Limites pratiques et bonnes pratiques — Outils intégrés : Web, X, Code

Tirer le meilleur de Code Execution

Maintenant que vous connaissez les contraintes techniques du sandbox, cette leçon se concentre sur les bonnes pratiques pour obtenir des résultats fiables et optimiser votre utilisation de Code Execution. Ces recommandations sont issues de l’utilisation en production et des conseils de xAI.

Choix du modèle

xAI recommande d’utiliser grok-4.20-reasoning pour la génération de code. Ce modèle produit un code plus structuré, mieux commenté et avec moins d’erreurs que les modèles non-reasoning. La différence est particulièrement visible sur les problèmes complexes nécessitant une réflexion en plusieurs étapes.

Réglage de la température

Pour les calculs mathématiques et l’analyse de données, utilisez des températures basses :

response = client.responses.create(
    model="grok-4.20-reasoning",
    input="Calcule l'écart-type pondéré de ces valeurs : ...",
    tools=[client.tools.code_execution()],
    temperature=0.1
)

0.0 à 0.1 : calculs mathématiques purs, résultats déterministes
0.1 à 0.3 : analyse de données avec interprétation
0.3 à 0.7 : génération de code créatif (à éviter pour les calculs critiques)

Une température élevée peut produire des approches algorithmiques différentes à chaque appel, ce qui rend les résultats non reproductibles.

Structurer vos prompts

Fournir les données dans le prompt

Puisque le sandbox n’a pas accès au réseau, les données à analyser doivent être incluses dans le prompt :

data = """
Mois,Ventes,Coûts
Jan,15000,8000
Fev,18000,9500
Mar,22000,11000
Avr,19000,10000
"""

response = client.responses.create(
    model="grok-4.20-reasoning",
    input=f"Analyse ces données de ventes et calcule les marges mensuelles :\n{data}",
    tools=[client.tools.code_execution()],
    temperature=0.1
)

Préciser le format de sortie attendu

Le modèle produit de meilleurs résultats quand vous précisez ce que vous attendez :

input_text = """
Données : [2.5, 3.1, 4.7, 2.8, 5.2, 3.9, 4.1]

Calcule :
1. La moyenne et la médiane
2. L'écart-type
3. Le coefficient de variation
4. Identifie les valeurs aberrantes (méthode IQR)

Présente les résultats dans un tableau formaté.
"""

Décomposer les problèmes complexes

Pour les analyses en plusieurs étapes, structurez votre prompt de façon séquentielle :

input_text = """
Étape 1 : Charge ces données de rendement de portefeuille
Étape 2 : Calcule le rendement annualisé
Étape 3 : Calcule la volatilité (écart-type annualisé)
Étape 4 : Calcule le ratio de Sharpe (taux sans risque = 4%)
Étape 5 : Présente un résumé avec tous les indicateurs
"""

Gestion des erreurs

Le modèle peut rencontrer des erreurs d’exécution. Dans ce cas, il tente généralement de corriger son code et de réexécuter. Cela signifie :

Plusieurs invocations peuvent être facturées pour une seule requête
Le résultat final peut prendre plus de temps à arriver
Dans de rares cas, le modèle peut ne pas réussir à corriger l’erreur

Pour minimiser les erreurs, soyez précis dans vos instructions et fournissez des données dans un format clair et structuré (CSV, JSON, tableaux).

Validation des résultats

Code Execution est un outil puissant mais pas infaillible. Pour les calculs critiques :

Vérifiez les résultats sur un sous-ensemble connu
Demandez au modèle d’expliquer sa méthodologie
Comparez avec des résultats obtenus par d’autres moyens
Demandez le code source pour le relire si nécessaire

Le modèle inclut souvent le code exécuté dans sa réponse, ce qui vous permet de vérifier la logique.

Combiner Code Execution avec Web Search

Un cas d’usage avancé consiste à combiner les deux outils :

response = client.responses.create(
    model="grok-4.20-reasoning",
    input="Trouve les cours boursiers actuels de Apple, Google et Microsoft, puis calcule leur corrélation sur le dernier mois",
    tools=[
        {"type": "web_search"},
        {"type": "code_interpreter"}
    ],
    temperature=0.1
)

Le modèle utilise Web Search pour récupérer les données, puis Code Execution pour les analyser. Ce workflow est entièrement automatique.

Points clés à retenir

Utilisez grok-4.20-reasoning pour la meilleure qualité de code
Température basse (0.0-0.3) pour les calculs, plus élevée pour le code créatif
Incluez les données dans le prompt (le sandbox n’a pas accès au réseau)
Structurez vos demandes : format attendu, étapes séquentielles
Validez les résultats critiques — le modèle n’est pas infaillible
La combinaison Web Search + Code Execution est un workflow puissant