Brug code_interpreter-værktøjet

  • 5 minutter

code_interpreter-værktøjet giver din model en Python-runtime, hvor den kan generere og køre Python-kode.

Hvad er det code_interpreter værktøj?

code_interpreter-værktøjet gør det muligt for generative AI-modeller at skrive og køre Python-kode dynamisk under en samtale. I stedet for blot at diskutere kode eller algoritmer kan modellen teste sin logik, behandle data og returnere faktiske resultater fra koden. Dette forvandler modellen fra en tænker til en gører.

Vigtige funktioner omfatter:

  • Dynamisk Python-eksekvering: Modellen skriver og kører Python-kode i et sandbox-miljø
  • Filhåndtering: Upload, behandl og download filer (CSV, JSON, billeder osv.)
  • Dataanalyse: Udfør beregninger, statistisk analyse og datatransformationer løbende
  • Feedback i realtid: Modellen ser resultaterne af kodeudførelsen og kan iterere eller rette fejl
  • Kompleks problemløsning: Løs matematiske problemer, simuleringer og logikpuslespil gennem eksekverbar kode

Almindelige use cases

Brugsscenario Eksempel
Dataanalyse Parse en CSV-fil og generer oversigtsstatistikker
Matematik og fysik Løs differentialligninger eller simulér fysikscenarier
Filkonvertering Konverter mellem dataformater (JSON ↔ CSV osv.)
Prototyping Testalgoritmer og idéer før formel implementering

Et simpelt eksempel

Sådan bruger du code_interpreter med OpenAI Responses API:

from openai import OpenAI

client = OpenAI(
    base_url={openai_endpoint},
    api_key={auth_key_or_token}
)

# Get response using the code_interpreter tool
response = client.responses.create(
    model={model_deployment},
    instructions="You are an AI assistant that provides information. Use the python tool to run code for math problems.",
    input="What is the square root of 16?",
    tools=[{"type": "code_interpreter",
            "container": {"type": "auto"}}]
)
print(response.output_text)

Outputtet fra denne kode ligner dette:

The square root of 16 is 4.

Endnu vigtigere afslører inspektionen af detaljerne i det responsobjekt , modellen returnerer, at resultatet blev beregnet og returneret til modellen ved hjælp af dynamisk genereret Python-kode som denne:

import math

# Calculate the square root of 16
square_root = math.sqrt(16)
square_root

Hvordan code_interpreter værktøjet fungerer

Den generelle proces for at bruge code_interpreter-værktøjet er:

  1. Du sender en anmodning: Inkluder code_interpreter i dit værktøjsarray.
  2. Modellen analyserer opgaven: Modellen afgør, om kodeudførelse er nødvendig.
  3. Model genererer kode: Modellen skriver Python-kode for at udføre opgaven.
  4. Kode kører: Koden kører i et sandbox-miljø med adgang til fælles biblioteker (for eksempel pandas, numpy og math).
  5. Resultater returneret: Modellen modtager outputtet og indarbejder det i sit svar.

Bedste praksis

  • Vær specifik: Beskriv dataformatet og det forventede output klart. Mange modeller bruger internt navnet python-værktøjet til at identificere det code_interpreter værktøj – så brug dette sprog i dine instruktioner.
  • Giv kontekst: Inkluder relevant domæneviden i dine prompts
  • Valider resultater: Gennemgå altid AI-genereret kode for korrekthed før brug i produktion
  • Overvågningsomkostninger: Kodeudførelse tilføjer tokens; komplekse operationer kan kræve flere ressourcer
  • Udnytte biblioteker: Almindelige pakker som pandas, numpy og matplotlib er forudinstallerede
  • Fejlhåndtering: Modellen kan se fejl og vil forsøge at rette dem automatisk

Begrænsninger at kende til

  • Udførelser kører i et sandbox-miljø uden ekstern netværksadgang
  • Nogle biblioteker er måske ikke tilgængelige; Lad modellen vide, hvis et standardbibliotek fejler
  • Timeout-grænser gælder for langvarige operationer
  • Kode kører med hukommelsesbegrænsninger – massive datasæt kan have brug for streaming eller chunking