Arkitektur for funktionskald i Responses API
På denne side
Opdateret 2. november 2026 baseret på OpenAI-dokumentation: Code Interpreter-værktøjet kræver nu en
container-parameter (tilføjet til alle eksempler), inputtekstdelene bruger typeninput_text, og websøgning bruger værktøjetweb_search(web_search_previewer nu et forældet værktøj uden domænefiltre). Genererede filer hentes ved hjælp af funktionernefichiers_generesogtelechargerfra lektion 10. Kilder: Code Interpreter · Web search.
Arkitektur for funktionskald i Responses API
Funktionskald er den centrale mekanisme, der giver OpenAI-modeller mulighed for at interagere med omverdenen. I Responses API er denne mekanisme blevet redesignet for at være mere robust, mere forudsigelig og naturligt integreret med indbyggede værktøjer som Web Search og Code Interpreter.
Det fundamentale princip
Modellen udfører aldrig noget direkte. Den udsender strukturerede intentioner, som din kode opfanger og eksekverer. Stillet op på den måde kan det lyde som en teknisk begrænsning; i virkeligheden er det det designvalg, der gør alt andet muligt.
Overvej alternativet. Hvis modellen selv udførte handlinger, ville du skulle udlevere dine databaselegitimationsoplysninger, API-nøgler og skriverettigheder – og du ville ikke have noget tidspunkt, hvor du kunne verificere noget. Med afkobling passerer hver intention gennem din kode: du validerer argumenter, håndhæver forretningsregler og nægter om nødvendigt. Modellen foreslår, din kode disponerer, og det er den grænseflade, der gør det muligt at sætte funktionskald i produktion uden at miste kontrollen.
from openai import OpenAI
client = OpenAI()
# Erklær et brugerdefineret værktøj
tools = [{
"type": "function",
"name": "rechercher_client",
"description": "Search for a client in the CRM by name or email",
"parameters": {
"type": "object",
"properties": {
"terme": {
"type": "string",
"description": "Client name, email, or ID"
},
"champ": {
"type": "string",
"enum": ["nom", "email", "id"],
"description": "Field to search in"
}
},
"required": ["terme"]
}
}]
response = client.responses.create(
model="gpt-5.6-terra",
input="Find the client Jean Dupont",
tools=tools
)
Anatomien af et svar
Et svar indeholder ikke enten tekst eller værktøjskald: output er en heterogen liste, der kan blande begge dele. Den vane, du skal opbygge fra din første kodelinje, er at iterere over denne liste i stedet for at læse output[0] – en model, der forklarer sin ræsonnement før den kalder en funktion, producerer netop dette tilfælde, og kode, der læser det første element, vil bryde den dag, den begynder at tilføje kommentarer.
for item in response.output:
if item.type == "function_call":
print(f"Call ID : {item.call_id}")
print(f"Function : {item.name}")
print(f"Args : {item.arguments}")
call_id er essentiel: den linker kaldet til dets resultat, når du sender svaret tilbage til modellen. Ved et enkelt kald lægger du næppe mærke til det; ved tre parallelle kald er det det eneste, der forhindrer dig i at tilskrive vejret i Lyon til forespørgslen om Marseille. Returnér altid resultatet med den call_id, du modtog, aldrig med en ID, du rekonstruerer på din side.
Den komplette løkke
Denne firetrinscyklus er invariant: den gælder for én funktion eller tyve, for et simpelt kald eller en agent, der kæder ti værktøjer sammen. Al den kompleksitet, du vil støde på senere – parallelisme, fejl, fallbacks – består i at instrumentere denne løkke, aldrig i at erstatte den.
import json
# 1. Første kald med erklærede værktøjer
response = client.responses.create(
model="gpt-5.6-terra",
input="What is the balance for client [email protected]?",
tools=tools
)
# 2. Registrer og udfør funktionskald
resultats = []
for item in response.output:
if item.type == "function_call":
if item.name == "rechercher_client":
args = json.loads(item.arguments)
resultat = votre_crm.rechercher(args["terme"])
resultats.append({
"type": "function_call_output",
"call_id": item.call_id,
"output": json.dumps(resultat)
})
# 3. Send resultater tilbage til modellen
response_finale = client.responses.create(
model="gpt-5.6-terra",
input=response.output + resultats,
tools=tools
)
# 4. Modellen formulerer sit naturlige svar
print(response_finale.output_text)
Nøgleforskelle fra Chat Completions
Responses API bringer flere arkitektoniske forbedringer med sig.
Natif håndtering af indbyggede værktøjer
Indbyggede værktøjer erklæres præcis som dine funktioner, men de eksekveres på OpenAIs side. Den praktiske konsekvens er behagelig: du behøver ikke skrive nogen løkke for dem. Modellen kalder, får resultatet og fortsætter, alt sammen i en enkelt rundtur. Løkken beskrevet ovenfor vedrører kun dine funktioner – dem, der kører på din maskine.
# Bland indbyggede og brugerdefinerede værktøjer
tools = [
{"type": "web_search"},
{"type": "code_interpreter", "container": {"type": "auto"}},
{
"type": "function",
"name": "ma_fonction",
"description": "My custom function",
"parameters": {"type": "object", "properties": {}}
}
]
stabile kald-identifikatorer
Hvert funktionskald modtager en unik call_id, der gør det muligt præcist at spore, hvilket resultat der svarer til hvilket kald, selv med parallelle kald.
Forenklet flow
Ingen behov for manuelt at administrere rollerne assistant og tool i beskeder. Feltet input accepterer direkte sammenkædning af tidligere outputs med funktionsresultater.
Hvornår kalder modellen en funktion?
Modellen beslutter at kalde en funktion, når brugerens forespørgsel kræver information, den ikke har, når funktionens beskrivelse matcher det identificerede behov, og når de krævede parametre kan udledes af konteksten.
Tre betingelser skal derfor være opfyldt samtidigt, og det er nyttigt til fejlfinding: når en funktion ikke bliver kaldt, selvom den burde være det, er årsagen næsten altid den anden – en beskrivelse, der ikke dækker den måde, brugeren formulerede sin forespørgsel på. Parameteren tool_choice giver dig mulighed for at gennemtvinge adfærd, når beskrivelsen ikke er nok:
# Lad modellen beslutte
tool_choice = "auto"
# Gennemtving et kald til en specifik funktion
tool_choice = {"type": "function", "name": "rechercher_client"}
# Forbyd alle funktionskald
tool_choice = "none"
# Kræv mindst ét kald uden at specificere hvilket
tool_choice = "required"
Vigtige pointer
- Funktionskald er en intentionsprotokol, ikke en eksekveringsprotokol
- Kald-udfør-returner-løkken er det fundamentale mønster
- Indbyggede og brugerdefinerede værktøjer sameksisterer i samme
tools-array call_idsikrer sporbarhed for hvert kaldtool_choicegiver dig mulighed for fint at styre modellens adfærd