LoslegenKostenlos loslegen

Jedes Mal konsistente Ausgaben!

Du entwickelst ein personalisiertes Filmempfehlungssystem für eine Streaming-Plattform. Damit die Empfehlungen in der App-UI korrekt angezeigt werden können, musst du strukturierte Ausgaben mit pydantic und dem OpenAI-Client verwenden. Du definierst ein Schema für Filmempfehlungen und extrahierst die strukturierten Ergebnisse.

Diese Übung ist Teil des Kurses

Arbeiten mit der OpenAI Responses API

Kurs anzeigen

Anleitung zur Übung

  • Definiere eine pydantic-Klasse mit dem Namen MovieRecommendation mit den Feldern title, genre, vibe und why.
  • Erzeuge eine strukturierte Empfehlung mit der Klasse MovieRecommendation und den vorgegebenen Prompts.
  • Extrahiere die geparste Empfehlung aus der Response und greife anschließend auf die Informationen title und why zu.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Define the book recommendation schema
class ____(BaseModel):
    ____: str = Field(description="The book title")
    ____: str = Field(description="Primary genre")
    ____: str = Field(description="One-word vibe: cozy, thrilling, emotional, or fun")
    ____: str = Field(description="One sentence explaining why this matches")

# Generate structured recommendation
response = client.responses.____(
    model="gpt-5-mini",
    instructions="You are a knowledgeable movie recommender.",
    input="Recommend a movie for someone who loved Inception and wants something mind-bending",
    text_format=____,
)

# Extract the parsed output and results
recommendation = response.____
print(f"Title: {recommendation.____}")
print(f"Reason: {recommendation.____}")
Code bearbeiten und ausführen