D'un message à l'autre

Il est temps de commencer à enchaîner les réponses pour conserver le contexte entre les requêtes ! Cela revient à créer un historique de conversation — un élément clé des interactions.

Cette activité fait partie du cours

Utiliser l'API Responses d'OpenAI

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Create the first request
response1 = client.____.____(
    model="gpt-5.4-mini",
    ____="Draft a short LinkedIn post announcing that I'm learning about the OpenAI Responses API to upskill in AI engineering on DataCamp!",
    reasoning={"effort": "none"}
)

# Extract the ID from response1
conversation_id = ____
print("Initial post:", response1.output_text)

Modifier et exécuter le code

Cette activité fait partie du cours

Utiliser l'API Responses d'OpenAI

SkillTag.level.intermediateSkillTag.label

4.8+

Commencer le cours gratuitement

Créer des applications d'IA n'a jamais été aussi simple avec l'API Responses ! Apprenez à formuler des invites pour les modèles à l'aide d'une interface simple, les pratiques exemplaires pour travailler avec des modèles de raisonnement, et comment bâtir des conversations bidirectionnelles avec des LLM.

Exercise 1: L'API Responses : la meilleure alliée des développeurs Exercise 2: Votre première requête à la Responses API Exercise 3: Ajouter des instructions au modèle Exercise 4: Extraction d'information à partir de la réponse Exercise 5: Maîtriser les paramètres de réponse Exercise 6: Expérimenter avec des modèles plus puissants Exercise 7: Raisonner sur le raisonnement Exercise 8: Enchaînement de conversations Exercise 9: D'un message à l'autre

Exercice en cours

Exercise 10: Activer les conversations par clavardage

Les LLM sont puissants, mais ils le deviennent encore plus lorsqu'on y intègre des outils ! Apprenez à ajouter la recherche Web à vos systèmes LLM sans clés d'API ni justificatifs supplémentaires. Découvrez que les outils peuvent être… pratiquement tout ! Créez vos propres outils que les LLM pourront appeler pour dépasser les capacités de base du modèle.

Exercise 1: Éléments de réponse : les blocs de base Exercise 2: Extraire les éléments de sortie et leur contenu Exercise 3: Utiliser les items pour un traitement personnalisé Exercise 4: Recherche Web qui fonctionne tout simplement Exercise 5: Combiner les LLM et la recherche Web Exercise 6: Gagner en confiance grâce aux sources des LLM Exercise 7: Outils d'appel de fonctions : définir la fonction Exercise 8: Flux de travail d'un outil à appel de fonction Exercise 9: Définir une fonction pour convertir des fuseaux horaires Exercise 10: Outils d'appel de fonctions : le déroulement complet Exercise 11: Créer la définition d'outil OpenAI Exercise 12: Intégrer des outils d'appel de fonctions

Faites passer vos systèmes LLM de la preuve de concept à la production grâce à trois paradigmes de conception essentiels. Apprenez à générer des sorties structurées cohérentes et fiables, comme du JSON, avec des LLM. Vous utiliserez aussi des événements sémantiques pour diffuser des mises à jour à vos utilisateurs, créant des expériences interactives et agréables. Enfin, adoptez la multimodalité et apprenez à combiner texte et images avec les modèles GPT-5 d'OpenAI.

Exercise 1: Générer des sorties structurées Exercise 2: Des sorties cohérentes, à tout coup !Exercise 3: Imbriquer des classes Pydantic Exercise 4: Diffusion en continu avec des événements sémantiques Exercise 5: Diffuser les réponses d'OpenAI Exercise 6: Diffuser des événements sémantiques Exercise 7: Diffusion en continu avec des appels de fonction Exercise 8: Souplesse des entrées et multimodalité Exercise 9: Entrées fondées sur les rôles Exercise 10: Créer une invite avec des images à partir d'URL Exercise 11: Créer une invite avec des fichiers image locaux Exercise 12: Félicitations !