Estrarre gli elementi dell'output e i loro contenuti

Quando lavori con la Responses API di OpenAI, i diversi tipi di elementi contengono informazioni diverse. Un oggetto response è stato creato e salvato nella variabile response. Il tuo compito è scorrere gli elementi dell'output ed estrarre informazioni specifiche in base al loro tipo.

Questo esercizio fa parte del corso

Lavorare con la Responses API di OpenAI

Visualizza corso

Istruzioni dell'esercizio

Scorri gli elementi in response.output.
Verifica se l'attributo .type dell'elemento è uguale a 'reasoning' e, in tal caso, stampa 'Found reasoning item'.
Verifica se l'attributo .type dell'elemento è uguale a 'message' e, in tal caso, estrai e stampa il testo.

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

# Loop through the output items
for item in ____:
    # Check for reasoning items
    if ____ == 'reasoning':
        print('Found reasoning item')
    
    # Check for message items and extract text
    if item.type == 'message':
        message_text = item.____[0].____
        print(message_text)

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Lavorare con la Responses API di OpenAI

IntermediárioNível de habilidade

4.9+

Inizia il corso gratuitamente

Creare applicazioni di AI non è mai stato così semplice con la Responses API! Impara a istruire i modelli usando un’interfaccia intuitiva, le best practice per lavorare con i modelli di reasoning e come costruire conversazioni a botta e risposta con gli LLM.

Exercise 1: La Responses API: la migliore alleata degli sviluppatori Exercise 2: La tua prima chiamata alla Responses API Exercise 3: Aggiungere le istruzioni al modello Exercise 4: Estrazione di informazioni dalla risposta Exercise 5: Padroneggiare i parametri della risposta Exercise 6: Sperimentare con modelli più potenti Exercise 7: Ragionare sul ragionamento Exercise 8: Collegare le conversazioni Exercise 9: Da un messaggio all'altro Exercise 10: Abilitare conversazioni in chat

Gli LLM sono potenti, ma lo diventano ancora di più quando introduci strumenti! Impara a integrare la ricerca sul web nei tuoi sistemi LLM senza chiavi o credenziali API aggiuntive. Scopri che gli strumenti possono essere… praticamente qualsiasi cosa! Crea strumenti che gli LLM possano chiamare per andare oltre le capacità di base del modello.

Exercise 1: Response Items: i mattoni di base Exercise 2: Estrarre gli elementi dell'output e i loro contenuti

Esercizio attuale

Exercise 3: Usare gli Items per una gestione personalizzata Exercise 4: Ricerca web che funziona e basta Exercise 5: Combinare LLM e ricerca web Exercise 6: Aumentare la fiducia con le fonti degli LLM Exercise 7: Strumenti di chiamata di funzione: definire la funzione Exercise 8: Il workflow degli strumenti con chiamata di funzione Exercise 9: Definire una funzione per convertire i fusi orari Exercise 10: Strumenti con chiamata di funzione: il flusso completo Exercise 11: Creare la definizione dello strumento OpenAI Exercise 12: Integrare gli strumenti con Function Calling

Porta i tuoi sistemi LLM dal proof-of-concept alla produzione con tre paradigmi di progettazione chiave. Impara a generare output strutturati coerenti e affidabili, come JSON, usando gli LLM. Userai anche eventi semantici per trasmettere aggiornamenti ai tuoi utenti, creando esperienze interattive e piacevoli. Infine, passa al multi-modale e impara a combinare testo e immagini con i modelli GPT-5 di OpenAI.

Exercise 1: Generare output strutturati Exercise 2: Output coerenti, ogni volta!Exercise 3: Annidare classi Pydantic Exercise 4: Streaming con eventi semantici Exercise 5: Eseguire lo streaming delle risposte di OpenAI Exercise 6: Streaming di eventi semantici Exercise 7: Streaming con Function Call Exercise 8: Flessibilità dell'input e multimodalità Exercise 9: Input basati su ruolo Exercise 10: Prompt con immagini da URL Exercise 11: Prompt con file immagine locali Exercise 12: Congratulazioni!