Trích xuất thông tin từ phản hồi

Sau khi bạn đã gửi yêu cầu và nhận phản hồi từ OpenAI API, đây là lúc bắt đầu trích xuất thông tin từ đó. Phản hồi từ Responses API không chỉ có đầu ra của mô hình, mà còn có các đầu ra có cấu trúc cho ứng dụng chat và metadata hữu ích để theo dõi và xây dựng lịch sử trò chuyện.

Một đối tượng phản hồi đã được cung cấp sẵn để bạn khám phá dưới tên response.

Bài tập này là một phần của khóa học

Làm việc với OpenAI Responses API

Xem khóa học

Bài tập tương tác thực hành trực tiếp

Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.

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

Chỉnh sửa và Chạy Mã

Bài tập này là một phần của khóa học

Làm việc với OpenAI Responses API

SkillTag.level.intermediateSkillTag.label

4.8+

Bắt đầu khóa học miễn phí

Xây dựng ứng dụng AI chưa bao giờ dễ dàng hơn với Responses API! Học cách nhắc lệnh cho mô hình bằng một giao diện đơn giản, các thực tiễn tốt nhất khi làm việc với mô hình tư duy, và cách xây dựng hội thoại qua lại với LLM.

Exercise 1: Responses API: Người bạn đồng hành đắc lực của lập trình viên Exercise 2: Cuộc gọi Responses API đầu tiên của bạn Exercise 3: Thêm hướng dẫn cho model Exercise 4: Trích xuất thông tin từ phản hồi

Bài tập hiện tại

Exercise 5: Làm chủ các tham số của Response Exercise 6: Thử nghiệm với các mô hình mạnh hơn Exercise 7: Suy luận về Suy luận Exercise 8: Xâu chuỗi hội thoại Exercise 9: Từ tin nhắn này sang tin nhắn khác Exercise 10: Kích hoạt hội thoại dạng chat

LLM rất mạnh, và còn mạnh hơn nữa khi có công cụ đi kèm! Tìm hiểu cách tích hợp tìm kiếm web vào hệ thống LLM của bạn mà không cần thêm khóa API hay thông tin xác thực. Khám phá rằng “công cụ” có thể là… gần như mọi thứ! Tự xây dựng công cụ để LLM gọi nhằm vượt qua giới hạn khả năng gốc của mô hình.

Exercise 1: Response Items: Các khối xây dựng Exercise 2: Trích xuất các mục Output và nội dung của chúng Exercise 3: Sử dụng Items để xử lý tùy chỉnh Exercise 4: Tìm kiếm web hoạt động ngay Exercise 5: Kết hợp LLM và Tìm kiếm Web Exercise 6: Tăng độ tin cậy với nguồn từ LLM Exercise 7: Công cụ gọi hàm: Định nghĩa hàm Exercise 8: Quy trình công cụ gọi hàm (Function-Calling Tool)Exercise 9: Định nghĩa hàm để chuyển đổi múi giờ Exercise 10: Công cụ gọi hàm: Quy trình đầy đủ Exercise 11: Xây dựng Định nghĩa Tool cho OpenAI Exercise 12: Tích hợp công cụ gọi hàm (Function-Calling)

Đưa hệ thống LLM của bạn từ proof-of-concept đến sản phẩm với ba mô hình thiết kế chủ chốt. Học cách tạo đầu ra có cấu trúc ổn định và đáng tin cậy, như JSON, bằng LLM. Bạn cũng sẽ dùng sự kiện ngữ nghĩa để truyền phát cập nhật tới người dùng, tạo trải nghiệm tương tác và thú vị. Cuối cùng, hãy trở thành đa phương thức và học cách kết hợp văn bản với hình ảnh bằng các mô hình GPT-5 của OpenAI.

Exercise 1: Tạo đầu ra có cấu trúc Exercise 2: Đầu ra nhất quán, mọi lúc!Exercise 3: Lồng các lớp Pydantic Exercise 4: Streaming với Semantic Events Exercise 5: Streaming phản hồi từ OpenAI Exercise 6: Streaming các sự kiện ngữ nghĩa Exercise 7: Streaming với Function Calls Exercise 8: Tính linh hoạt đầu vào và đa phương thức Exercise 9: Đầu vào theo vai trò Exercise 10: Nhắc lệnh với hình ảnh từ URL Exercise 11: Nhắc lệnh với tệp ảnh cục bộ Exercise 12: Chúc mừng bạn!