Modell-Anweisungen hinzufügen

Du baust ein KI-System für den Kundensupport eines Finanzdienstleisters. Aus Sicherheits- und Compliance-Gründen muss die KI klare Leitplanken haben und ausschließlich Fragen zu Kontoständen und Transaktionsverläufen beantworten. Andere Anfragen, etwa zum Zurücksetzen von Passwörtern, soll sie höflich ablehnen.

Der OpenAI-Client steht dir bereits als client zur Verfügung. Er wird dir im restlichen Kurs durchgehend bereitstehen.

Diese Übung ist Teil des Kurses

Arbeiten mit der OpenAI Responses API

Anleitung zur Übung

Erstelle eine Anfrage an die Responses API für "gpt-5-mini", die klare Anweisungen enthält: Antworte nur auf Fragen zu Kontoständen und Transaktionsverläufen und lehne andere Anfragen, wie etwa zum Zurücksetzen von Passwörtern, ab.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Create a guardrailed AI response
response = client.responses.create(
    model=____,
    instructions="You are a customer support AI that only answers questions about ____. Politely decline any other requests such as ____.",
    input="Can you help me reset my password?"
)

print(response.output_text)

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

Arbeiten mit der OpenAI Responses API

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

Building AI applications has never been easier with the Responses API! Learn how to prompt models using a simple interface, best practices for working with reasoning models, and how to build back-and-forth conversations with LLMs.

Exercise 1: Die Responses API: die beste Freundin von Developerinnen und Developern Exercise 2: Dein erster Responses-API-Aufruf Exercise 3: Modell-Anweisungen hinzufügen

Aktuelle Übung

Exercise 4: Information aus der Response extrahieren Exercise 5: Response-Parameter meistern Exercise 6: Mit leistungsfähigeren Modellen experimentieren Exercise 7: Über Reasoning nachdenken Exercise 8: Gesprächsverkettung Exercise 9: Von einer Nachricht zur nächsten Exercise 10: Chat-Unterhaltungen aktivieren

LLMs are powerful, but they're even more powerful once tools are introduced! Learn how to integrate web search with your LLM systems with no additional API keys or credentials. Discover that tools can be, well... pretty much anything! Build your own tools for LLMs to call to go beyond the model's base capabilities.

Exercise 1: Response Items: The Building Blocks Exercise 2: Extracting Output Items and Their Contents Exercise 3: Using Items for Custom Handling Exercise 4: Web Search That Just Works Exercise 5: Combining LLMs and Web Search Exercise 6: Building Confidence with LLM Sources Exercise 7: Function-Calling Tools: Defining the Function Exercise 8: The Function-Calling Tool Workflow Exercise 9: Defining a Function for Converting Timezones Exercise 10: Function-Calling Tools: The Full Workflow Exercise 11: Building the OpenAI Tool Definition Exercise 12: Integrating Function-Calling Tools

Move your LLM systems from proof-of-concept to production with three key design paradigms. Learn how to generate consistent and reliable structured outputs, like JSON, using LLMs. You'll also use semantic events to stream updates to your users, creating interactive and enjoyable experiences. Finally, go multi-modal and learn how to combine text and images with OpenAI's GPT-5 models.

Exercise 1: Generating Structured Outputs Exercise 2: Consistent Outputs, Every Time!Exercise 3: Nesting Pydantic Classes Exercise 4: Streaming with Semantic Events Exercise 5: Streaming OpenAI Responses Exercise 6: Streaming Semantic Events Exercise 7: Streaming with Function Calls Exercise 8: Input Flexibility and Multimodality Exercise 9: Role-Based Inputs Exercise 10: Prompting with Images from URLs Exercise 11: Prompting with Local Image Files Exercise 12: Congratulations!