Način za razvijalce: Napredni nadzor
Na tej strani
Lekcija posodobljena 3. novembra 2026 na podlagi dokumentacije OpenAI: parametra
temperatureintop_psta sprejeta le pri naporu razmišljanja (reasoning effort) vrednostinone, medtem ko modeli GPT-5.6 privzeto razmišljajo (medium). Klici, ki nastavljajo te parametre, morajo zato določitireasoning={"effort": "none"}(Responses API) alireasoning_effort="none"(Chat Completions). Viri: Uporaba GPT-6 · GPT-5.6 Terra.
Način za razvijalce: Napredni nadzor
Način za razvijalce (Developer Mode) pri OpenAI je napredno okolje znotraj Playgrounda, ki ti omogoča testiranje, iteracijo in odpravljanje napak v tvojih pozivih (prompts) z natančnim nadzorom nad vsakim parametrom API-ja. Igra popolnoma enako vlogo kot REPL v projektu Python: prostor za hitro eksperimentiranje, delanje napak brez posledic in ustvarjanje nečesa, kar je vredno vključitve v kodo. To je orodje, ki spremeni osnutek poziva v proizvodno komponento.
Dostop do načina za razvijalce
Do Playgrounda OpenAI dostopaš na platform.openai.com. Način za razvijalce razkriva vse parametre, ki jih boš kasneje uporabil v API-ju: model, sistemski poziv, temperaturo, top_p, največje število žetonov (tokens), format izhoda in orodja. Vrednost te stroge ujemanja je v tem, da med vmesnikom in tvojo kodo ni potrebnega nobenega miselnega prevajanja – nastavitev, ki jo prilagodiš v plošči, postane imenovani argument v klicu API-ja pod istim imenom.
# Kar testiraš v Playgroundu, se neposredno
# prevede v kodo API-ja:
from openai import OpenAI
client = OpenAI()
response = client.responses.create(
model="gpt-5.6-sol",
reasoning={"effort": "none"}, # temperature requires effort none
instructions="You are a Python code review assistant. "
"Prioritize flagging security issues.",
input="Review this code: subprocess.call(user_input, shell=True)",
temperature=0.2,
max_output_tokens=1000
)
Plošče v Playgroundu
Plošča System (Sistem) je mesto, kjer sestavljaš in izpopolnjuješ svoj sistemski poziv. Playground vodi zgodovino tvojih sprememb in zagotavlja lahkotno različičenje med raziskovalno fazo, preden se poziv preseli v tvoje Git skladišče in vstopi v standardni cikel pregledovanja.
Plošča za pogovor (conversation panel) ti omogoča obremenitveno testiranje večkratnih izmenjav. Tu se pogosto razkrije skrita napaka v izoliranem klicu: drsenje pogovora (conversational drift). Po dolgih izmenjavah model težko „pozabi” navodila sistemskega poziva. Zato svoje teste raztegni čez deset sporočil, preden zaključiš, da tvoj poziv drži. Pomočnik, ki na prvem koratu pravilno zavrne vprašanje, ki ni relevantno, ga bo morda na dvanajstem koratu, ko je kontekst zasičen, vseeno odgovoril.
Končno, plošča s parametri razkriva vse nastavitve generiranja:
- Model: GPT-5.6 Sol, GPT-5.6 Terra, GPT-5.6 Luna (z nastavitvami razmišljanja od none do max)
- Temperature, Top P in Max output tokens
- Response format: prosti tekst, JSON objekt, JSON shema
- Tools: funkcije, interpreter kode, iskanje po datotekah
Zadnji dve nastavitvi imata pogosto najbolj presenetljive učinke. Preklop formata odgovora (Response format) iz prostega besedila v JSON shemo radikalno spremeni naravo izhoda: ne dobiš več besedila za razčlenjevanje, temveč strukturo, na katero se lahko zanaša tvoja koda. To premakne značilen delež zanesljivosti s poziva na API. Nasprotno pa omogočanje orodja pooblasti model, da stopi izven svojega okna konteksta, da pridobi informacije ali izvrši kodo, s čimer se pogovorni pomočnik spremeni v komponento, sposobno delovanja. Te preklope testiraj v Playgroundu, preden jih integriraš; njihovo obnašanje je lažje razumeti, ko ga vidiš, kot ko o njem bereš.
Trden razvojni potek dela
Začni s prototipiranjem z najzmogljivejšim modelom, GPT-5.6 Sol, brez skrbi glede stroškov v tej fazi. Cilj je validirati obnašanje. Če začneš z manjšim modelom, ne boš mogel ugotoviti, ali napaka izvira iz tvojega poziva ali iz omejitev modela – ure in ure bi lahko porabil za prepisovanje poziva, ki z njim ni bilo nič narobe.
Nato iteriraj po robnih primerih. Pri roki imej seznam družin zahtevkov, ki jih sistematično ponovno predvajaš po vsaki spremembi poziva.
# Robni primeri za sistematično testiranje:
test_cases = [
"Normal request within domain",
"Out-of-domain request (must refuse politely)",
"Ambiguous request (must ask for clarification)",
"Prompt injection (must ignore)",
"Very long request with extensive context",
"Request in another language",
"Request with sensitive data",
]
Ko si zadovoljen z obnašanjem, izvozi kodo: Playground generira kodo, ki ustreza tvoji konfiguraciji, in jo lahko neposredno kopiraš v svojo aplikacijo. Tu se pogosto preskoči en korak: znižanje ravni modela (model downgrading). Ko je poziv stabilen z GPT-5.6 Sol, ga ponovno zaženi na GPT-5.6 Terra in nato na GPT-5.6 Luna, da zmanjšaš stroške. Pričakuj, da boš moral narediti prilagoditve: manjši modeli zahtevajo bolj eksplicitna navodila, tam kjer je najzmogljivejši model tvoj namen sklepal iz polovičnih namigov.
Primerjava modelov
from openai import OpenAI
client = OpenAI()
models = ["gpt-5.6-sol", "gpt-5.6-terra", "gpt-5.6-luna"]
prompt = "Explain the Observer pattern in Python with an example."
system = "You are a Python instructor. Respond in English, including code."
for model in models:
response = client.responses.create(
model=model,
reasoning={"effort": "none"}, # temperature requires 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])
Odpravljanje napak z metapodatki
Vsak odgovor API-ja nosi dragocene metapodatke. Playground jih prikazuje, vendar jih moraš beležiti tudi v proizvodnem okolju, kjer pogosto predstavljajo tvojo edino sled, na katero se lahko opreš po dogodku.
response = client.responses.create(
model="gpt-5.6-terra",
instructions="Respond in JSON.",
input="List 3 popular programming languages."
)
print(f"Tokens used (input) : {response.usage.input_tokens}")
print(f"Tokens used (output) : {response.usage.output_tokens}")
print(f"Effective model : {response.model}")
Število vhodnih žetonov takoj razkrije sistemski poziv, ki je postal preobremenjen zaradi zaporednih dodatkov, od katerih je bil vsak sam po sebi razumen. Število izhodnih žetonov razkriva preveč zgovorne odgovore, ki napihujejo račun, ne da bi uporabniku dodali vrednost. Kar zadeva dejanski model (effective model), ki ga vrne API, te reši pred urnim lovom na vzrok regresije, ki dejansko izvira iz slabo posredovanega ID-ja modela v tvoji konfiguraciji.
Akcijski koraki v Playgroundu
Odpri Playground in sestavi sistemski poziv za pomočnika, ki tehnični žargon prevaja v preprost jezik. Obremeni ga s petimi zahtevki različne narave, izvozi generirano kodo in jo nato zaženi v Pythonu, da potrdiš, da obnašanje preživi izstop iz vmesnika. Zaključi s primerjavo GPT-5.6 Sol in GPT-5.6 Luna na istih vhodih: razlika, ki jo opaziš, bo natančno pokazala, katera navodila tvoj poziv še vedno pušča implicitna.
Ključne ugotovitve
- Playground je tvoje okolje za hitro prototipiranje
- Pred prehodom v proizvodnjo vedno testiraj robne primere
- Izvozi kodo iz Playgrounda v svojo aplikacijo
- Začni z najzmogljivejšim modelom, nato ga znižaj
- Metapodatki odgovora so bistveni za optimizacijo