Använd verktyget code_interpreter
Verktyget code_interpreter ger din modell en Python-körning där den kan generera och köra Python-kod.
Vad är verktyget code_interpreter?
Med verktyget code_interpreter kan generativa AI-modeller skriva och köra Python-kod dynamiskt under en konversation. I stället för att bara diskutera kod eller algoritmer kan modellen testa sin logik, bearbeta data och returnera faktiska resultat från kod. Detta omvandlar modellen från en tänkare till en doer.
Viktiga funktioner är:
- Dynamisk Python-körning: Modellen skriver och kör Python-kod i en sandbox-miljö
- Filhantering: Ladda upp, bearbeta och ladda ned filer (CSV, JSON, bilder och så vidare)
- Dataanalys: Utföra beräkningar, statistisk analys och datatransformeringar i farten
- Feedback i realtid: Modellen ser resultat av kodkörning och kan iterera eller åtgärda fel
- Komplex problemlösning: Hantera matematiska problem, simuleringar och logikpussel via körbar kod
Vanliga användningsfall
| Användningsfall | Exempel |
|---|---|
| Dataanalys | Parsa en CSV-fil och generera sammanfattningsstatistik |
| Matematik och fysik | Lösa differentiella ekvationer eller simulera fysikscenarier |
| Filkonvertering | Konvertera mellan dataformat (JSON ↔ CSV och så vidare) |
| Prototyping | Testa algoritmer och idéer före formell implementering |
Ett enkelt exempel
Så här använder du code_interpreter med OpenAI-svars-API:et:
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)
Utdata från den här koden liknar följande:
The square root of 16 is 4.
Ännu viktigare är att granska informationen om svarsobjektet som returneras av modellen visar att resultatet beräknades och returnerades till modellen med dynamiskt genererad Python-kod så här:
import math
# Calculate the square root of 16
square_root = math.sqrt(16)
square_root
Så här fungerar code_interpreter-verktyget
Den allmänna processen för att använda verktyget code_interpreter är:
- Du skickar en begäran: Inkludera code_interpreter i verktygsmatrisen.
- Modellen analyserar uppgiften: Modellen avgör om kodkörning behövs.
- Modellen genererar kod: Modellen skriver Python-kod för att utföra uppgiften.
- Kodkörningar: Koden körs i en sandbox-miljö med åtkomst till vanliga bibliotek (till exempel pandas, numpy och matematik).
- Returnerade resultat: Modellen tar emot utdata och införlivar den i sitt svar.
Metodtips
- Var specifik: Beskriv dataformatet och förväntade utdata tydligt. Många modeller använder namnet python-verktyget internt för att identifiera verktyget code_interpreter – så använd detta språk i dina instruktioner.
- Ange kontext: Inkludera relevant domänkunskap i dina frågor
- Verifiera resultat: Granska alltid AI-genererad kod för korrekthet innan du använder i produktion
- Övervaka kostnader: Kodkörning lägger till tokenar; komplexa åtgärder kan använda mer resurser
- Utnyttja bibliotek: Vanliga paket som pandas, numpy och matplotlib är förinstallerade
- Felhantering: Modellen kan se fel och försöker åtgärda dem automatiskt
Begränsningar att känna till
- Körningar utförs i en sandboxad miljö utan åtkomst till externa nätverk
- Vissa bibliotek kanske inte är tillgängliga. meddela modellen om ett standardbibliotek misslyckas
- Tidsgränser gäller för tidskrävande åtgärder
- Kod körs med minnesbegränsningar – massiva datauppsättningar kan behöva strömmas eller segmenteras