Dit første API-kald
På denne side
Lektionen opdateret 3. november 2026 baseret på OpenAI-dokumentation:
temperatureogtop_paccepteres kun med en ræsonneringsindsats pånone, hvorimod GPT-5.6-modeller ræsonnerer som standard (medium). Kald, der sætter disse parametre, skal derfor specificerereasoning={"effort": "none"}(Responses API) ellerreasoning_effort="none"(Chat Completions). Kilder: Brug af GPT-6 · GPT-5.6 Terra.
Dit første API-kald
Dit miljø er klar: lad os komme i gang. Du er ved at foretage dit første kald til Responses API, dissekere det objekt, det returnerer, og derefter manipulere de parametre, der adskiller et generisk svar fra et brugbart ét.
Det enkleste kald
To parametre er alt, hvad du behøver: model, identifikatoren for den model, du vil spørge, og input, din prompt – enten som en tekststreng eller en liste over beskeder, som vi snart skal se nærmere på.
from openai import OpenAI
client = OpenAI()
response = client.responses.create(
model="gpt-5.6-terra",
input="What is the difference between Python and JavaScript?"
)
print(response.output_text)
# Result: Python is a versatile language oriented toward data science
# and backend development, while JavaScript is primarily used for
# frontend and backend web development (via Node.js)...
Hvad svaret faktisk indeholder
output_text er blot en genvej. response-objektet indeholder også sit unikke ID – afgørende for at kæde udvekslinger sammen og slå kald op i dine logs – den faktiske model, der blev brugt, og en oversigt over tokenforbruget. Gør det til en vane at logge disse tre oplysninger helt fra dine første scripts. Det er dette, der vil gøre dig i stand til senere at besvare spørgsmålet: „Hvorfor fordoblede regningen sig denne måned?”
response = client.responses.create(
model="gpt-5.6-terra",
input="Hello, how are you?"
)
# Svarteksten (genvej)
print(response.output_text)
# Det unikke ID for svaret
print(f"ID: {response.id}")
# Den brugte model
print(f"Model: {response.model}")
# Forbrugte tokens
print(f"Input tokens: {response.usage.input_tokens}")
print(f"Output tokens: {response.usage.output_tokens}")
print(f"Total tokens: {response.usage.total_tokens}")
# Result:
# Hello! I'm doing very well, thank you. How can I help you?
# ID: resp_abc123xyz
# Model: gpt-5.6-terra
# Input tokens: 14
# Output tokens: 19
# Total tokens: 33
De parametre, der betyder noget
temperature styrer variationen i genereringen. Ved 0,0 vælger modellen systematisk den mest sandsynlige fortsættelse: dette er indstillingen til faktuelle spørgsmål, dataudtræk og alt, hvad du har brug for at reproducere identisk. Ved 1,0 udforsker den mere, hvilket er det, du ønsker til navngivning, kreativ skrivning eller generering af varianter.
# Lav temperatur (0,0) = deterministisk, faktuel
response_factual = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # temperature requires effort none
input="What is the capital of Germany?",
temperature=0.0
)
print(response_factual.output_text)
# Result: The capital of Germany is Berlin.
# Høj temperatur (1,0) = kreativ, varieret
response_creative = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # temperature requires effort none
input="Invent a name for a literary café.",
temperature=1.0
)
print(response_creative.output_text)
# Result: "The Wandering Pages"—a café where every table bears
# the name of a famous chapter.
Parameteren instructions overtager rollen som den gamle systembesked: den definerer den rolle, tone og de begrænsninger, som modellen skal overholde gennem hele udvekslingen, uanset hvilket spørgsmål der stilles. I eksemplet nedenfor ville det samme spørgsmål stillet uden instrukser producere en liste over generelle tips; med dem producerer det opskrifter.
response = client.responses.create(
model="gpt-5.6-terra",
instructions="You are an expert in French cuisine. "
"Always respond with recipe suggestions.",
input="I don't know what to do with zucchini."
)
print(response.output_text)
# Result: Here are three ideas for your zucchini:
# 1. Zucchini gratin with goat cheese...
# 2. Provençal ratatouille...
# 3. Cold zucchini velouté with mint...
Endelig sætter max_output_tokens et loft over længden af svaret. Dette er en budgetmæssig sikkerhedsforanstaltning, ikke en skriveinstruks: svaret afbrydes brat, når grænsen nås. Hvis du ønsker et kort og velformuleret svar, skal du også anmode om dette i prompten.
response = client.responses.create(
model="gpt-5.6-terra",
input="Explain general relativity.",
max_output_tokens=100
)
print(response.output_text)
print(f"Tokens used: {response.usage.output_tokens}")
# The response will be truncated at approximately 100 tokens
Overgang til struktureret input
Når en simpel streng ikke er nok, accepterer input en liste over beskeder. Den minimale form indeholder en enkelt tur, men fordelen viser sig, så snart du leverer historik: modellen får da adgang til det, der allerede er sagt, og svarer derefter. Her forstås „fremskridt” i konteksten af Python, ikke abstrakt.
response = client.responses.create(
model="gpt-5.6-terra",
input=[
{
"role": "user",
"content": "Translate to English: Hello world"
}
]
)
print(response.output_text)
# Result: Hello world
# Med samtalekontekst
response = client.responses.create(
model="gpt-5.6-terra",
input=[
{
"role": "user",
"content": "My favorite language is Python."
},
{
"role": "assistant",
"content": "Python is an excellent choice! It is very versatile."
},
{
"role": "user",
"content": "Give me a tip to improve."
}
]
)
print(response.output_text)
# Result: To improve in Python, I recommend that you...
Lad aldrig et kald være ubeskyttet
Netværkskald fejler, og nøgler udløber. Tre undtagelser dækker de fleste tilfælde, når du starter: AuthenticationError for en manglende eller ugyldig nøgle, RateLimitError når du overskrider din tilladte gennemstrømning, og APIError som et generisk sikkerhedsnet. En hel lektion vil vende tilbage til den fulde strategi, men fra i dag af skal du omslutte dine kald.
from openai import OpenAI, APIError, AuthenticationError, RateLimitError
client = OpenAI()
try:
response = client.responses.create(
model="gpt-5.6-terra",
input="Hello!"
)
print(response.output_text)
except AuthenticationError:
print("Error: Invalid or missing API key")
except RateLimitError:
print("Error: Too many requests, wait a moment")
except APIError as e:
print(f"API Error: {e.message}")
For at konsolidere alt dette skal du skrive et script, der stiller tre spørgsmål og akkumulerer de forbrugte tokens. Du vil kombinere kald-løkken, en temperatur på 0,0 for stabile svar og læsning af usage – de tre grundlæggende reflekser.
from openai import OpenAI
client = OpenAI()
questions = [
"What is the largest ocean in the world?",
"Who painted the Mona Lisa?",
"How many planets are in the solar system?"
]
total_tokens = 0
for question in questions:
response = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # temperature requires effort none
input=question,
temperature=0.0
)
tokens = response.usage.total_tokens
total_tokens += tokens
print(f"Q: {question}")
print(f"A: {response.output_text}")
print(f" ({tokens} tokens)\n")
print(f"Total: {total_tokens} tokens consumed")
Vigtige pointer
- Et basalt kald kræver kun
modeloginput response.output_textgiver svartekstenresponse.usagedetaljerer tokenforbrugettemperaturestyrer kreativiteten (0,0 = faktuel, 1,0 = kreativ)instructionserstatter systembeskeden fra Chat Completions- Håndtér altid fejl med try/except-blokke