Aggiungere istruzioni al modello

Stai costruendo un sistema di assistenza clienti basato su AI per un'azienda di servizi finanziari. Per motivi di sicurezza e conformità, l'AI deve avere limiti chiari per rispondere solo a domande su saldo del conto e cronologia delle transazioni. Deve rifiutare cortesemente qualsiasi richiesta di reimpostazione della password, richieste di prestito o consulenza sugli investimenti.

Il client OpenAI è già disponibile come client. Lo userai per tutto il resto del corso.

Questo esercizio fa parte del corso

Lavorare con la Responses API di OpenAI

Visualizza il corso

Istruzioni dell'esercizio

Crea una richiesta alla Responses API verso "gpt-5-mini" che includa istruzioni chiare per rispondere solo a domande su saldo del conto e cronologia delle transazioni, e non ad altre richieste come reimpostazioni della password, richieste di prestito o consulenza sugli investimenti, in modo specifico.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Create a guardrailed AI response
response = client.responses.create(
    model=____,
    instructions=____,
    input="Can you help me reset my password?"
)

print(response.output_text)

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 gratis

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: La Responses API: la migliore alleata degli sviluppatori Exercise 2: La tua prima chiamata alla Responses API Exercise 3: Aggiungere istruzioni al modello

Esercizio in corso

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

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!