input="1. Generate 1000 random points from a normal distribution. "
"2. Calculate the mean and standard deviation. "
"3. Create a histogram. "
"4. Perform a Shapiro-Wilk normality test.",
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}]
)
# The model executes 4 code blocks sequentially
# Each block has access to variables from previous ones
Kombinácia s inými nástrojmi
Najužitočnejšia kombinácia spája zdroj dát so schopnosťou ich spracovať: File Search nájde relevantný úsek vo tvojich dokumentoch, Web Search prinesie trhové dáta a Code Interpreter porovná obe v tabuľke alebo grafe. Žiadny z týchto nástrojov nedokáže vykonať prácu tých ostatných.
response = client.responses.create(
model="gpt-5.6-terra",
input="Search the web for French GDP data from the last 10 years, "
"then create a trend chart with a linear regression.",
tools=[
{"type": "web_search"},
{"type": "code_interpreter", "container": {"type": "auto"}}
]
)
Vzorec: Kompletný analytický pipeline
Posledný príklad spája všetko vyššie uvedené do realistického prípadu: vstupný súbor, viackroková analýza a výstupné výstupy. Zameraj sa najmä na formát promptu – číslovaný, explicitný ohľadom očakávaného výstupu – pretože práve to, oveľa viac než sprievodný kód Pythonu, určuje kvalitu výsledku.
def analyze_data(file_path: str, questions: list[str]) -> dict:
"""Data analysis pipeline with Code Interpreter."""
# Upload
with open(file_path, "rb") as f:
file_obj = client.files.create(file=f, purpose="user_data")
results = {}
for question in questions:
response = client.responses.create(
model="gpt-5.6-terra",
input=[
{
"role": "user",
"content": [
{"type": "input_text", "text": question},
{"type": "input_file", "file_id": file_obj.id}
]
}
],
tools=[{"type": "code_interpreter", "container": {"type": "auto"}}],
instructions="Write clean, commented Python code. "
"Display intermediate results."
)
results[question] = response.output_text
return results
# Usage
results = analyze_data("sales.csv", [
"Give descriptive statistics for each numeric column",
"What are the top 5 best-selling products?",
"Is there seasonality in sales?"
])
Kľúčové poznatky
- Code Interpreter spúšta Python v izolovanom kontajneri; parameter
containerje povinný ({"type": "auto"}alebo ID) - Súbory poskytnuté ako
input_filesa automaticky skopírujú do kontajnera - Vygenerované súbory sú citované ako
container_file_citationa sťahujú sa cezclient.containers.files.content.retrieve - Kontajner vyprší po 20 minútach nečinnosti: stiahni si to, čo chceš zachovať
- Kombinuj s Web Search a File Search pre obohatenú analýzu