Ajouter des instructions au modèle

Vous créez un système d’assistance client par IA pour une entreprise de services financiers. Pour des raisons de sécurité et de conformité, l’IA doit respecter des garde-fous clairs : elle ne répond qu’aux questions sur le solde du compte et l’historique des transactions. Elle doit refuser poliment toute autre demande, comme la réinitialisation de mot de passe.

Le client OpenAI est déjà disponible sous le nom client. Il sera accessible pour la suite du cours.

Cet exercice fait partie du cours

Travailler avec l’API OpenAI Responses

Afficher le cours

Instructions

Créez une requête à la Responses API vers "gpt-5-mini" avec des instructions claires pour ne répondre qu’aux questions sur le solde du compte et l’historique des transactions, et pas aux autres demandes comme les réinitialisations de mot de passe.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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)

Modifier et exécuter le code

Cet exercice fait partie du cours

Travailler avec l’API OpenAI Responses

IntermédiaireNiveau de compétence

4.8+

Commencer le cours gratuitement

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: Responses API : la meilleure alliée des développeurs Exercise 2: Votre première requête à la Responses API Exercise 3: Ajouter des instructions au modèle

Exercice en cours

Exercise 4: Extraire des informations de la réponse Exercise 5: Maîtriser les paramètres de réponse Exercise 6: Expérimenter 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

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!