IniziaInizia gratis

Output coerenti, ogni volta!

Stai sviluppando un sistema di raccomandazione personalizzata di film per una piattaforma di streaming. Per assicurarti che le raccomandazioni vengano visualizzate correttamente nella UI dell'app, devi usare output strutturati con pydantic e il client OpenAI. Definirai uno schema per le raccomandazioni di film ed estrarrai i risultati strutturati.

Questo esercizio fa parte del corso

Lavorare con la Responses API di OpenAI

Visualizza il corso

Istruzioni dell'esercizio

  • Definisci una classe pydantic chiamata MovieRecommendation con i campi title, genre, vibe e why.
  • Genera una raccomandazione strutturata usando la classe MovieRecommendation e i prompt forniti.
  • Estrai la raccomandazione analizzata dalla response, poi accedi alle informazioni title e why.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# 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.____}")
Modifica ed esegui il codice