La tua prima chiamata alla Responses API

È il momento di mettere le mani in pasta con la Responses API di OpenAI! Userai la libreria openai per iniziare a inviare richieste all'endpoint della Responses API.

La classe OpenAI è già stata importata da openai.

Questo esercizio fa parte del corso

Lavorare con la Responses API di OpenAI

Visualizza corso

Istruzioni dell'esercizio

Definisci un client API di OpenAI, lasciando invariato il segnaposto api_key.
Crea una richiesta alla API di OpenAI per il modello "gpt-5.4-mini", inviando il prompt "In parole semplici, che cos'è la OpenAI Responses API?"; lascia invariati i parametri reasoning e max_output_tokens.
Stampa il testo generato dall'oggetto di risposta.

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

# Define an OpenAI API client
client = ____(api_key="")

# Create the OpenAI API request
response = client.____.____(
    ____="gpt-5.4-mini",
    input="____",
    reasoning={"effort": "none"},
    max_output_tokens=100
)

# Print the generated text from the response
print(response.____)

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Lavorare con la Responses API di OpenAI

IntermediárioNível de habilidade

4.8+

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

Esercizio attuale

Exercise 3: Aggiungere istruzioni al modello Exercise 4: Estrazione di informazioni dalla risposta Exercise 5: Padroneggiare i parametri della risposta Exercise 6: Sperimenta con modelli più potenti Exercise 7: Ragionare sul Reasoning 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 Exercise 3: Usare gli Items per una gestione personalizzata Exercise 4: Ricerca web che funziona e basta Exercise 5: Combinare LLM e ricerca sul 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!