Créer des prompts avec des images depuis des URL

Vous créez un système automatisé de catalogage de produits pour une place de marché en ligne. Le système doit analyser des images de produits et générer des descriptions précises pour le catalogue. Vous allez utiliser des messages avec rôles pour envoyer une URL d'image au modèle et demander à la fois une classification et une description.

Une chaîne d'URL pointant vers la photo d'une veste d'hiver est stockée dans image_url, et la fonction visualize_image() a été définie pour vous permettre de comparer l'image avec la description générée.

Cet exercice fait partie du cours

<cours>Travailler avec l’API OpenAI Responses</cours>

Instructions de l’exercice

Ajoutez un message utilisateur contenant à la fois une consigne textuelle demandant de classer et décrire le produit, et l'URL de l'image (image_url) en utilisant les types de contenu appropriés.
Créez la requête vers le modèle "gpt-5.4-mini" à l'aide de votre liste messages et extrayez le texte de sortie.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

messages = [{"role": "system", "content": "You are a product cataloging expert who provides concise classifications and descriptions."}]

# Add user message with text and image
messages.append({
    "role": "____",
    "content": [
        {"type": "____", "____": "Classify this product and write a brief but punchy description for our catalog."},
        {"type": "____", "image_url": "____"}
    ]
})

# Create the response
response = ____

print(response.output_text)
visualize_image(image_url)

Modifier et exécuter le code

Cet exercice fait partie du cours

<cours>Travailler avec l’API OpenAI Responses</cours>

IntermédiaireNiveau de compétence

4.8+

Commencer le cours gratuitement

Créer des applications d’IA n’a jamais été aussi simple avec l’API Responses ! Apprenez à solliciter des modèles via une interface épurée, les bonnes pratiques pour travailler avec des modèles de raisonnement, et comment construire des échanges aller-retour avec des LLM.

Exercise 1: Responses API : la meilleure alliée des développeurs Exercise 2: Votre première requête à la Responses API Exercise 3: Ajouter des instructions au modèle Exercise 4: Extraire des informations 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: Enchaîner les conversations Exercise 9: D’un message à l’autre Exercise 10: Activer les conversations de type chat

Les LLM sont puissants, et ils le sont encore plus avec des outils ! Découvrez comment intégrer la recherche web à vos systèmes LLM sans clés d’API ni identifiants supplémentaires. Constatez que les outils peuvent être… à peu près tout ! Créez vos propres outils que les LLM pourront appeler pour dépasser les capacités de base du modèle.

Exercise 1: Éléments de réponse : les briques de base Exercise 2: Extraire les éléments de sortie et leur contenu Exercise 3: Utiliser les Items pour un traitement personnalisé Exercise 4: La recherche web qui fonctionne tout simplement Exercise 5: Combiner les LLM et la recherche web Exercise 6: Renforcer la confiance avec les sources des LLM Exercise 7: Outils d’appel de fonction : définir la fonction Exercise 8: Le workflow d’un outil avec appel de fonction Exercise 9: Définir une fonction pour convertir des fuseaux horaires Exercise 10: Outils d’appel de fonctions : le flux de travail complet Exercise 11: Créer la définition d’outil OpenAI Exercise 12: Intégrer des outils avec appel de fonction

Faites passer vos systèmes LLM du prototype à la production avec trois paradigmes de conception clés. Apprenez à générer des sorties structurées cohérentes et fiables, comme du JSON, à l’aide de LLM. Vous utiliserez aussi des événements sémantiques pour diffuser des mises à jour à vos utilisateurs et créer des expériences interactives et agréables. Enfin, passez au multimodal et apprenez à combiner texte et images avec les modèles GPT-5 d’OpenAI.

Exercise 1: Générer des sorties structurées Exercise 2: Des résultats cohérents, à chaque fois !Exercise 3: Imbriquer des classes Pydantic Exercise 4: Diffusion avec des événements sémantiques Exercise 5: Diffuser les réponses d'OpenAI Exercise 6: Diffusion d’événements sémantiques Exercise 7: Diffusion en continu avec des appels de fonction Exercise 8: Flexibilité des entrées et multimodalité Exercise 9: Entrées basées sur les rôles Exercise 10: Créer des prompts avec des images depuis des URL

Exercice actuel

Exercise 11: Composer une invite avec des fichiers image locaux Exercise 12: Félicitations !