Information aus der Response extrahieren

Nachdem du deine Anfrage gestellt und die Antwort von der OpenAI API erhalten hast, ist es Zeit, Informationen daraus zu extrahieren. Die Response der Responses API enthält mehr als nur die Modellausgabe: Sie liefert strukturierte Ausgaben für Chat-Anwendungen und nützliche Metadaten, um eine Chat-Historie nachzuverfolgen und aufzubauen.

Ein Response-Objekt steht dir bereits als response zur Untersuchung zur Verfügung.

Diese Übung ist Teil des Kurses

<Kurs>Arbeiten mit der OpenAI Responses API</Kurs>

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Extract the number of output tokens
print(response.____.____)

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

<Kurs>Arbeiten mit der OpenAI Responses API</Kurs>

Mittlere SchwierigkeitSchwierigkeitsgrad

4.9+

Kurs kostenlos starten

KI-Anwendungen zu entwickeln war mit der Responses API noch nie einfacher! Lerne, wie du Modelle über eine einfache Schnittstelle promptest, Best Practices im Umgang mit Reasoning-Modellen, und wie du dialogartige Unterhaltungen mit LLMs aufbaust.

Exercise 1: Die Responses API: die beste Freundin von Developerinnen und Developern Exercise 2: Dein erster Responses-API-Aufruf Exercise 3: Modellanweisungen hinzufügen Exercise 4: Information aus der Response extrahieren

Aktuelle Übung

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 sind leistungsstark – mit Tools werden sie noch stärker! Lerne, wie du Websuche in deine LLM-Systeme integrierst, ganz ohne zusätzliche API-Schlüssel oder Zugangsdaten. Entdecke, dass Tools im Grunde … so gut wie alles sein können! Baue eigene Tools, die LLMs aufrufen können, um über die Basisfähigkeiten des Modells hinauszugehen.

Exercise 1: Response Items: Die Bausteine Exercise 2: Output-Items und ihre Inhalte extrahieren Exercise 3: Items für individuelles Handling nutzen Exercise 4: Websuche, die einfach funktioniert Exercise 5: LLMs und Websuche kombinieren Exercise 6: Vertrauen durch LLM-Quellen aufbauen Exercise 7: Function-Calling-Tools: Die Funktion definieren Exercise 8: Der Workflow für Function-Calling-Tools Exercise 9: Eine Funktion zum Konvertieren von Zeitzonen definieren Exercise 10: Tools mit Funktionsaufrufen: Der komplette Workflow Exercise 11: Die OpenAI-Tooldefinition erstellen Exercise 12: Function-Calling-Tools integrieren

Führe deine LLM-Systeme mit drei zentralen Designparadigmen vom Proof of Concept in die Produktion. Lerne, wie du konsistente und verlässliche strukturierte Ausgaben wie JSON mit LLMs erzeugst. Außerdem nutzt du semantische Ereignisse, um Updates an deine Nutzer zu streamen und so interaktive, angenehme Erlebnisse zu schaffen. Zum Schluss wirst du multimodal und kombinierst Text und Bilder mit OpenAI GPT-5-Modellen.

Exercise 1: Strukturierte Ausgaben erzeugen Exercise 2: Jedes Mal konsistente Ausgaben!Exercise 3: Pydantic-Klassen schachteln Exercise 4: Streaming mit semantischen Events Exercise 5: OpenAI-Antworten streamen Exercise 6: Semantische Events streamen Exercise 7: Streaming mit Funktionsaufrufen Exercise 8: Eingabeflexibilität und Multimodalität Exercise 9: Eingaben auf Rollenbasis Exercise 10: Prompting mit Bildern aus URLs Exercise 11: Prompting mit lokalen Bilddateien Exercise 12: Glückwunsch!