De OpenAI-tooldefinitie bouwen

Je hebt de functie convert_timezone() gemaakt die de OpenTimezone API gebruikt om datetimes tussen tijdzones te converteren. Nu moet je een tooldefinitie maken in het OpenAI-formaat zodat de LLM begrijpt hoe deze functie te gebruiken. De tooldefinitie fungeert als handleiding voor het model en beschrijft het doel van de functie, de parameters en de vereisten.

Deze oefening maakt deel uit van de cursus

Werken met de OpenAI Responses API

Cursus bekijken

Oefeninstructies

Definieer een tool van het type "function" met de naam "convert_timezone".
Maak definities voor elk van de drie parameters van de functie: "date_time", "from_timezone" en "to_timezone".
Zorg dat alle drie de parameters als vereist zijn gemarkeerd door de tool.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

tools = [
    {
        # Define a function tool called convert_timezone
        "type": "____",
        "name": "____",
        "description": "Convert a datetime from one timezone to another using the OpenTimezone API.",
        "parameters": {
            "type": "object",
            # Define the parameter names, types, and descriptions
            "properties": {
                "____": {
                    "type": "____",
                    "description": "The datetime string in ISO format (e.g., '2025-01-20T14:30:00')"
                },
                "____": {
                    "type": "____",
                    "description": "The source timezone (e.g., 'America/New_York', 'Asia/Tokyo')"
                },
                "____": {
                    "type": "____",
                    "description": "The target timezone (e.g., 'Europe/London', 'Australia/Sydney')"
                }
            },
            # Ensure that all three parameters are required
            "____": ["date_time", "from_timezone", "to_timezone"],
            "additionalProperties": False
        }
    }
]

Code bewerken en uitvoeren

Deze oefening maakt deel uit van de cursus

Werken met de OpenAI Responses API

SkillTag.level.intermediateSkillTag.label

4.8+

Begin de cursus 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: The Responses API: a Developer's Best Friend Exercise 2: Your First Responses API Call Exercise 3: Adding Model Instructions Exercise 4: Extracting Information from the Response Exercise 5: Mastering Response Parameters Exercise 6: Experimenting with More Powerful Models Exercise 7: Reasoning About Reasoning Exercise 8: Conversation Chaining Exercise 9: From One Message to Another Exercise 10: Enabling Chat Conversations

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: de bouwstenen Exercise 2: Outputitems en hun inhoud extraheren Exercise 3: Items gebruiken voor maatwerkverwerking Exercise 4: Webzoekfunctie die gewoon werkt Exercise 5: LLM's en webzoekopdrachten combineren Exercise 6: Vertrouwen opbouwen met LLM-bronnen Exercise 7: Tools voor het aanroepen van functies: de functie definiëren Exercise 8: De workflow van de function-calling tool Exercise 9: Een functie definiëren voor het converteren van tijdzones Exercise 10: Functieaanroepende tools: de volledige workflow Exercise 11: De OpenAI-tooldefinitie bouwen

Huidige oefening

Exercise 12: Function-callingtools integreren

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!