Aan de slagGa gratis aan de slag

Consistente outputs, elke keer weer!

Je ontwikkelt een gepersonaliseerd filmsuggestiesysteem voor een streamingplatform. Om ervoor te zorgen dat de aanbevelingen goed in de UI van de app worden weergegeven, moet je gestructureerde outputs gebruiken met pydantic en de OpenAI-client. Je definieert een schema voor filmrecommendaties en extraheert de gestructureerde resultaten.

Deze oefening maakt deel uit van de cursus

Werken met de OpenAI Responses API

Cursus bekijken

Oefeninstructies

  • Definieer een pydantic-klasse genaamd MovieRecommendation met de velden title, genre, vibe en why.
  • Genereer een gestructureerde aanbeveling met de klasse MovieRecommendation en de gegeven prompts.
  • Haal de geparste aanbeveling uit de response en raadpleeg vervolgens de title- en why-informatie.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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.____}")
Code bewerken en uitvoeren