Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Pochopení formátu odpovědi

Lekce 4 z 16 Aktualizováno 30. července 2026 Vývojář
Na této stránce
  1. Anatomie odpovědi
  2. Kompletní struktura
  3. Hlavní pole
  4. Porozumění objektu usage
  5. Využití nástrojů na straně serveru
  6. Extrakce textu v Pythonu
  7. Klíčové poznatky

Anatomie odpovědi

Když odešleš požadavek na POST /v1/responses, server xAI vrátí strukturovaný objekt JSON. Porozumění každému poli v tomto objektu je zásadní pro správné využití výsledků ve tvé aplikaci.

Kompletní struktura

Zde je typická odpověď:

{
  "id": "resp-abc123def456",
  "object": "response",
  "created_at": 1712000000,
  "status": "completed",
  "model": "grok-4.20-0309-reasoning",
  "output": [
    {
      "type": "message",
      "content": [
        {
          "type": "output_text",
          "text": "Le machine learning est une branche de l'IA...",
          "annotations": []
        }
      ],
      "status": "completed"
    }
  ],
  "usage": {
    "input_tokens": 45,
    "output_tokens": 180,
    "total_tokens": 225,
    "output_tokens_details": {
      "reasoning_tokens": 120
    },
    "cost_in_nano_usd": 500000
  }
}

Hlavní pole

id

Jedinečný identifikátor odpovědi ve formátu resp-xxx. Použiješ jej k:

  • Řetězení konverzací pomocí previous_response_id
  • Načtení uložené odpovědi pomocí GET /v1/responses/{id}
  • Smazání odpovědi pomocí DELETE /v1/responses/{id}

status

Stav odpovědi:

StavVýznam
completedOdpověď byla úspěšně vygenerována
failedBěhem generování došlo k chybě
incompleteOdpověď byla přerušena (limit tokenů, filtr obsahu)
in_progressGenerování probíhá (streaming)

Před použitím obsahu odpovědi ve svém kódu vždy zkontroluj stav.

output

Pole obsahující prvky odpovědi. Každý prvek má typ type:

  • message: Textová odpověď od modelu
  • function_call: Volání nástroje požadované modelem

Textový obsah se nachází na adrese output[0].content[0].text. Anotace (citace, odkazy) jsou v poli annotations stejného objektu.

usage

Informace o využití, podrobněji rozepsané níže.

Porozumění objektu usage

Objekt usage je klíčový pro sledování tvých nákladů:

{
  "input_tokens": 45,
  "output_tokens": 180,
  "total_tokens": 225,
  "output_tokens_details": {
    "reasoning_tokens": 120
  },
  "cost_in_nano_usd": 500000
}

Vstupní a výstupní tokeny

  • input_tokens: Počet tokenů v tvém promptu (a v historii, pokud řetězíš konverzace)
  • output_tokens: Celkový počet vygenerovaných tokenů, včetně uvažování
  • total_tokens: Součet obou hodnot

Tokeny uvažování

output_tokens_details.reasoning_tokens udává, kolik tokenů model použil pro své vnitřní uvažování. Tyto tokeny jsou zpoplatněny, ale v textové odpovědi nejsou viditelné.

V uvedeném příkladu je z 180 výstupních tokenů 120 určeno pro uvažování a pouze 60 tvoří viditelnou odpověď. To je pro modely zaměřené na uvažování typický poměr.

Náklady v nano-USD

cost_in_nano_usd udává přesné náklady na požadavek. Převod je jednoduchý:

Náklady v USD = cost_in_nano_usd / 1 000 000 000

Pro náš příklad: 500000 / 1 000 000 000 = 0,0005 USD (0,0005 $).

Využití nástrojů na straně serveru

Když model použije vestavěné nástroje, objekt usage navíc obsahuje:

{
  "server_side_tool_usage_details": {
    "web_search_calls": 2,
    "code_interpreter_calls": 0,
    "x_search_calls": 1,
    "document_search_calls": 0,
    "file_search_calls": 0,
    "mcp_calls": 0
  }
}

Díky tomu přesně zjistíš, které nástroje byly vyvolány a kolikrát.

Extrakce textu v Pythonu

Zde je robustní vzor pro extrakci textového obsahu:

response = client.responses.create(
    model="grok-4.20-0309-reasoning",
    input="Explique les listes en Python."
)

# Check status
if response.status == "completed":
    text = response.output[0].content[0].text
    print(text)
else:
    print(f"Error: status {response.status}")

# Display usage
print(f"Tokens used: {response.usage.total_tokens}")
print(f"Cost: {response.usage.cost_in_nano_usd / 1e9:.6f} USD")

Klíčové poznatky

  • Každá odpověď má jedinečné id, které lze znovu použít pro řetězení nebo načtení
  • Před použitím obsahu vždy zkontroluj status
  • Text se nachází na adrese output[0].content[0].text
  • reasoning_tokens jsou zpoplatněny, ale v odpovědi nejsou viditelné
  • Vydělením cost_in_nano_usd jednou miliardou získáš náklady v dolarech