Hướng dẫn dùng AI

Cho AI chạy code Python trong hộp cát

Mô hình ngôn ngữ đôi khi tính sai phép tính dài hay đọc sai số liệu trong bảng. Cho mô hình viết và chạy code giải quyết được phần lớn chuyện đó: thay vì đoán kết quả, nó tính thật. Với API của Anthropic, công cụ chạy code là công cụ phía máy chủ: code chạy trong hộp cát của Anthropic, không có internet, có sẵn pandas, numpy, matplotlib. Bài này giải thích môi trường, giới hạn, cách gửi tệp, dùng lại container và tính chi phí, kèm đoạn Python.

Ý chính
  • Công cụ chạy code là công cụ phía máy chủ: mô hình viết code, API chạy trong hộp cát và trả kết quả cho mô hình ngay trong cùng một yêu cầu.
  • Hộp cát: Linux, Python 3.11, 5 GiB RAM, 5 GiB đĩa, 1 CPU, không có internet, chỉ dùng được thư viện cài sẵn như pandas, numpy, scikit-learn, matplotlib.
  • Mỗi yêu cầu chạy trong container mới, trừ khi bạn gửi lại mã container cũ; container hết hạn sau 30 ngày.
  • Giá theo giờ chạy: mỗi lần tính tối thiểu 5 phút; mỗi tổ chức có 1.550 giờ miễn phí mỗi tháng; vượt thì 0,05 USD mỗi giờ mỗi container.

Nội dung bài lấy từ hai trang Code execution tool và Files API của Anthropic (xem ngày 11/11/2026). Nếu chưa phân biệt được công cụ phía khách với công cụ phía máy chủ, xem lại bài tool use.

Khi nào mô hình chạy code

Tài liệu liệt kê các trường hợp mô hình sẽ chạy code: phép toán không đơn giản (số lớn, nhiều bước, cần chính xác), phân tích dữ liệu, đọc tệp, vẽ biểu đồ, chạy thuật toán hay mô phỏng, và khi người dùng yêu cầu rõ "chạy", "tính", "thực thi". Mô hình trả lời thẳng không chạy code với phép tính đơn giản, câu hỏi kiến thức, sáng tác, đổi đơn vị đơn giản. Nếu muốn mô hình chạy code cho một trường hợp lưng chừng, hãy yêu cầu rõ, ví dụ "chạy code để kiểm lại".

Trong hộp cát, mô hình có hai khả năng: chạy lệnh Bash và thao tác tệp (tạo, xem, sửa). Nó viết tệp Python rồi chạy bằng lệnh. Bạn không phải chạy gì phía mình hay gửi kết quả công cụ lại: API làm hết, rồi trả về các khối ghi lệnh đã chạy, kết quả từng lệnh, và chữ trả lời cuối.

Môi trường và giới hạn

Theo tài liệu, container chạy Linux, kiến trúc x86_64, Python 3.11, có 5 GiB RAM, 5 GiB không gian làm việc và 1 CPU. Mạng bị tắt hoàn toàn: không có kết nối ra ngoài, nên mô hình không tải thêm thư viện được trong lúc chạy. Thư viện cài sẵn gồm nhóm khoa học dữ liệu (pandas, numpy, scipy, scikit-learn, statsmodels), vẽ biểu đồ (matplotlib, seaborn), xử lý tệp (đọc Excel, Word, PowerPoint, PDF, ảnh), tính toán ký hiệu (sympy), cùng vài công cụ dòng lệnh như sqlite. Lệnh chạy quá thời gian cho phép sẽ trả mã lỗi hết giờ.

Không có internet là một tính năng an toàn: code do mô hình viết không thể gửi dữ liệu của bạn ra ngoài hay tải mã lạ về.

Hộp cát chạy code của mô hình API chạy code, bạn nhận kết quả Môi trườngPython 3.115 GiB RAM, 1 CPU An toànKhông internetchỉ thư viện cài sẵn ContainerDùng lại bằng idhết hạn sau 30 ngày Giá1.550 giờ miễn phívượt 0,05 USD/giờ Mỗi lần tính tối thiểu 5 phút (tài liệu 11/11/2026)
Hộp cát chạy code của mô hình Môi trườngPython 3.115 GiB RAM, 1 CPU An toànKhông internetchỉ thư viện cài sẵn ContainerDùng lại bằng idhết hạn sau 30 ngày Giá1.550 giờ miễn phívượt 0,05 USD/giờ Mỗi lần tính tối thiểu 5 phút (tài liệu 11/11/2026)
Hình 1. Hộp cát chạy code của mô hình, API chạy code và bạn nhận kết quả: môi trường Python 3.11, 5 GiB RAM, 1 CPU; an toàn vì không có internet, chỉ dùng thư viện cài sẵn; container dùng lại được bằng mã, hết hạn sau 30 ngày; giá có 1.550 giờ miễn phí mỗi tháng, vượt 0,05 USD mỗi giờ. Mỗi lần tính tối thiểu 5 phút, theo tài liệu ngày 11/11/2026.

Gửi tệp và nhận tệp

Để mô hình phân tích tệp của bạn (bảng điểm CSV, tệp Excel), tải tệp lên Files API để có mã tệp, rồi thêm một khối tải vào container với mã đó trong tin nhắn. Tệp sẽ có mặt trong hộp cát khi mô hình chạy code. Tài liệu lưu ý: nếu yêu cầu có tệp, giờ chạy bị tính ngay cả khi mô hình không gọi công cụ, vì tệp được nạp sẵn vào container.

Ngược lại, tệp mô hình tạo ra (biểu đồ, bảng kết quả) được trả về dưới dạng mã tệp, tải về bằng Files API.

Dùng lại container

Mỗi phản hồi có thông tin container gồm mã và thời điểm hết hạn. Gửi lại mã đó trong yêu cầu sau để làm tiếp trên cùng hộp cát: tệp đã tải, tệp đã tạo vẫn còn. Theo tài liệu, container hết hạn 30 ngày sau khi tạo; sau khoảng 5 phút không hoạt động thì được lưu lại, và gửi mã trong vòng 30 ngày sẽ khôi phục. Container đã hết hạn thì không dùng lại được; gửi yêu cầu không kèm mã để có container mới.

Ví dụ bằng Python

Chương trình mẫu gồm phần khai báo công cụ chạy code, tạo nội dung có tùy chọn tệp đã tải lên, gửi kèm mã container nếu muốn làm tiếp, và đọc phản hồi: chữ trả lời, số lệnh đã chạy, mã lỗi nếu có, mã container. Trước khi đọc, code xem lý do dừng và báo rõ nếu câu trả lời bị cắt vì chạm max_tokens, bị API tạm dừng giữa một lượt chạy dài hay bị từ chối; max_tokens để rộng vì phần suy nghĩ và code mô hình viết đều tính vào đó. Phần chạy thử không cần mạng, ước số giờ tính tiền mỗi tháng.

"""Cho Claude chạy code Python trong hộp cát của Anthropic (công cụ code_execution), và ước giờ chạy phải trả.

Theo tài liệu Anthropic (đọc 11/11/2026): hộp cát Linux, Python 3.11, 5 GiB RAM, 5 GiB đĩa, 1 CPU, KHÔNG có internet,
chỉ dùng thư viện cài sẵn (pandas, numpy, scikit-learn, matplotlib...). Mỗi yêu cầu một container mới, trừ khi gửi lại id
container cũ; container hết hạn sau 30 ngày. Giá: mỗi lần tính tối thiểu 5 phút; mỗi tổ chức có 1.550 giờ miễn phí mỗi tháng;
vượt thì 0,05 USD mỗi giờ mỗi container. Miễn phí khi dùng kèm bản tìm web / đọc web có lọc động.
Cài: python -m pip install anthropic ; đặt ANTHROPIC_API_KEY để chạy thật.
"""
import os
import sys

CONG_CU = {"type": "code_execution_20250825", "name": "code_execution"}
GIO_MIEN_PHI = 1550
GIA_MOI_GIO = 0.05
PHUT_TOI_THIEU = 5


def tao_noi_dung(cau_hoi, ma_tep=None):
    nd = [{"type": "text", "text": cau_hoi}]
    if ma_tep:  # tệp đã tải lên Files API, đưa vào hộp cát
        nd.append({"type": "container_upload", "file_id": ma_tep})
    return nd


class KhongCoCauTraLoi(Exception):
    """Mô hình dừng mà không đưa ra câu trả lời trọn vẹn."""


def doc_ket_qua(tl):
    # Xem lý do dừng trước: câu trả lời chưa xong thì báo rõ, không trả chữ dở dang như thể đã xong.
    if tl.stop_reason in ("max_tokens", "model_context_window_exceeded"):
        raise KhongCoCauTraLoi(f"câu trả lời bị cắt giữa chừng ({tl.stop_reason})")
    if tl.stop_reason == "pause_turn":  # gửi lại phản hồi này trong yêu cầu sau thì mô hình làm tiếp
        raise KhongCoCauTraLoi("API tạm dừng một lượt chạy dài (pause_turn), mô hình chưa làm xong")
    if tl.stop_reason == "refusal":
        raise KhongCoCauTraLoi("mô hình từ chối yêu cầu này")
    chu = "".join(k.text for k in tl.content if k.type == "text")
    if not chu.strip():
        raise KhongCoCauTraLoi("mô hình không trả về chữ nào")
    so_lenh = sum(1 for k in tl.content if k.type == "server_tool_use")
    loi = [k.content.error_code for k in tl.content
           if k.type.endswith("_tool_result") and getattr(k.content, "error_code", None)]
    container = getattr(tl, "container", None)
    return chu, so_lenh, loi, (container.id if container else None)


def hoi(client, cau_hoi, ma_tep=None, container_id=None, mo_hinh="claude-sonnet-5-5"):
    # Sonnet 5.5 suy nghĩ trước khi trả lời, và token suy nghĩ tính vào max_tokens dù không hiện ra; code mô hình viết để
    # chạy cũng tính vào đó. Nên để rộng chỗ: max_tokens chỉ là mức trần, bạn trả tiền cho số token thật sự sinh ra.
    tham_so = dict(model=mo_hinh, max_tokens=16000, tools=[CONG_CU],
                   messages=[{"role": "user", "content": tao_noi_dung(cau_hoi, ma_tep)}])
    if container_id:
        tham_so["container"] = container_id  # dùng lại hộp cát cũ: tệp và kết quả trước vẫn còn
    return doc_ket_qua(client.messages.create(**tham_so))


def gio_tinh_tien(so_lan, phut_moi_lan):
    return so_lan * max(phut_moi_lan, PHUT_TOI_THIEU) / 60


def chi_phi_thang(so_lan_moi_ngay, phut_moi_lan, so_ngay=30):
    gio = gio_tinh_tien(so_lan_moi_ngay * so_ngay, phut_moi_lan)
    return gio, max(0.0, gio - GIO_MIEN_PHI) * GIA_MOI_GIO


def chay_thu():
    dong = []
    for lan, phut in [(100, 2), (1000, 2), (1000, 20)]:
        gio, tien = chi_phi_thang(lan, phut)
        dong.append(f"{lan} lần/ngày, mỗi lần {phut} phút: {gio:.0f} giờ tính tiền/tháng, phần vượt miễn phí {tien:.2f} USD")
    print("\n".join(dong))
    return dong


def main(cau_hoi):
    if not os.environ.get("ANTHROPIC_API_KEY"):
        sys.exit("Chưa có ANTHROPIC_API_KEY. Đặt biến môi trường trước khi chạy.")
    import anthropic
    try:
        chu, so_lenh, loi, cid = hoi(anthropic.Anthropic(), cau_hoi)
    except KhongCoCauTraLoi as e:
        sys.exit(f"Chưa có câu trả lời trọn vẹn: {e}.")
    except anthropic.APIStatusError as e:
        sys.exit(f"API báo lỗi {e.status_code}: {e.message}")
    except anthropic.APIConnectionError:
        sys.exit("Không kết nối được tới API. Kiểm tra mạng rồi thử lại.")
    print(chu)
    print(f"Đã chạy {so_lenh} lệnh trong hộp cát {cid}" + (f"; lỗi: {', '.join(loi)}" if loi else ""))


if __name__ == "__main__":
    main(" ".join(sys.argv[1:])) if len(sys.argv) > 1 else chay_thu()

Kết quả ước tính: 100 lần mỗi ngày, mỗi lần 2 phút, tính tối thiểu 5 phút nên thành 250 giờ mỗi tháng, nằm trong 1.550 giờ miễn phí. 1.000 lần mỗi ngày, mỗi lần 2 phút, thành 2.500 giờ, vượt 950 giờ, khoảng 47,50 USD. 1.000 lần mỗi ngày, mỗi lần 20 phút, thành 10.000 giờ, phần vượt khoảng 422,50 USD. Phép ước này giả định mỗi lần là một container; dùng lại container hay chạy lâu sẽ khác. Chi phí token vẫn tính riêng.

Tài liệu còn ghi: chạy code miễn phí khi dùng kèm các bản tìm kiếm web hoặc đọc trang web có lọc động, vì khi đó code được dùng để lọc kết quả; xem bài tìm web qua API.

Một bài tập mẫu: phân tích bảng điểm

Giả sử giáo viên có tệp bảng điểm một học kỳ và muốn biết: điểm trung bình từng môn, môn nào có độ chênh lớn nhất, học sinh nào tụt điểm nhiều giữa giữa kỳ và cuối kỳ, kèm một biểu đồ. Không có công cụ chạy code, mô hình phải "đọc" bảng số và tính nhẩm, dễ sai khi bảng dài. Có công cụ chạy code, mô hình đọc tệp bằng pandas, tính bằng code, vẽ bằng matplotlib, rồi giải thích kết quả. Giáo viên nhận cả con số, biểu đồ và đoạn code đã chạy để đối chiếu.

Hai việc nên làm trước khi gửi tệp: bỏ tên và mã học sinh nếu không cần cho câu hỏi, thay bằng số thứ tự; và ghi rõ trong câu hỏi cột nào là gì, đơn vị gì, để code mô hình viết không hiểu nhầm. Sau khi nhận kết quả, mở phần code xem mô hình đã lọc dữ liệu thế nào, có bỏ sót dòng trống hay gộp nhầm cột không. Code đúng thì con số đáng tin; code sai thì dù giải thích nghe hợp lý cũng phải làm lại. Với học sinh, đọc code mô hình viết cho chính câu hỏi của mình cũng là một cách học pandas rất thực tế: thấy ngay cách đọc tệp, lọc dòng, nhóm theo cột, vẽ biểu đồ cho đúng dữ liệu mình quan tâm.

Tự dựng hộp cát hay dùng sẵn

Bạn cũng có thể tự làm: khai báo một công cụ phía khách nhận code từ mô hình, rồi chạy trong hộp cát riêng (một container Docker, một dịch vụ hộp cát). Cách này cho bạn chọn thư viện, mở mạng có kiểm soát, lưu tệp lâu dài; đổi lại bạn phải tự lo an toàn, tài nguyên, dọn dẹp. Với việc phân tích dữ liệu, tính toán trong các ứng dụng học tập, công cụ có sẵn thường đủ và an toàn hơn.

Tuyệt đối không chạy code mô hình viết trực tiếp trên máy chủ hay máy cá nhân của bạn mà không có hộp cát: code có thể xóa tệp, đọc khóa bí mật, hoặc làm theo chỉ dẫn lạ từ dữ liệu đầu vào.

Cẩn thận
  • Chạy code do mô hình viết thẳng trên máy của bạn, không hộp cát.
  • Mong mô hình cài thêm thư viện trong hộp cát, trong khi hộp cát không có internet.
  • Gửi kèm tệp cho mọi yêu cầu, kể cả câu không cần tệp, và bị tính giờ chạy.
  • Quên rằng mỗi lần tính tối thiểu 5 phút khi ước chi phí cho nhiều lần gọi ngắn.
  • Tin kết quả phân tích mà không xem code mô hình đã chạy.

Câu hỏi thường gặp

Khác gì khi mô hình chỉ viết code cho tôi?

Viết code thì bạn phải tự chạy. Công cụ này chạy luôn và đưa kết quả cho mô hình, để nó sửa nếu lỗi và trả lời dựa trên kết quả thật.

Có xem được code mô hình đã chạy không?

Có. Phản hồi gồm các khối ghi lệnh và kết quả. Nên hiển thị hoặc lưu lại để kiểm.

Dữ liệu trong container được giữ bao lâu?

Tài liệu ghi dữ liệu container được giữ tới 30 ngày, nên tính năng này không thuộc diện không lưu dữ liệu.

Học sinh có nên dùng để làm bài tập lập trình?

Dùng để học cách phân tích dữ liệu thì tốt; còn bài tập để luyện kỹ năng viết code thì tự viết.

Học tiếp

  • Hàm của bạn làm công cụ cho mô hình: tool use.
  • Tìm web, chạy code miễn phí khi lọc kết quả: tìm web qua API.
  • Ôn thư viện dữ liệu có trong hộp cát: Python cho AI.

Nếu bạn muốn học Python và AI bài bản cùng giảng viên, tham khảo khóa học AI của Big-O Coding.

Muốn học bài bản cùng giảng viên?

Khóa AI – Introduction to Machine Learning: nền tảng Máy học từ thuật toán cơ bản đến Neural Networks và LLM, học bằng Python. Học thử buổi 1 miễn phí.

Xem Khóa AI

Nguồn tham khảo

Chia sẻ: Facebook LinkedIn
Nhắn Zalo tư vấnZalo Gọi 0937 401 483