Adicionando instruções ao modelo

Você está criando um sistema de IA para atendimento ao cliente em uma empresa de serviços financeiros. Por motivos de segurança e conformidade, a IA deve ter limites claros para responder apenas a perguntas sobre saldos de conta e histórico de transações. Ela deve recusar educadamente qualquer outro pedido, como redefinição de senha.

O cliente OpenAI já está disponível para você como client. Ele estará disponível ao longo do restante do curso.

Este exercício faz parte do curso

Trabalhando com a OpenAI Responses API

Instruções do exercício

Crie uma requisição para a Responses API ao "gpt-5-mini" que contenha instruções claras para responder apenas a perguntas sobre saldos de conta e histórico de transações, e não a outros pedidos como redefinição de senha.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Create a guardrailed AI response
response = client.responses.create(
    model=____,
    instructions="You are a customer support AI that only answers questions about ____. Politely decline any other requests such as ____.",
    input="Can you help me reset my password?"
)

print(response.output_text)

Editar e executar o código

Este exercício faz parte do curso

Trabalhando com a OpenAI Responses API

IntermediárioNível de habilidade

4.8+

Iniciar curso de graça

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: Responses API: a melhor amiga do desenvolvedor Exercise 2: Sua primeira chamada à Responses API Exercise 3: Adicionando instruções ao modelo

Exercício atual

Exercise 4: Extraindo informações da resposta Exercise 5: Dominando os parâmetros de resposta Exercise 6: Experimentando modelos mais poderosos Exercise 7: Raciocinando sobre o raciocínio Exercise 8: Encadeamento de Conversas Exercise 9: De uma mensagem para outra Exercise 10: Ativando conversas de 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!