Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Code Interpreter: Izvajanje kode v API-ju

Lekcija 10 od 20 Posodobljeno 2. november 2026 Razvijalec
Na tej strani
  1. Code Interpreter: Izvajanje kode v API-ju
  2. Omogočanje Code Interpreterja
  3. Pregled izvršene kode
  4. Zagotavljanje datotek kot vhodnih podatkov
  5. Pridobivanje ustvarjenih datotek
  6. Kontejner in okolje
  7. Veriženje več izvršitev
  8. Kombiniranje z drugimi orodji
  9. Vzorec: Celoten analizni pipeline
  10. Ključne ugotovitve

Posodobljeno 2. novembra 2026 na podlagi uradnega vodnika za Code Interpreter in SDK-ja openai: orodje zahteva parameter container (ki je manjkal v vseh prejšnjih primerih, kar bi povzročilo napake), ustvarjene datoteke se pojavijo v opombah tipa container_file_citation in se prenesejo prek API-ja za kontejnerje (ne prek client.files.content), izhodi klicev pa so poimenovani outputs (ne results). Deli vhodnega besedila uporabljajo tip input_text. Datoteke, priložene sporočilu, se naložijo z namenom user_data, kar OpenAI priporoča za vhode modelov (File inputs). Viri: Code Interpreter · File inputs.

Code Interpreter: Izvajanje kode v API-ju

Jezikovni model napoveduje besedilo; ne računa. Če ga vprašaš za kvadratni koren števila 1764, bo ustvaril najverjetnejši rezultat na podlagi svojega usposabljanja – pogosto pravilen, včasih napačen, brez možnosti, da bi razlikoval med obema. Code Interpreter odpravi to negotovost tako, da modelu ponudi interpreter Python: napiše izračun, ga izvrši in vrne pridobljen rezultat, ne ugibanja.

Premik je globlji, kot se zdi. Model vidi izhod svoje lastne kode, vključno z napakami, zato se lahko popravi in poskusi znova. Pri podatkovni datoteki, katere točne strukture nihče ne pozna, je ta zanka boljša od katerega koli vnaprej napisanega navodila.

Omogočanje Code Interpreterja

Omogočiš ga tako, da orodje dodaš v polje tools – ničesar ni treba nameščati, ni treba pripravljati okolja. Model se sam odloči, kdaj napisati kodo: na dejanska vprašanja odgovori neposredno, za izračune ali manipulacijo s podatki pa preklopi na izvajanje.

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 napiše kodo Python, jo izvrši v peskovniku in rezultate vključi v svoj odgovor.

Pregled izvršene kode

Navadi se brati to kodo, vsaj med razvojem. To je edini način, da ločiš dober rezultat od tistega, ki je pravilen le po naključju: povprečje, izračunano ob tihi ignoranci manjkajočih vrednosti, je številčno pravilno, a analitično napačno. Odgovor ti tega ne bo povedal; koda pa bo.

Odgovor vsebuje ustvarjeno kodo in njene rezultate:

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"],  # za prejemanje ustvarjenih dnevnikov in slik
)

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)

Zagotavljanje datotek kot vhodnih podatkov

Orodje izkaže svojo polno vrednost pri delu z datotekami. Datoteko naložiš, jo navedeš v klicu in model jo dejansko odpre – prebere dejanske stolpce, dejanske tipe in dejanske osamelce, namesto da bi sklepal o opisu, ki si ga morda podal.

# Naloži datoteko
with open("sales_2025.csv", "rb") as f:
    file_obj = client.files.create(file=f, purpose="user_data")

# Uporabi Code Interpreter z datoteko
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)

Pridobivanje ustvarjenih datotek

Deluje tudi obratna pot: koda ustvari očiščen CSV, grafikon ali delovni zvezek Excel, te datoteke pa so vrnjene tebi. Ostanejo v kontejnerju, sporočilo z odgovorom pa jih navaja v svojih opombah tipa container_file_citation, vključno z ID-jem kontejnerja, ID-jem datoteke in imenom datoteke. Nato jih preneseš prek API-ja za kontejnerje. Dve majhni funkciji, ki ju ponovno uporabimo v kasnejših lekcijah, encapsulirata ta tok:

def generated_files(response):
    """Datoteke, ki jih ustvari Code Interpreter, navedene v opombah sporočila."""
    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):
    """Prenese datoteko iz kontejnerja in vrne njeno lokalno pot."""
    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

Datoteke, ki jih zagotoviš kot vhod (input_file), se samodejno kopirajo v kontejner: ničesar drugega ni treba nalagati.

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"}}]
)

# Pridobi ustvarjene datoteke
for ann in generated_files(response):
    print(f"Generated file: {ann.filename}")
    download(client, ann, ann.filename)

Kontejner in okolje

Poznavanje pravil kontejnerja prihrani čas pri odpravljanju napak pri stvareh, ki ne morejo delovati. Glede na dokumentacijo OpenAI:

  • gre za popolnoma izoliran virtualni stroj (peskovnik), kjer model izvaja Python;
  • orodje zahteva parameter container: {"type": "auto"} ustvari kontejner (ali ponovno uporabi tistega iz prejšnjega klica, prisotnega v kontekstu), medtem ko ID, pridobljen prek client.containers.create(...), vsili določen kontejner;
  • pomnilnik je nastavljen z memory_limit: 1g (privzeto), 4g, 16g ali 64g, pri čemer so višji nivoji zaračunani po stopnjah za integrirana orodja;
  • kontejner preteče po 20 minutah nedejavnosti; njegovi podatki so nato izgubljeni, zato prenesi vse datoteke, ki jih želiš obdržati, dokler je aktiven.

Ne računaj na omrežni dostop iz kode: podatke zagotovi kot vhod ali raziskavo delegiraj orodju Web Search.

# Primer: model lahko neposredno uporabi pandas
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"}}]
)

Veriženje več izvršitev

Zaporedna izvrševanja si delijo isto sejo: spremenljivke, DataFrame-i in uvozi iz prvega bloka ostanejo na voljo v naslednjem, popolnoma kot v zvezku. Model to naravno izkorišča – naloži, pregleda, nato obdela – kar omogoča večstopenjsko analizo brez ponovnega nalaganja vsega na vsaki stopnji.

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"}}]
)

# Model izvrši 4 bloke kode zaporedoma
# Vsak blok ima dostop do spremenljivk iz prejšnjih

Kombiniranje z drugimi orodji

Najbolj uporabna kombinacija združuje vir podatkov z možnostjo njihove obdelave: File Search najde ustrezen odlomek v tvojih dokumentih, Web Search prinese tržne podatke, Code Interpreter pa oba primerja v tabeli ali grafikonu. Nobeno od teh orodij ne more opravljati dela drugih.

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: Celoten analizni pipeline

Končni primer povezuje vse zgoraj navedeno v realističen primer: vhodna datoteka, večstopenjska analiza in izhodni rezultati. Posebno pozornost nameni formatu poziva – oštevilčen, ekspliciten glede pričakovanega izhoda – saj to, veliko bolj kot spremljajoča koda Python, določa kakovost rezultata.

def analyze_data(file_path: str, questions: list[str]) -> dict:
    """Pipeline za analizo podatkov s Code Interpreterjem."""
    # Naloži
    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

# Uporaba
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?"
])

Ključne ugotovitve

  • Code Interpreter izvaja Python v izoliranem kontejnerju; parameter container je obvezen ({"type": "auto"} ali ID)
  • Datoteke, zagotovljene kot input_file, se samodejno kopirajo v kontejner
  • Ustvarjene datoteke so navedene kot container_file_citation in se prenesejo prek client.containers.files.content.retrieve
  • Kontejner preteče po 20 minutah nedejavnosti: prenesi vse, kar želiš obdržati
  • Združi z Web Search in File Search za obogateno analizo