Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Režim vývojára: Pokročilá kontrola

Lekcia 4 z 16 Aktualizované 3. novembra 2026 Vývojár
Na tejto strane
  1. Režim vývojára: Pokročilá kontrola
  2. Prístup k režimu vývojára
  3. Panely v Playgroundi
  4. Robustný pracovný postup vývoja
  5. Porovnávanie modelov
  6. Ladenie pomocou metadát
  7. Akčné kroky v Playgroundi
  8. Kľúčové poznatky

Lekcia aktualizovaná 3. novembra 2026 na základe dokumentácie OpenAI: parametre temperature a top_p sú akceptované len pri úsilí o logické usudzovanie (reasoning effort) nastavenom na none, zatiaľ čo modely GPT-5.6 predvolene využívajú logické usudzovanie (medium). Volania, ktoré nastavujú tieto parametre, preto musia špecifikovať reasoning={"effort": "none"} (Responses API) alebo reasoning_effort="none" (Chat Completions). Zdroje: Používanie GPT-6 · GPT-5.6 Terra.

Režim vývojára: Pokročilá kontrola

Režim vývojára od OpenAI je pokročilé prostredie v rámci Playgroundu, ktoré ti umožňuje testovať, iterovať a ladiť tvoje prompty s granularnou kontrolou nad každým parametrom API. Plní presne tú istú úlohu ako REPL v projekte Pythonu: je to miesto, kde môžeš rýchlo experimentovať, robiť chyby bez následkov a nakoniec vytvoriť niečo hodné nasadenia. Je to nástroj, ktorý transformuje koncept promptu na produkčnú súčasť systému.

Prístup k režimu vývojára

K Playgroundu OpenAI sa dostaneš na adrese platform.openai.com. Režim vývojára sprístupňuje každý parameter, ktorý neskôr použiješ v API: model, systémový prompt, teplotu, top_p, maximálny počet tokenov, formát výstupu a nástroje. Hodnota tejto prísnej zhody spočíva v tom, že nie je potrebný žiadny mentálny preklad medzi rozhraním a tvojím kódom – nastavenie, ktoré upravíš v paneli, sa stane pomenovaným argumentom vo volaní API pod rovnakým názvom.

# To, čo otestuješ v Playgroundi, sa priamo
# premení na kód API:
from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.6-sol",
    reasoning={"effort": "none"},  # temperature vyžaduje effort none
    instructions="Si asistent na kontrolu kódu v Pythone. "
                 "Uprednostňuj označovanie bezpečnostných problémov.",
    input="Skontroluj tento kód: subprocess.call(user_input, shell=True)",
    temperature=0.2,
    max_output_tokens=1000
)

Panely v Playgroundi

Panel System (Systém) je miestom, kde koncipuješ a vylepšuješ svoj systémový prompt. Playground uchováva históriu tvojich zmien, čo poskytuje ľahké verziovanie počas fázy skúmania, ešte predtým, než sa prompt presunie do tvojho Git repozitára a prejde štandardným procesom revízie.

Panel konverzácie ti umožňuje stresovo testovať výmeny správ v viacerých kolách. Práve tu sa často odhalí neviditeľná chyba izolovaného volania: konverzačný drift. Po dlhých výmenách má model tendenciu „zabúdať“ inštrukcie zo systémového promptu. Preto tlač svoje testy beyond desať správ, než usúdiš, že prompt obstojí. Asistent, ktorý správne odmietne otázku mimo tému v prvom kole, ju môže veľmi dobre zodpovedať v dvanástom kole, keď je kontext už presýtený.

Nakoniec, panel parametrov sprístupňuje všetky nastavenia generovania:

  • Model: GPT-5.6 Sol, GPT-5.6 Terra, GPT-5.6 Luna (s nastaveniami logického usudzovania od none po max)
  • Temperature, Top P a Max output tokens
  • Formát odpovede: voľný text, JSON objekt, JSON schéma
  • Nástroje: funkcie, interpret kódu, vyhľadávanie v súboroch

Posledné dve nastavenia majú často najprekvapivejšie účinky. Prepnutie formátu odpovede z voľného textu na JSON schému radikálne mení povahu výstupu: už nedostávaš text na parsovanie, ale štruktúru, na ktorú sa môže tvoj kód spoľahnúť. Tým sa významná časť spoľahlivosti presúva z promptu do API. Naopak, povolenie nástroja autorizuje model vystúpiť mimo svoje kontextové okno, aby získal informácie alebo vykonal kód, čím transformuje konverzačného asistenta na komponent schopný akcie. Otestuj si tieto prepínače v Playgroundi pred ich integráciou; ich správanie je ľahšie pochopiť, keď ho vidíš na vlastné oči, než keď o ňom len čítaš.

Robustný pracovný postup vývoja

Začni prototypovaním s najschopnejším modelom, GPT-5.6 Sol, bez obáv o náklady v tejto fáze. Cieľom je validovať správanie. Ak začneš s menším modelom, nebudeš vedieť rozlíšiť, či zlyhanie pramení z tvojho promptu alebo z obmedzení modelu – mohol by si stráviť hodiny prepisovaním promptu, ktorý bol v poriadku.

Ďalej iteruj na hraničných prípadoch. Maj po ruke zoznam rodín požiadaviek, ktoré systematicky replayuješ po každej úprave promptu.

# Hraničné prípady na systematické testovanie:
test_cases = [
    "Bežná požiadavka v rámci domény",
    "Požiadavka mimo domény (musí zdvorilo odmietnuť)",
    "Nejasná požiadavka (musí požiadať o objasnenie)",
    "Vstrekovanie promptu (musí ignorovať)",
    "Veľmi dlhá požiadavka s rozsiahlym kontextom",
    "Požiadavka v inom jazyku",
    "Požiadavka s citlivými údajmi",
]

Keď si spokojný so správaním, exportuj: Playground vygeneruje kód zodpovedajúci tvojej konfigurácii, ktorý môžeš priamo skopírovať do svojej aplikácie. Jeden krok sa tu často vynecháva: downgrade modelu. Keď je prompt stabilný s GPT-5.6 Sol, replayni ho na GPT-5.6 Terra a potom na GPT-5.6 Luna, aby si znížil náklady. Očakávaj, že budeš musieť robiť úpravy: menšie modely vyžadujú explicitnejšie inštrukcie, zatiaľ čo najschopnejší model odvodil tvoj zámer z napoly vyslovených náznakov.

Porovnávanie modelov

from openai import OpenAI

client = OpenAI()

models = ["gpt-5.6-sol", "gpt-5.6-terra", "gpt-5.6-luna"]
prompt = "Vysvetli vzor Observer v Pythone s príkladom."
system = "Si inštruktor Pythonu. Odpovedaj po anglicky vrátane kódu."

for model in models:
    response = client.responses.create(
        model=model,
        reasoning={"effort": "none"},  # temperature vyžaduje 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])

Ladenie pomocou metadát

Každá odpoveď API nesie cenné metadáta. Playground ich zobrazuje, ale mal by si ich logovať aj v produkcii, kde často predstavujú jedinú akčnú stopu po udalosti.

response = client.responses.create(
    model="gpt-5.6-terra",
    instructions="Odpovedaj v JSON.",
    input="Vymenuj 3 populárne programovacie jazyky."
)

print(f"Použité tokeny (vstup)  : {response.usage.input_tokens}")
print(f"Použité tokeny (výstup) : {response.usage.output_tokens}")
print(f"Efektívny model         : {response.model}")

Počet vstupných tokenov okamžite odhalí systémový prompt, ktorý sa postupnými prídavkami stal nafúknutým, hoci každý prídavok bol izolovane rozumný. Počet výstupných tokenov odhaľuje príliš rozvláčne odpovede, ktoré zbytočne nafukujú účet bez pridania hodnoty pre používateľa. Čo sa týka efektívneho modelu vráteného API, ušetrí ti hodiny hľadania príčiny regresie, ktorá v skutočnosti pramení z zle propagovaného ID modelu v tvojej konfigurácii.

Akčné kroky v Playgroundi

Otvor Playground a vytvor systémový prompt pre asistenta, ktorý prekladá technický žargón do bežného jazyka. Stresovo ho otestuj piatimi požiadavkami rôznej povahy, exportuj vygenerovaný kód a následne ho spusti v Pythone, aby si potvrdil, že správanie prežije opustenie rozhrania. Dokonči to porovnaním GPT-5.6 Sol a GPT-5.6 Luna na rovnakých vstupoch: medzera, ktorú pozoruješ, ti presne ukáže, ktoré inštrukcie tvojho promptu sú stále iba implicitné.

Kľúčové poznatky

  • Playground je tvoje prostredie pre rýchle prototypovanie
  • Vždy testuj hraničné prípady pred presunom do produkcie
  • Exportuj kód z Playgroundu do svojej aplikácie
  • Začni s najschopnejším modelom a následne prejdite na slabšie
  • Metadáta odpovede sú nevyhnutné pre optimalizáciu