Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Praktické obmedzenia a osvedčené postupy

Lekcia 15 z 16 Aktualizované 30. júla 2026 Vývojár
Na tejto strane
  1. Ako vyťažiť z vykonávania kódu maximum
  2. Výber modelu
  3. Nastavenie teploty
  4. Štruktúrovanie tvojich promptov
  5. Spracovanie chýb
  6. Overovanie výsledkov
  7. Kombinácia vykonávania kódu s webovým vyhľadávaním
  8. Kľúčové poznatky

Ako vyťažiť z vykonávania kódu maximum

Teraz, keď poznáš technické obmedzenia pieskoviska, sa táto lekcia zameriava na osvedčené postupy pre dosiahnutie spoľahlivých výsledkov a optimalizované využitie funkcie Code Execution. Tieto odporúčania vychádzajú z prevádzkového nasadenia a usmernení spoločnosti xAI.

Výber modelu

Spoločnosť xAI odporúča používať na generovanie kódu model grok-4.20-0309-reasoning. Tento model generuje štruktúrovanejší kód s lepšími komentármi a menším počtom chýb v porovnaní s modelmi bez režimu uvažovania. Rozdiel je obzvlášť viditeľný pri zložitých problémoch vyžadujúcich viacstupňové logické uvažovanie.

Nastavenie teploty

Pre matematické výpočty a analýzu údajov používaj nízke hodnoty teploty:

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 až 0,1: čisto matematické výpočty, deterministické výsledky
  • 0,1 až 0,3: analýza údajov s interpretáciou
  • 0,3 až 0,7: kreatívne generovanie kódu (pre kritické výpočty nepoužívaj)

Vysoká teplota môže pri každom volaní vygenerovať odlišné algoritmické prístupy, čo spôsobuje nereprodukovateľnosť výsledkov.

Štruktúrovanie tvojich promptov

Vloženie údajov priamo do promptu

Keďže pieskovisko nemá prístup k sieti, musíš všetky údaje určené na analýzu uviesť priamo v prompte:

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
)

Špecifikácia očakávaného formátu výstupu

Model dosahuje lepšie výsledky, ak mu presne určíš, čo očakávaš:

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.
"""

Rozdelenie zložitých problémov

Pri viacstupňových analýzach štruktúruj svoj prompt sekvenčne:

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
"""

Spracovanie chýb

Model sa môže počas vykonávania stretnúť s chybami. V takom prípade sa zvyčajne pokúsi svoj kód opraviť a spustiť ho znova. To znamená, že:

  • Za jednu požiadavku ti môže byť účtovaných viacero volaní
  • Konečný výsledok môže trvať dlhšie
  • V zriedkavých prípadoch sa modelu nemusí podariť chybu opraviť

Aby si minimalizoval chyby, buď v pokynoch presný a poskytuj údaje v prehľadnom, štruktúrovanom formáte (CSV, JSON, tabuľky).

Overovanie výsledkov

Code Execution je výkonný nástroj, nie je však neomylný. Pri kritických výpočtoch:

  • Over si výsledky na známej podmnožine údajov
  • Požiadaj model, aby vysvetlil svoju metodiku
  • Porovnaj výsledky s tými, ktoré si získal inými prostriedkami
  • Vyžiadaj si zdrojový kód na kontrolu, ak je to potrebné

Model často zahrnie vykonaný kód priamo do svojej odpovede, čo ti umožňuje overiť logiku riešenia.

Kombinácia vykonávania kódu s webovým vyhľadávaním

Pokročilým prípadom použitia je kombinácia oboch nástrojov:

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 využije Web Search na získanie údajov a následne Code Execution na ich analýzu. Tento pracovný postup je plne automatizovaný.

Kľúčové poznatky

  • Na najlepšiu kvalitu kódu používaj model grok-4.20-0309-reasoning
  • Pre výpočty nastav nízku teplotu (0,0–0,3), pre kreatívny kód vyššiu
  • Údaje vždy uveď priamo v prompte (pieskovisko nemá prístup k sieti)
  • Štruktúruj svoje požiadavky: definuj očakávaný formát a postupuj krok za krokom
  • Overuj kritické výsledky – model nie je neomylný
  • Kombinácia Web Search + Code Execution predstavuje výkonný pracovný postup