Extrahera information från svaret

Nu när du har skickat din förfrågan och fått ett svar från OpenAI API är det dags att börja extrahera information från det. Svaret från Responses API innehåller mer än bara modellens utdata – det innehåller strukturerade utdata för chattapplikationer samt användbar metadata för spårning och byggande av en chatthistorik.

Ett svarsobjekt finns redan tillgängligt för dig att undersöka som response.

Den här övningen är en del av kursen

Arbeta med OpenAI Responses API

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

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

Redigera och kör kod

Den här övningen är en del av kursen

Arbeta med OpenAI Responses API

SkillTag.level.intermediateSkillTag.label

4.8+

Starta kursen gratis

Det har aldrig varit enklare att bygga AI-applikationer än med Responses API! Lär dig att anropa modeller via ett enkelt gränssnitt, bästa praxis för att arbeta med reasoning-modeller och hur du bygger dialoger fram och tillbaka med LLM:er.

Exercise 1: Responses API: utvecklarens bästa verktyg Exercise 2: Ditt första Responses API-anrop Exercise 3: Lägga till modellinstruktioner Exercise 4: Extrahera information från svaret

Aktuell övning

Exercise 5: Bemästra responsparametrar Exercise 6: Experimentera med kraftfullare modeller Exercise 7: Resonera om resonemang Exercise 8: Konversationskedjar Exercise 9: Från ett meddelande till nästa Exercise 10: Aktivera chattkonversationer

LLM:er är kraftfulla i sig – men de blir ännu kraftfullare när verktyg läggs till! Lär dig att integrera webbsökning i dina LLM-system utan extra API-nycklar eller autentiseringsuppgifter. Du får se att verktyg kan vara i princip vad som helst! Bygg egna verktyg som LLM:er kan anropa för att gå bortom modellernas grundläggande kapacitet.

Exercise 1: Responsobjekt: De grundläggande byggstenarna Exercise 2: Extrahera utdataelement och deras innehåll Exercise 3: Anpassa hantering med objekt Exercise 4: Webbsökning som fungerar direkt Exercise 5: Kombinera LLM:er och webbsökning Exercise 6: Bygg förtroende med LLM-källor Exercise 7: Funktionsanropsverktyg: Definiera funktionen Exercise 8: Arbetsflödet för funktionsanrop Exercise 9: Definiera en funktion för tidszonskonvertering Exercise 10: Funktionsanropande verktyg: hela arbetsflödet Exercise 11: Bygg OpenAI-verktygets definition Exercise 12: Integrera function-calling-verktyg

Ta dina LLM-system från konceptbevis till produktion med tre centrala designmönster. Lär dig att generera konsekventa och tillförlitliga strukturerade utdata, som JSON, med hjälp av LLM:er. Du använder även semantiska händelser för att strömma uppdateringar till dina användare och skapar interaktiva upplevelser. Avslutningsvis går du multimodalt och lär dig kombinera text och bilder med OpenAI:s GPT-5-modeller.

Exercise 1: Generera strukturerade utdata Exercise 2: Konsekventa svar, varje gång!Exercise 3: Nästlade Pydantic-klasser Exercise 4: Strömning med semantiska händelser Exercise 5: Strömning av OpenAI-svar Exercise 6: Strömning med semantiska händelser Exercise 7: Strömning med funktionsanrop Exercise 8: Flexibla indata och multimodalitet Exercise 9: Rollbaserade indata Exercise 10: Promptning med bilder från URL:er Exercise 11: Promptning med lokala bildfiler Exercise 12: Grattis!