Extragerea informațiilor din răspuns

Acum că ai trimis cererea și ai primit răspunsul de la OpenAI API, e momentul să extragi informații din el. Răspunsul de la Responses API conține mai mult decât rezultatul modelului – include rezultate structurate pentru aplicații de chat și metadate utile pentru urmărire și construirea unui istoric al conversației.

Un obiect de tip răspuns este deja disponibil pentru a-l analiza sub numele response.

Acest exercițiu face parte din cursul

Lucrul cu Responses API de la OpenAI

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Extract the number of output tokens
print(response.____.____)

Editează și rulează codul

Acest exercițiu face parte din cursul

Lucrul cu Responses API de la OpenAI

SkillTag.level.intermediateSkillTag.label

4.8+

Începe cursul gratuit

Crearea aplicațiilor AI nu a fost niciodată mai simplă decât cu Responses API! Învață cum să trimiți prompturi modelelor printr-o interfață simplă, descoperă cele mai bune practici pentru lucrul cu modelele de raționament și construiește conversații în timp real cu LLM-uri.

Exercise 1: Responses API: cel mai bun prieten al dezvoltatorului Exercise 2: Prima ta cerere către Responses API Exercise 3: Adăugarea instrucțiunilor pentru model Exercise 4: Extragerea informațiilor din răspuns

Exercițiul curent

Exercise 5: Stăpânirea parametrilor de răspuns Exercise 6: Experimentează cu modele mai puternice Exercise 7: Raționament despre raționament Exercise 8: Înlănțuirea conversațiilor Exercise 9: De la un mesaj la altul Exercise 10: Activarea conversațiilor de tip chat

LLM-urile sunt puternice, dar devin și mai capabile atunci când li se adaugă instrumente! Învață cum să integrezi căutarea pe web în sistemele tale LLM fără chei API sau credențiale suplimentare. Descoperă că instrumentele pot fi, practic, orice îți imaginezi! Creează propriile instrumente pe care LLM-urile să le apeleze, depășind astfel capabilitățile de bază ale modelelor.

Exercise 1: Elementele de răspuns: blocurile de bază Exercise 2: Extragerea elementelor de ieșire și a conținutului lor Exercise 3: Utilizarea elementelor pentru procesare personalizată Exercise 4: Căutare web fără complicații Exercise 5: Combinarea LLM-urilor cu căutarea pe web Exercise 6: Construind încredere cu sursele LLM Exercise 7: Instrumente cu apelare de funcții: Definirea funcției Exercise 8: Fluxul de lucru al instrumentelor cu apelare de funcții Exercise 9: Definirea unei funcții pentru conversia fusurilor orare Exercise 10: Instrumente cu apeluri de funcții: fluxul complet de lucru Exercise 11: Construirea definiției instrumentului OpenAI Exercise 12: Integrarea instrumentelor de tip function-calling

Treci sistemele LLM de la stadiul de concept la producție folosind trei paradigme cheie de design. Învață cum să generezi rezultate structurate consistente și fiabile, precum JSON, cu ajutorul LLM-urilor. Vei folosi, de asemenea, evenimente semantice pentru a transmite actualizări utilizatorilor în timp real, creând experiențe interactive și plăcute. În final, explorează zona multi-modală și învață cum să combini text și imagini cu modelele GPT-5 de la OpenAI.

Exercise 1: Generarea rezultatelor structurate Exercise 2: Rezultate consistente, de fiecare dată!Exercise 3: Imbricarea claselor Pydantic Exercise 4: Streaming cu evenimente semantice Exercise 5: Streaming cu răspunsuri OpenAI Exercise 6: Streaming cu evenimente semantice Exercise 7: Streaming cu apeluri de funcții Exercise 8: Flexibilitate la intrare și multimodalitate Exercise 9: Inputuri bazate pe roluri Exercise 10: Prompturi cu imagini din URL-uri Exercise 11: Prompting cu fișiere de imagine locale Exercise 12: Felicitări!