Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Das Antwortformat verstehen

Lektion 4 von 16 Aktualisiert am 30. Juli 2026 Entwickler
Auf dieser Seite
  1. Anatomie einer Antwort
  2. Komplette Struktur
  3. Hauptfelder
  4. Das usage-Objekt verstehen
  5. Serverseitige Tool-Nutzung
  6. Text in Python extrahieren
  7. Wichtige Erkenntnisse

Anatomie einer Antwort

Wenn Sie eine Anfrage an POST /v1/responses senden, gibt der xAI-Server ein strukturiertes JSON-Objekt zurück. Das Verständnis jedes Feldes in diesem Objekt ist unerlässlich, um die Ergebnisse in Ihrer Anwendung korrekt zu verwenden.

Komplette Struktur

Hier ist eine typische Antwort:

{
  "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
  }
}

Hauptfelder

id

Die eindeutige Kennung für die Antwort im Format resp-xxx. Sie verwenden diese Kennung, um:

  • Gespräche mit previous_response_id zu verketten
  • Eine gespeicherte Antwort mit GET /v1/responses/{id} abzurufen
  • Eine Antwort mit DELETE /v1/responses/{id} zu löschen

status

Der Status der Antwort:

StatusBedeutung
completedAntwort wurde erfolgreich generiert
failedFehler während der Generierung
incompleteAntwort wurde unterbrochen (Token-Limit, Inhaltsfilter)
in_progressGenerierung läuft (Streaming)

Überprüfen Sie den Status immer vor der Verwendung des Antwortinhalts in Ihrem Code.

output

Ein Array, das die Antwortelemente enthält. Jedes Element hat ein type:

  • message: Textantwort des Modells
  • function_call: Vom Modell angeforderte Tool-Aufrufe

Der Textinhalt befindet sich bei output[0].content[0].text. Annotationen (Zitate, Links) sind im annotations-Array desselben Objekts enthalten.

usage

Nutzungsdaten, im Folgenden detailliert beschrieben.

Das usage-Objekt verstehen

Das usage-Objekt ist entscheidend für die Kostenverfolgung:

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

Eingabe- und Ausgabetokens

  • input_tokens: Anzahl der Tokens in Ihrer Eingabeaufforderung (und in der Historie bei der Verkettung von Gesprächen)
  • output_tokens: Gesamtzahl der generierten Tokens, inklusive der Rechen-Token
  • total_tokens: Summe beider Werte

Rechen-Token

output_tokens_details.reasoning_tokens gibt an, wie viele Tokens das Modell für seine interne Rechenleistung verwendet hat. Diese Tokens werden abgerechnet, sind aber nicht im Textantwort sichtbar.

Im obigen Beispiel sind von den 180 Ausgabetokens 120 für die Rechenleistung und nur 60 bilden die sichtbare Antwort. Dies ist ein typisches Verhältnis für Rechenmodelle.

Kosten in Nano-USD

cost_in_nano_usd gibt die exakten Kosten der Anfrage an. Die Umrechnung ist einfach:

Kosten in USD = cost_in_nano_usd / 1.000.000.000

Für unser Beispiel: 500000 / 1.000.000.000 = 0,0005 USD (0,0005 USD).

Serverseitige Tool-Nutzung

Wenn das Modell integrierte Tools verwendet, enthält das usage-Objekt zusätzlich:

{
  "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
  }
}

Dadurch erfahren Sie genau, welche Tools aufgerufen wurden und wie oft.

Text in Python extrahieren

Hier ist ein robustes Muster zum Extrahieren von Textinhalten:

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

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

# Nutzungsdaten anzeigen
print(f"Verwendete Tokens: {response.usage.total_tokens}")
print(f"Kosten: {response.usage.cost_in_nano_usd / 1e9:.6f} USD")

Wichtige Erkenntnisse

  • Jede Antwort verfügt über eine eindeutige id, die für die Verkettung oder den Abruf wiederverwendet werden kann
  • Der status muss immer vor der Verwendung des Inhalts überprüft werden
  • Der Text befindet sich bei output[0].content[0].text
  • reasoning_tokens werden abgerechnet, sind aber in der Antwort unsichtbar
  • Die Division von cost_in_nano_usd durch eine Milliarde ergibt die Kosten in Dollar