Mengekstrak Informasi dari Respons

Setelah Anda mengirim permintaan dan menerima respons dari OpenAI API, saatnya mengekstrak informasi darinya. Respons dari Responses API berisi lebih dari sekadar keluaran model; respons ini mencakup keluaran terstruktur untuk aplikasi chat, serta metadata yang berguna untuk pelacakan dan membangun riwayat chat.

Objek respons sudah tersedia untuk Anda telusuri sebagai response.

Latihan ini merupakan bagian dari kursus

Bekerja dengan OpenAI Responses API

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

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

Edit dan Jalankan Kode

Latihan ini merupakan bagian dari kursus

Bekerja dengan OpenAI Responses API

SkillTag.level.intermediateSkillTag.label

4.9+

Mulai Kursus Gratis

Membangun aplikasi AI tidak pernah semudah ini dengan Responses API! Pelajari cara memberi prompt ke model menggunakan antarmuka sederhana, praktik terbaik saat bekerja dengan model penalaran, dan cara membangun percakapan dua arah dengan LLM.

Exercise 1: Responses API: Sahabat Terbaik Pengembang Exercise 2: Panggilan Responses API Pertama Anda Exercise 3: Menambahkan Instruksi Model Exercise 4: Mengekstrak Informasi dari Respons

Latihan Saat Ini

Exercise 5: Menguasai Parameter Respons Exercise 6: Mencoba Model yang Lebih Kuat Exercise 7: Menalar tentang Penalaran Exercise 8: Rangkaian Percakapan Exercise 9: Dari Satu Pesan ke Pesan Lain Exercise 10: Mengaktifkan Percakapan Chat

LLM sangat kuat, dan menjadi lebih kuat lagi saat alat diperkenalkan! Pelajari cara mengintegrasikan penelusuran web dengan sistem LLM Anda tanpa kunci API atau kredensial tambahan. Temukan bahwa alat bisa, yah... hampir apa saja! Bangun alat Anda sendiri yang dapat dipanggil LLM untuk melampaui kemampuan dasar model.

Exercise 1: Item Respons: Fondasi Penyusun Exercise 2: Mengekstrak Item Output dan Isinya Exercise 3: Menggunakan Item untuk Penanganan Khusus Exercise 4: Pencarian Web yang Langsung Berfungsi Exercise 5: Menggabungkan LLM dan Pencarian Web Exercise 6: Membangun Kepercayaan dengan Sumber LLM Exercise 7: Alat Pemanggilan Fungsi: Mendefinisikan Fungsi Exercise 8: Alur Kerja Function-Calling Tool Exercise 9: Mendefinisikan Fungsi untuk Mengonversi Zona Waktu Exercise 10: Alat Pemanggilan Fungsi: Alur Kerja Lengkap Exercise 11: Membangun Definisi Tool OpenAI Exercise 12: Mengintegrasikan Alat Pemanggilan Fungsi

Bawa sistem LLM Anda dari bukti konsep ke produksi dengan tiga paradigma desain utama. Pelajari cara menghasilkan keluaran terstruktur yang konsisten dan andal, seperti JSON, menggunakan LLM. Anda juga akan menggunakan peristiwa semantik untuk melakukan streaming pembaruan kepada pengguna, menciptakan pengalaman yang interaktif dan menyenangkan. Terakhir, jadilah multimodal dan pelajari cara menggabungkan teks dan gambar dengan model GPT-5 dari OpenAI.

Exercise 1: Membuat Keluaran Terstruktur Exercise 2: Keluaran Konsisten, Setiap Saat!Exercise 3: Menyarang Kelas Pydantic Exercise 4: Streaming dengan Peristiwa Semantik Exercise 5: Melakukan Streaming Respons OpenAI Exercise 6: Streaming Semantic Events Exercise 7: Streaming dengan Pemanggilan Fungsi Exercise 8: Fleksibilitas Input dan Multimodalitas Exercise 9: Input Berbasis Peran Exercise 10: Prompt dengan Gambar dari URL Exercise 11: Memprompt dengan File Gambar Lokal Exercise 12: Selamat!