Витягування інформації з відповіді

Ви надіслали запит і отримали відповідь від OpenAI API — час почати витягувати з неї інформацію. Відповідь від Responses API містить не лише вивід моделі. У ній є структуровані результати для чат-застосунків і корисні метадані для відстеження та побудови історії чату.

Об'єкт відповіді вже доступний для дослідження як response.

Ця вправа є частиною курсу

Робота з OpenAI Responses API

Переглянути курс

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

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

Редагувати та запускати код

Ця вправа є частиною курсу

Робота з OpenAI Responses API

SkillTag.level.intermediateSkillTag.label

4.8+

Почніть курс безкоштовно

Створювати застосунки на ШІ ще ніколи не було простіше з Responses API! Дізнайтеся, як формувати підказки для моделей через простий інтерфейс, найкращі практики роботи з моделями міркування та як будувати діалоги з LLM у форматі запит–відповідь.

Exercise 1: Responses API: найкращий помічник розробника Exercise 2: Ваш перший виклик Responses API Exercise 3: Додавання інструкцій для моделі Exercise 4: Витягування інформації з відповіді

Поточна вправа

Exercise 5: Впевнене володіння параметрами відповіді Exercise 6: Експериментуємо з потужнішими моделями Exercise 7: Міркування про міркування Exercise 8: Ланцюжки розмов Exercise 9: Від одного повідомлення до іншого Exercise 10: Увімкнення чат-розмов

LLM потужні самі по собі, але з інструментами вони стають ще сильнішими! Дізнайтеся, як інтегрувати вебпошук у ваші системи з LLM без додаткових API-ключів чи облікових даних. Відкрийте для себе, що інструменти можуть бути, по суті, будь-чим! Створіть власні інструменти, які LLM зможуть викликати, щоб вийти за межі базових можливостей моделі.

Exercise 1: Елементи відповіді: базові блоки Exercise 2: Витягування елементів виходу та їхнього вмісту Exercise 3: Використання елементів для спеціальної обробки Exercise 4: Пошук у вебі, що просто працює Exercise 5: Поєднання LLM і вебпошуку Exercise 6: Підвищуємо довіру завдяки джерелам LLM Exercise 7: Інструменти виклику функцій: визначення функції Exercise 8: Робочий процес інструмента з викликом функцій Exercise 9: Визначення функції для перетворення часових поясів Exercise 10: Інструменти виклику функцій: повний робочий процес Exercise 11: Створення визначення інструмента OpenAI Exercise 12: Інтеграція інструментів із викликом функцій

Переведіть ваші системи на базі LLM з прототипу в продакшн за допомогою трьох ключових підходів до проєктування. Навчіться генерувати послідовні та надійні структуровані результати, як-от JSON, за допомогою LLM. Ви також використаєте семантичні події, щоб транслювати оновлення користувачам і створювати інтерактивний, приємний досвід. Нарешті, перейдіть до мультимодальності та навчіться поєднувати текст і зображення з моделями OpenAI GPT-5.

Exercise 1: Створення структурованих виходів Exercise 2: Стабільні результати — щоразу!Exercise 3: Вкладені класи Pydantic Exercise 4: Стримінг за допомогою семантичних подій Exercise 5: Стримінг відповідей OpenAI Exercise 6: Стрімінг семантичних подій Exercise 7: Стримінг із викликами функцій Exercise 8: Гнучкість введення та мультимодальність Exercise 9: Вхідні дані на основі ролей Exercise 10: Підказування із зображеннями за URL Exercise 11: Підказування з локальними файлами зображень Exercise 12: Вітаємо!