Zacznij terazZacznij za darmo

Spójne wyniki za każdym razem!

Tworzysz spersonalizowany system rekomendacji filmów dla platformy streamingowej. Aby rekomendacje mogły być prawidłowo wyświetlane w interfejsie aplikacji, musisz użyć strukturyzowanych danych wyjściowych z biblioteką pydantic i klientem OpenAI. Zdefiniujesz schemat dla rekomendacji filmowych i wyodrębnisz strukturyzowane wyniki.

To ćwiczenie jest częścią kursu

Praca z API Responses OpenAI

Zobacz kurs

Instrukcje do ćwiczenia

  • Zdefiniuj klasę pydantic o nazwie MovieRecommendation z polami title, genre, vibe i why.
  • Wygeneruj strukturyzowaną rekomendację, używając klasy MovieRecommendation i dostarczonych promptów.
  • Wyodrębnij sparsowaną rekomendację z odpowiedzi, a następnie odczytaj informacje z pól title i why.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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-5.4-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.____}")
Edytuj i uruchom kod