Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Utvecklarläge: Avancerad kontroll

Lektion 4 av 16 Uppdaterad 3 november 2026 Utvecklare
På denna sida
  1. Utvecklarläge: Avancerad kontroll
  2. Så kommer du åt utvecklarläget
  3. Paneler i Playground
  4. En robust utvecklingsworkflow
  5. Jämförelse av modeller
  6. Felsökning med metadata
  7. Åtgärder i Playground
  8. Viktiga punkter

Lektionen uppdaterad 3 november 2026 baserat på OpenAI:s dokumentation: temperature och top_p accepteras endast med ett resonemangsarbete (reasoning effort) på none, medan GPT-5.6-modeller resonerar som standard (medium). Anrop som ställer in dessa parametrar måste därför specificera reasoning={"effort": "none"} (Responses API) eller reasoning_effort="none" (Chat Completions). Källor: Using GPT-6 · GPT-5.6 Terra.

Utvecklarläge: Avancerad kontroll

OpenAI:s utvecklarläge är en avancerad miljö inom Playground som låter dig testa, iterera och felsöka dina prompts med finjusterad kontroll över varje API-parameter. Det fyller exakt samma funktion som en REPL i ett Python-projekt: en plats där du snabbt kan experimentera, göra misstag utan konsekvenser och slutligen ta fram något värt att commit:a. Det är verktyget som förvandlar en prompt från ett utkast till en produktionskomponent.

Så kommer du åt utvecklarläget

Du hittar OpenAI Playground på platform.openai.com. Utvecklarläget exponerar varje parameter du senare kommer att använda i API:t: modell, systemprompt, temperatur, top_p, max tokens, utdataformat och verktyg. Värdet av denna strikta överensstämmelse är att ingen mental översättning krävs mellan gränssnittet och din kod – inställningen du justerar i en panel blir ett namngivet argument i API-anropet, under samma namn.

# Det du testar i Playground översätts
# direkt till API-kod:
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
)

Paneler i Playground

Systempanelen är där du utformar och förfinar din systemprompt. Playground sparar en historik över dina ändringar, vilket ger en lättviktig versionshantering under den utforskande fasen innan prompten flyttas till ditt Git-arkiv och går in i en vanlig granskningscykel.

Konversationspanelen låter dig stress testa flerstegsutbyten. Det är här en osynlig brist i ett isolerat anrop ofta avslöjar sig: konversationell drift. Efter långa utbyten tenderar modellen att “glömma” instruktionerna i systemprompten. Därför bör du pressa ditt test bortom tio meddelanden innan du drar slutsatsen att din prompt håller måttet. En assistent som korrekt vägrar svara på en fråga utanför ämnet vid första försöket kan mycket väl svara på den vid det tolfte försöket när kontexten är mättad.

Slutligen exponerar parameterpanelen alla inställningar för generering:

  • Modell: GPT-5.6 Sol, GPT-5.6 Terra, GPT-5.6 Luna (med resonemangsinställningar från none till max)
  • Temperature, Top P och Max output tokens
  • Svarsformat: fri text, JSON-objekt, JSON-schema
  • Verktyg: funktioner, kodtolk, filsökning

De två sista inställningarna har ofta de mest överraskande effekterna. Att byta svarsformat från fri text till JSON-schema förändrar utdatans natur radikalt: du får inte längre text att parsera, utan en struktur som din kod kan lita på. Detta flyttar en betydande del av tillförlitligheten från prompten till API:t. Omvänt auktoriserar aktivering av ett verktyg modellen att kliva utanför sitt kontextfönster för att hämta information eller exekvera kod, vilket förvandlar en konversationsassistent till en komponent capable of action. Testa dessa växlar i Playground innan du integrerar dem; deras beteende är lättare att förstå genom att se det i praktiken än genom att läsa om det.

En robust utvecklingsworkflow

Börja med att prototypa med den mest kapabla modellen, GPT-5.6 Sol, utan att oroa dig för kostnaden i detta skede. Målet är att validera beteendet. Om du börjar med en mindre modell kommer du inte att kunna avgöra om ett misslyckande härrör från din prompt eller modellens begränsningar – du skulle kunna spendera timmar på att skriva om en prompt som egentligen inte hade några fel.

Iterera därefter på kantfall. Håll en lista med begärandekategorier redo som du systematiskt kör igenom efter varje ändring av prompten.

# Kantfall att testa systematiskt:
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",
]

När du är nöjd med beteendet exporterar du: Playground genererar koden som motsvarar din konfiguration, vilken du kan kopiera direkt till din applikation. Ett steg hoppas ofta över här: nedgradering av modell. När prompten är stabil med GPT-5.6 Sol kör du den igen på GPT-5.6 Terra och sedan GPT-5.6 Luna för att minska kostnaderna. Räkna med att göra justeringar: mindre modeller kräver mer explicita instruktioner där den mest kapabla modellen härledde din avsikt från halvt uttalade ledtrådar.

Jämförelse av modeller

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])

Felsökning med metadata

Varje API-svar innehåller värdefull metadata. Playground visar detta, men du bör också logga det i produktion, där det ofta utgör ditt enda användbara spår i efterhand.

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}")

Antalet input-tokens avslöjar omedelbart en systemprompt som har blivit uppblåst av successiva tillägg, där varje tillägg var rimligt i sig självt. Antalet output-tokens exponerar alltför utförliga svar som blåser upp fakturan utan att tillföra värde för användaren. Den effektiva modell som returneras av API:t sparar dig från att spendera en timme på att jaga orsaken till en regression som egentligen härrör från ett modell-ID som inte propagerats korrekt i din konfiguration.

Åtgärder i Playground

Öppna Playground och bygg systemprompten för en assistent som översätter teknisk jargong till enkelt språk. Stress testa den med fem begäranden av olika karaktär, exportera den genererade koden och kör den sedan i Python för att bekräfta att beteendet håller även utanför gränssnittet. Avsluta med att jämföra GPT-5.6 Sol och GPT-5.6 Luna på samma indata: gapet du observerar kommer att indikera exakt vilka instruktioner din prompt fortfarande lämnar underförstådda.

Viktiga punkter

  • Playground är din miljö för snabb prototypframställning
  • Testa alltid kantfall innan du går till produktion
  • Exportera kod från Playground till din applikation
  • Börja med den mest kapabla modellen och gå sedan ner i storlek
  • Metadata för svar är avgörande för optimering