Des résultats cohérents, à chaque fois !

Vous développez un système de recommandation de films personnalisé pour une plateforme de streaming. Pour que les recommandations s’affichent correctement dans l’interface de l’application, vous devez utiliser des sorties structurées avec pydantic et le client OpenAI. Vous allez définir un schéma pour les recommandations de films et extraire les résultats structurés.

Cet exercice fait partie du cours

Travailler avec l’API OpenAI Responses

Afficher le cours

Instructions

Définissez une classe pydantic appelée MovieRecommendation avec les champs title, genre, vibe et why.
Générez une recommandation structurée à l’aide de la classe MovieRecommendation et des invites fournies.
Extrayez la recommandation analysée depuis la réponse, puis accédez à ses informations title et why.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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.____}")

Modifier et exécuter le code