Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Omejitve v praksi in najboljši nasveti

Lekcija 15 od 16 Posodobljeno 30. julij 2026 Razvijalec
Na tej strani
  1. Kako iz code execution izvleči največ
  2. Izbira modela
  3. Nastavitev temperature
  4. Strukturiranje pozivov
  5. Obravnava napak
  6. Preverjanje rezultatov
  7. Kombiniranje code execution z iskanjem po spletu
  8. Ključne ugotovitve

Kako iz code execution izvleči največ

Zdaj, ko razumeš tehnične omejitve peskovnika, se ta lekcija osredotoča na najboljše prakse za zanesljive rezultate in optimizirano uporabo code execution. Ta priporočila temeljijo na uporabi v proizvodnem okolju in smernicah xAI.

Izbira modela

xAI priporoča uporabo modela grok-4.20-0309-reasoning za generiranje kode. Ta model ustvari bolj strukturirano kodo z boljšimi komentarji in manj napakami kot modeli brez razmisleka. Razlika je še posebej opazna pri kompleksnih problemih, ki zahtevajo večstopenjsko sklepanje.

Nastavitev temperature

Za matematične izračune in analizo podatkov uporabi nizke temperature:

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 do 0,1: čisti matematični izračuni, deterministični rezultati
  • 0,1 do 0,3: analiza podatkov z interpretacijo
  • 0,3 do 0,7: ustvarjalno generiranje kode (izogibaj se pri kritičnih izračunih)

Visoka temperatura lahko pri vsakem klicu proizvede drugačne algoritmične pristope, zaradi česar rezultati niso ponovljivi.

Strukturiranje pozivov

Vključi podatke v poziv

Ker peskovnik nima dostopa do omrežja, moraš vse podatke, ki jih želiš analizirati, vključiti neposredno v poziv:

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
)

Določi pričakovano obliko izhoda

Model daje boljše rezultate, ko natančno določiš, kaj pričakuješ:

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.
"""

Razčleni kompleksne probleme

Pri večstopenjskih analizah strukturiraj svoj poziv zaporedno:

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
"""

Obravnava napak

Model lahko med izvajanjem naleti na napake. V tem primeru običajno poskusi popraviti svojo kodo in jo ponovno izvesti. To pomeni:

  • Za eno samo zahtevo se lahko zaračuna več klicev
  • Končni rezultat lahko pride z zamudo
  • V redkih primerih modelu ne uspe popraviti napake

Da bi napake čim bolj zmanjšal, bodi natančen v svojih navodilih in podatke zagotovi v jasni, strukturirani obliki (CSV, JSON, tabele).

Preverjanje rezultatov

Code execution je zmogljivo orodje, vendar ni nezmotljivo. Pri kritičnih izračunih:

  • Preveri rezultate na znanem podmnožici podatkov
  • Prosi model, naj razloži svojo metodologijo
  • Primerjaj z rezultati, dobljenimi na druge načine
  • Zahtevaj izvorno kodo za pregled, če je potrebno

Model pogosto vključi izvršeno kodo v svoj odgovor, kar ti omogoča preverjanje logike.

Kombiniranje code execution z iskanjem po spletu

Napreden primer uporabe vključuje kombinacijo obeh orodij:

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 uporabi Web Search za pridobivanje podatkov, nato pa Code Execution za njihovo analizo. Ta delovni potek je popolnoma avtomatiziran.

Ključne ugotovitve

  • Za najboljšo kakovost kode uporabi grok-4.20-0309-reasoning
  • Za izračune uporabi nizko temperaturo (0,0–0,3), za ustvarjalno kodo višjo
  • Podatke vključi v poziv (peskovnik nima dostopa do omrežja)
  • Strukturiraj svoje zahteve: pričakovana oblika, zaporedni koraki
  • Preveri kritične rezultate – model ni nezmotljiv
  • Kombinacija Web Search + Code Execution je zmogljiv delovni potek