Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Praktiska gränser och bästa praxis

Lektion 15 av 16 Uppdaterad 30 juli 2026 Utvecklare
På denna sida
  1. Få ut mest möjligt av kodexekvering
  2. Modellval
  3. Temperaturinställning
  4. Strukturera dina uppmaningar
  5. Felhantering
  6. Validera resultat
  7. Kombinera kodexekvering med webbsökning
  8. Viktiga punkter

Få ut mest möjligt av kodexekvering

Nu när du förstår sandlådans tekniska begränsningar fokuserar denna lektion på bästa praxis för tillförlitliga resultat och optimerad användning av kodexekvering. Dessa rekommendationer bygger på produktionsanvändning och vägledning från xAI.

Modellval

xAI rekommenderar att du använder grok-4.20-0309-reasoning för kodgenerering. Denna modell genererar mer strukturerad kod med bättre kommentarer och färre fel än modeller utan resonemangsförmåga. Skillnaden är särskilt tydlig vid komplexa problem som kräver flerstegsresonemang.

Temperaturinställning

För matematiska beräkningar och dataanalys ska du använda låga temperaturvärden:

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 till 0,1: rena matematiska beräkningar, deterministiska resultat
  • 0,1 till 0,3: dataanalys med tolkning
  • 0,3 till 0,7: kreativ kodgenerering (undvik för kritiska beräkningar)

En hög temperatur kan leda till olika algoritmiska angreppssätt vid varje anrop, vilket gör att resultaten inte går att reproducera.

Strukturera dina uppmaningar

Inkludera data i uppmaningen

Eftersom sandlådan inte har nätverksåtkomst måste du inkludera all data som ska analyseras direkt i uppmaningen:

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
)

Specificera önskat utdataformat

Modellen levererar bättre resultat om du specificerar vad du förväntar dig:

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.
"""

Dela upp komplexa problem

För analyser i flera steg bör du strukturera din uppmaning sekventiellt:

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
"""

Felhantering

Modellen kan stöta på exekveringsfel. I så fall försöker den vanligtvis korrigera sin kod och köra den igen. Det innebär att:

  • Flera anrop kan debiteras för en enda begäran
  • Det slutgiltiga resultatet kan ta längre tid att levereras
  • I sällsynta fall kan modellen misslyckas med att korrigera felet

För att minimera fel bör du vara precis i dina instruktioner och tillhandahålla data i ett tydligt, strukturerat format (CSV, JSON, tabeller).

Validera resultat

Kodexekvering är ett kraftfullt verktyg, men det är inte ofelbart. För kritiska beräkningar bör du:

  • Verifiera resultaten på en känd delmängd
  • Be modellen förklara sin metodik
  • Jämföra med resultat som erhållits på andra sätt
  • Begära källkoden för granskning vid behov

Modellen inkluderar ofta den exekverade koden i sitt svar, vilket gör att du kan verifiera logiken.

Kombinera kodexekvering med webbsökning

Ett avancerat användningsfall innebär att du kombinerar de två verktygen:

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
)

Modellen använder webbsökning för att hämta data och använder sedan kodexekvering för att analysera den. Detta arbetsflöde är helt automatiskt.

Viktiga punkter

  • Använd grok-4.20-0309-reasoning för bästa kodkvalitet
  • Använd låg temperatur (0,0–0,3) för beräkningar och högre för kreativ kod
  • Inkludera data i uppmaningen (sandlådan har ingen nätverksåtkomst)
  • Strukturera dina begäranden: specificera format och sekventiella steg
  • Validera kritiska resultat – modellen är inte ofelbar
  • Kombinationen webbsökning + kodexekvering är ett kraftfullt arbetsflöde