Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Ein einfacher POST /v1/responses-Aufruf

Lektion 9 von 14 Aktualisiert am 3. November 2026 Entwickler
Auf dieser Seite
  1. Ihr erster erfolgreicher Aufruf
  2. Anforderungsstruktur
  3. Anatomie der Antwort
  4. Häufige optionale Parameter
  5. Gesprächsverlauf fortsetzen
  6. Kostenverfolgung
  7. Kernaussagen

Aktualisiert am 3. November 2026, basierend auf den xAI-Best Practices und der API-Referenz: Der Wert für temperature ist auf 1 begrenzt, und xAI empfiehlt 0,7 mit top_p bei 0,95. Quelle: Best Practices.

Ihr erster erfolgreicher Aufruf

Sie verfügen über ein Konto, einen API-Schlüssel und eine installierte SDK-Bibliothek. Es ist Zeit, Ihren ersten Aufruf an die Grok-API zu senden und die Struktur der Antwort zu verstehen. Diese Lektion konzentriert sich auf den Hauptendpunkt /v1/responses, den modernsten und am meisten empfohlenen Endpunkt.

Anforderungsstruktur

Der Endpunkt POST /v1/responses benötigt mindestens zwei Parameter:

  • model: Die ID des zu verwendenden Modells
  • input: Der Text Ihrer Anfrage (oder ein Array mit Inhalten für fortgeschrittene Fälle)

Minimale Anforderung in Python

from openai import OpenAI
import os

client = OpenAI(
    api_key=os.getenv("XAI_API_KEY"),
    base_url="https://api.x.ai/v1"
)

response = client.responses.create(
    model="grok-4.5",
    input="Welche Programmiersprache wird 2026 am weitesten verbreitet sein?"
)

print(response.output[0].content[0].text)

Mit Systemanweisungen

Der Parameter instructions ermöglicht es, das Verhalten des Modells festzulegen:

response = client.responses.create(
    model="grok-4.5",
    instructions="Sie sind ein Experte für Webentwicklung. Antworten Sie prägnant.",
    input="Was ist der Unterschied zwischen SSR und SSG?"
)

Anatomie der Antwort

Die API gibt ein strukturiertes JSON-Objekt zurück. Hier sind die wichtigsten Felder:

{
  "id": "resp-abc123",
  "object": "response",
  "status": "completed",
  "model": "grok-4.5",
  "output": [
    {
      "type": "message",
      "content": [
        {
          "type": "output_text",
          "text": "Die Antwort des Modells erscheint hier."
        }
      ],
      "status": "completed"
    }
  ],
  "usage": {
    "input_tokens": 42,
    "output_tokens": 156,
    "total_tokens": 198
  }
}

Wichtige Felder

  • id: Die eindeutige ID der Antwort, nützlich für die spätere Abrufung
  • status: completed, wenn die Generierung abgeschlossen ist
  • output: Ein Array, das die generierten Nachrichten enthält
  • usage: Zähler für Tokens zur Verfolgung Ihres Verbrauchs

Häufige optionale Parameter

Kreativität steuern

response = client.responses.create(
    model="grok-4.5",
    input="Vorschlagen Sie einen Namen für eine KI-Start-up-Firma.",
    temperature=0.7,  # der von xAI empfohlene Wert
    top_p=0.95,
)
  • Die API akzeptiert eine Temperatur zwischen 0 und 2, begrenzt aber höhere Werte auf 1
  • xAI empfiehlt temperature=0,7 und top_p=0,95 und rät davon ab, davon abzuweichen: Die Qualität nimmt in der Regel ab
  • Für mehr Kreativität bitten Sie dies im Prompt (“vorschlagen Sie unerwartete Namen”)

Länge begrenzen

response = client.responses.create(
    model="grok-4.5",
    input="Fassen Sie das Konzept des maschinellen Lernens zusammen.",
    max_output_tokens=200  # Begrenzt die Antwort
)

Rechenleistung aktivieren

Für Rechenleistungs-Modelle die Denkanstrengung anpassen:

response = client.responses.create(
    model="grok-4.20-0309-reasoning",
    input="Lösen Sie dieses Problem: Wenn 3x + 7 = 22, was ist x?",
    reasoning={"effort": "high"}
)

Die möglichen Stufen sind low, medium und high.

Gesprächsverlauf fortsetzen

Der Endpunkt /v1/responses unterstützt mehrstufige Gespräche über den Parameter previous_response_id:

# Erste Nachricht
r1 = client.responses.create(
    model="grok-4.5",
    input="Ich baue eine API in Python."
)

# Zweite Nachricht (das Modell erinnert sich an den Kontext)
r2 = client.responses.create(
    model="grok-4.5",
    input="Welches Framework empfehlen Sie?",
    previous_response_id=r1.id
)

Dieser Ansatz ist einfacher als die manuelle Verwaltung der Nachrichtenverlaufsgeschichte.

Kostenverfolgung

Das Feld usage in der Antwort ermöglicht die Berechnung der Kosten jedes Aufrufs. Das Feld output_tokens_details.reasoning_tokens zeigt an, wie viele Tokens in die interne Rechenleistung des Modells flossen (diese Tokens werden abgerechnet, erscheinen aber nicht in der Antwort).

Kernaussagen

  • Der Endpunkt POST /v1/responses ist der modernste und am meisten empfohlene
  • Zwei erforderliche Parameter: model und input
  • Die Antwort befindet sich in output[0].content[0].text
  • Verwenden Sie previous_response_id für mehrstufige Gespräche
  • Das Feld usage hilft Ihnen, Ihren Tokenverbrauch zu verfolgen