Kom igångKom igång gratis

Konsekventa svar, varje gång!

Du utvecklar ett personaliserat filmrekommendationssystem för en streamingtjänst. För att rekommendationerna ska kunna visas korrekt i appens gränssnitt behöver du använda strukturerade utdata med pydantic och OpenAI-klienten. Du definierar ett schema för filmrekommendationer och hämtar de strukturerade resultaten.

Den här övningen är en del av kursen

Arbeta med OpenAI Responses API

Visa kurs

Övningsinstruktioner

  • Definiera en pydantic-klass med namnet MovieRecommendation med fälten title, genre, vibe och why.
  • Generera en strukturerad rekommendation med klassen MovieRecommendation och de angivna promptarna.
  • Hämta den tolkade rekommendationen från svaret och kom sedan åt informationen i title och why.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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.____}")
Redigera och kör kod