Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Sorties structurées et exécution de code

Lektion 9 av 12 Uppdaterad 2 november 2026 Utvecklare
På denna sida
  1. Exécuter du code et structurer les résultats
  2. Fonctionnalité disponible depuis Grok 4 et versions ultérieures
  3. Cas d’usage typique : calculs précis
  4. Exemple : analyse statistique
  5. Combiner recherche web et exécution de code
  6. Limites de l’exécution de code
  7. Viktiga punkter

Mis à jour le 2 novembre 2026. D’après la documentation xAI : avec le xai-sdk, les sorties structurées se combinent aux outils en créant d’abord la conversation (client.chat.create(..., tools=[code_execution()])), puis en appelant chat.parse(Schema), qui renvoie la réponse et l’objet typé. L’exemple précédent appelait client.chat.parse(...) avec des arguments de Chat Completions, une méthode qui n’existe dans aucun SDK. Sources : Sorties structurées · Exécution de code.

Exécuter du code et structurer les résultats

Combiner les sorties structurées à l’exécution de code permet au modèle de calculer des résultats et de les renvoyer dans un format structuré. Le modèle écrit du code, l’exécute dans un environnement isolé (sandbox), puis formate la sortie selon ton schéma.

Fonctionnalité disponible depuis Grok 4 et versions ultérieures

Comme pour la recherche web, cette combinaison est réservée aux modèles Grok 4 et ultérieurs, c’est-à-dire toute la gamme actuelle (Grok 4.5, Grok 4.3, variantes grok-4.20). Les modèles antérieurs ne prenaient pas en charge la combinaison d’outils avec des sorties structurées.

Cas d’usage typique : calculs précis

Le principal avantage de l’exécution de code couplée aux sorties structurées réside dans la précision des calculs. Les LLM commettent régulièrement des erreurs arithmétiques. En exécutant du code, les résultats deviennent mathématiquement exacts.

from pydantic import BaseModel
from xai_sdk import Client
from xai_sdk.chat import user
from xai_sdk.tools import code_execution

client = Client()  # clé lue depuis XAI_API_KEY

class FinancialAnalysis(BaseModel):
    total_revenue: float
    total_cost: float
    gross_margin: float
    margin_percentage: float
    most_profitable_product: str
    least_profitable_product: str

chat = client.chat.create(
    model="grok-4.20-0309-reasoning",
    tools=[code_execution()],
)
chat.append(user("""Voici les ventes trimestrielles :
- Produit A : 150 unités à 45 €, coût unitaire 28 €
- Produit B : 320 unités à 22 €, coût unitaire 15 €
- Produit C : 85 unités à 120 €, coût unitaire 78 €

Calcule l'analyse financière complète."""))

response, parsed = chat.parse(FinancialAnalysis)

print(f"Marge brute : {parsed.gross_margin} €")
print(f"Marge : {parsed.margin_percentage} %")
print(f"Meilleur produit : {parsed.most_profitable_product}")

Le modèle écrira un script Python pour effectuer les calculs, l’exécutera, puis formatera les résultats selon le schéma FinancialAnalysis.

Exemple : analyse statistique

class DescriptiveStatistics(BaseModel):
    mean: float
    median: float
    std_dev: float
    minimum: float
    maximum: float
    quartile_1: float
    quartile_3: float
    value_count: int

chat = client.chat.create(
    model="grok-4.20-0309-reasoning",
    tools=[code_execution()],
)
chat.append(user("""Calcule les statistiques descriptives pour ces données :
[23, 45, 12, 67, 34, 89, 56, 78, 41, 33, 61, 25,
 72, 48, 55, 39, 64, 71, 28, 50]"""))

response, parsed = chat.parse(DescriptiveStatistics)

print(f"Moyenne : {parsed.mean}")
print(f"Écart-type : {parsed.std_dev}")

Combiner recherche web et exécution de code

Tu peux activer les deux outils simultanément :

class MarketAnalysis(BaseModel):
    company: str
    current_price: float
    change_30d: float
    avg_volume: float
    trend: str
    recommendation: str

from xai_sdk.tools import web_search

chat = client.chat.create(
    model="grok-4.20-0309-reasoning",
    tools=[web_search(), code_execution()],
)
chat.append(user("Analyse l'action Apple sur les 30 derniers jours"))

response, parsed = chat.parse(MarketAnalysis)

Le modèle récupérera d’abord des données récentes sur le web, puis utilisera l’exécution de code pour calculer les variations et les moyennes.

Limites de l’exécution de code

  • L’environnement d’exécution est isolé et éphémère
  • Les packages Python courants sont préinstallés (NumPy, Pandas, Matplotlib, SciPy)
  • Le temps d’exécution et la mémoire sont limités
  • Aucun accès réseau n’est autorisé depuis le code exécuté
  • Les fichiers créés ne persistent pas entre les appels

Viktiga punkter

  • L’exécution de code + les sorties structurées nécessitent au minimum Grok 4 ; toute la gamme actuelle est compatible
  • Le modèle écrit et exécute du code pour obtenir des calculs précis
  • Active l’outil avec code_execution() dans le xAI SDK, ou {"type": "code_interpreter"} dans l’API Responses, puis récupère l’objet typé avec chat.parse(Schema)
  • Combinaison possible avec web_search pour rechercher puis calculer
  • Idéal pour les analyses financières, statistiques et mathématiques
  • Les résultats calculés sont exacts, contrairement aux estimations des LLM