Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Διαχείριση Σφαλμάτων και Κωδικοί HTTP

Μάθημα 12 / 22 Ενημερώθηκε 3 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Διαχείριση Σφαλμάτων και Κωδικοί HTTP
  2. Κωδικοί HTTP του OpenAI API
  3. Ολοκληρωμένος Διαχειριστής Σφαλμάτων
  4. Ειδικά Σφάλματα του Responses API
  5. Δομημένη Καταγραφή Σφαλμάτων (Logging)
  6. Πίνακας Σύνοψης
  7. Βασικά σημεία

Ενημερώθηκε στις 3 Νοεμβρίου 2026 με βάση την τεκμηρίωση της OpenAI: οι παράμετροι temperature και top_p γίνονται δεκτές μόνο με προσπάθεια συλλογισμού (reasoning effort) ίση με none, ενώ τα μοντέλα GPT-5.6 κάνουν συλλογισμό από προεπιλογή (medium). Επομένως, οι κλήσεις που ορίζουν αυτές τις παραμέτρους πρέπει να προσδιορίζουν reasoning={"effort": "none"} (Responses API) ή reasoning_effort="none" (Chat Completions). Πηγές: Χρήση του GPT-6 · GPT-5.6 Terra.

Διευκρινίστηκε στις 3 Νοεμβρίου 2026 με βάση τη σελίδα Deprecations της OpenAI: το παράδειγμα αφαιρεμένου μοντέλου χρησιμοποιούσε προηγουμένως το gpt-4o, το οποίο παραμένει διαθέσιμο έως τις 14 Ιανουαρίου 2027· τώρα χρησιμοποιεί το gpt-4-turbo, το οποίο διακόπηκε στις 23 Οκτωβρίου 2026 (υποδεικνυόμενη αντικατάσταση: gpt-5.6-sol). Πηγή: Deprecations.

Διαχείριση Σφαλμάτων και Κωδικοί HTTP

Σε περιβάλλον παραγωγής, τα σφάλματα είναι αναπόφευκτα. Το δίκτυο πέφτει, ένα κλειδί API λήγει, ένας συνάδελφος αναπτύσσει μια μη έγκυρη παράμετρο ή το ίδιο το API αντιμετωπίζει διακοπή τριών λεπτών. Η κατανόηση των κωδικών HTTP που επιστρέφει το API και η σωστή διαχείρισή τους είναι απαραίτητη για τη δημιουργία αξιόπιστων εφαρμογών. Όλη η πρόκληση συνοψίζεται σε μία ερώτηση που πρέπει να θέτετε για κάθε εξαίρεση: θα εξαφανιστεί αν κάνω επανάληψη, ή θα μπω σε ατέρμονο βρόχο σε ένα πρόβλημα που μόνο ένας άνθρωπος μπορεί να λύσει;

Κωδικοί HTTP του OpenAI API

Το API επιστρέφει τυπικούς κωδικούς HTTP για να υποδείξει το αποτέλεσμα κάθε αιτήματος. Το Python SDK δεν σας επιτρέπει να χειριστείτε αυτούς τους κωδικούς χειροκίνητα· αντ’ αυτού, μεταφράζει τον καθένα σε μια typed εξαίρεση που μπορείτε να παγιδεύσετε ξεχωριστά. Αυτό σας επιτρέπει να γράφετε ακριβή μπλοκ except αντί για ένα γενικό except Exception που θα θόλωνε τη φύση του προβλήματος.

from openai import OpenAI
from openai import (
    APIError,
    AuthenticationError,
    BadRequestError,
    RateLimitError,
    APIConnectionError,
    InternalServerError,
    PermissionDeniedError,
    NotFoundError,
    UnprocessableEntityError,
)

client = OpenAI()

401 — AuthenticationError

Ένας κωδικός 401 υποδεικνύει ότι το κλειδί API είναι μη έγκυρο ή λείπει. Συνήθως το βλέπετε κατά την πρώτη ανάπτυξη, όταν η μεταβλητή περιβάλλοντος δεν έχει διαδοθεί στο container. Η επανάληψη είναι άχρηστη: το κλειδί θα είναι εξίσου μη έγκυρο και σε δέκα δευτερόλεπτα.

try:
    # Μη έγκυρο ή λείπον κλειδί API
    bad_client = OpenAI(api_key="sk-invalid")
    bad_client.responses.create(
        model="gpt-5.6-terra",
        input="Test"
    )
except AuthenticationError as e:
    print(f"Code: {e.status_code}")  # 401
    print(f"Message: {e.message}")
    # Ενέργεια: επαληθεύστε το κλειδί API, αναδημιουργήστε το αν χρειάζεται

400 — BadRequestError

Ένας κωδικός 400 σας λέει ότι το αίτημα είναι κακοδιατυπωμένο. Εδώ, παρέχεται μια τιμή temperature 5.0 όταν η μέγιστη αποδεκτή τιμή είναι 2.0. Το μήνυμα σφάλματος σχεδόν πάντα ονομάζει την ελαττωματική παράμετρο, καθιστώντας αυτό το γρηγορότερο σφάλμα προς διόρθωση—υπό την προϋπόθεση ότι το καταγράφετε σωστά αντί να το καταπίνετε σιωπηλά.

try:
    # Μη έγκυρες παράμετροι
    client.responses.create(
        model="gpt-5.6-terra",
        reasoning={"effort": "none"},  # το temperature απαιτεί effort none
        input="Test",
        temperature=5.0  # Μη έγκυρη τιμή (μέγιστο 2.0)
    )
except BadRequestError as e:
    print(f"Code: {e.status_code}")  # 400
    print(f"Message: {e.message}")
    # Ενέργεια: διορθώστε τις παραμέτρους του αιτήματος

429 — RateLimitError

Ένας κωδικός 429 υποδεικνύει ότι στέλνετε πάρα πολλά αιτήματα ή έχετε ξεπεράσει την ποσόστωσή σας. Σε αντίθεση με τα δύο προηγούμενα, αυτό το σφάλμα είναι προσωρινό από τη φύση του: ο μετρητής μηδενίζεται. Αυτή είναι η κλασική περίπτωση για επανάληψη, αλλά μια επανάληψη που περιμένει—και περιμένει περισσότερο με κάθε προσπάθεια.

try:
    # Πάρα πολλά αιτήματα ή υπέρβαση ποσόστωσης
    client.responses.create(
        model="gpt-5.6-terra",
        input="Test"
    )
except RateLimitError as e:
    print(f"Code: {e.status_code}")  # 429
    print(f"Message: {e.message}")
    # Ενέργεια: περιμένετε και επαναλάβετε με εκθετική καθυστέρηση (exponential backoff)

500/503 — InternalServerError

Τα σφάλματα 500 και 503 προέρχονται από την OpenAI, όχι από εσάς. Το αίτημά σας ήταν έγκυρο· η υποδομή απλώς δεν μπόρεσε να το επεξεργαστεί. Επαναλάβετε μετά από μια καθυστέρηση: στη συντριπτική πλειοψηφία των περιπτώσεων, η δεύτερη ή τρίτη προσπάθεια succeeds.

try:
    client.responses.create(
        model="gpt-5.6-terra",
        input="Test"
    )
except InternalServerError as e:
    print(f"Code: {e.status_code}")  # 500 ή 503
    print(f"Message: {e.message}")
    # Ενέργεια: επανάληψη μετά από καθυστέρηση· το σφάλμα βρίσκεται στην πλευρά της OpenAI

Ολοκληρωμένος Διαχειριστής Σφαλμάτων

Ας συνδυάσουμε αυτές τις συμπεριφορές σε μία συνάρτηση. Η λογική είναι η διαλογή (triage): τα θανατηφόρα σφάλματα μετατρέπονται σε RuntimeError και εγείρονται αμέσως, τα παροδικά σφάλματα ενεργοποιούν μια αναμονή που διπλασιάζεται σε κάθε γύρο, και αν εξαντληθεί ο προϋπολογισμός προσπαθειών, η κλήση αποτυγχάνει καθαρά αντί να επιστρέφει μια κενή τιμή που ο καλώντας θα μπορούσε να παρερμηνεύσει.

from openai import OpenAI, APIError, AuthenticationError, RateLimitError
from openai import BadRequestError, APIConnectionError, InternalServerError
import time

client = OpenAI()

def robust_api_call(prompt: str, model: str = "gpt-5.6-terra",
                    max_retries: int = 3) -> str:
    """Κλήση API με ολοκληρωμένη διαχείριση σφαλμάτων."""

    for attempt in range(max_retries):
        try:
            response = client.responses.create(
                model=model,
                input=prompt
            )
            return response.output_text

        except AuthenticationError:
            # Μην επαναλάβετε — το κλειδί είναι μη έγκυρο
            raise RuntimeError("Μη έγκυρο κλειδί API. Ελέγξτε το OPENAI_API_KEY.")

        except BadRequestError as e:
            # Μην επαναλάβετε — το αίτημα είναι κακοδιατυπωμένο
            raise RuntimeError(f"Μη έγκυρο αίτημα: {e.message}")

        except RateLimitError:
            # Επανάληψη με εκθετική καθυστέρηση (exponential backoff)
            delay = 2 ** attempt
            print(f"Επιτεύχθηκε το όριο ρυθμού. Αναμονή {delay}s...")
            time.sleep(delay)

        except InternalServerError:
            # Επανάληψη — σφάλμα διακομιστή
            delay = 2 ** attempt
            print(f"Σφάλμα διακομιστή. Προσπάθεια {attempt + 1}/{max_retries}...")
            time.sleep(delay)

        except APIConnectionError:
            # Επανάληψη — πρόβλημα δικτύου
            delay = 2 ** attempt
            print(f"Σφάλμα σύνδεσης. Προσπάθεια {attempt + 1}/{max_retries}...")
            time.sleep(delay)

    raise RuntimeError(f"Αποτυχία μετά από {max_retries} προσπάθειες")

# Χρήση
try:
    result = robust_api_call("Hello!")
    print(result)
except RuntimeError as e:
    print(f"Θανατηφόρο σφάλμα: {e}")

Ειδικά Σφάλματα του Responses API

Δύο καταστάσεις αξίζουν ξεχωριστή μεταχείριση επειδή εμφανίζονται κάτω από έναν γενικό κωδικό αλλά απαιτούν μια πολύ συγκεκριμένη διόρθωση.

Πλαίσιο Πολύ Μεγάλο (Context Too Long)

Ένα prompt που υπερβαίνει το παράθυρο πλαισίου (context window) επιστρέφει 400, ακριβώς όπως ένα τυπογραφικό λάθος σε μια παράμετρο. Για να διακρίνετε μεταξύ των δύο, εξετάστε το μήνυμα: η παρουσία του context_length_exceeded σας κατευθύνει προς την περικοπή του κειμένου ή την εναλλαγή σε μοντέλο με μεγαλύτερο παράθυρο πλαισίου, αντί να αναθεωρείτε τις παραμέτρους σας.

try:
    response = client.responses.create(
        model="gpt-5.6-terra",
        input="x " * 300000  # Υπερβαίνει το παράθυρο πλαισίου
    )
except BadRequestError as e:
    if "context_length_exceeded" in str(e.message):
        print("Το prompt είναι πολύ μεγάλο για αυτό το μοντέλο.")
        print("Λύσεις: περικόψτε το κείμενο, ή αλλάξτε σε μοντέλο")
        print("με μεγαλύτερο παράθυρο πλαισίου.")

Μοντέλο Μη Διαθέσιμο

Τα αναγνωριστικά μοντέλων δεν είναι αιώνια. Μια ανάπτυξη που εξακολουθεί να αναφέρεται σε ένα αποσυρμένο μοντέλο αποτυγχάνει με 404, προκαλώντας την κατάρρευση ολόκληρης της εφαρμογής παρόλο που λειτουργούσε την προηγούμενη μέρα. Χειριστείτε αυτή την περίπτωση ρητά: είναι μια αυτόματη υπενθύμιση να ενημερώσετε τη διαμόρφωσή σας.

try:
    response = client.responses.create(
        model="gpt-4-turbo",  # αποσύρθηκε από το API στις 23 Οκτωβρίου 2026
        input="Test"
    )
except NotFoundError as e:
    print(f"Το μοντέλο δεν βρέθηκε: {e.message}")
    print("Χρησιμοποιήστε το gpt-5.6-sol, την αντικατάσταση που υποδεικνύει η OpenAI, ή ένα νεότερο μοντέλο.")

Δομημένη Καταγραφή Σφαλμάτων (Logging)

Ένα σφάλμα που δεν καταγράφεται είναι ένα σφάλμα που θα ανακαλύψετε μέσω ενός ticket πελάτη. Η καταγραφή σε JSON αντί για ελεύθερο κείμενο αλλάζει τα πάντα όταν χρειάζεται να κάνετε συσσωμάτωση: μπορείτε να μετρήσετε τα 429 ανά ώρα, να φιλτράρετε ανά response_id, ή να παρακολουθήσετε την απόκλιση κατανάλωσης, κάτι που είναι αδύνατο με χειροκίνητες γραμμές καταγραφής.

import logging
import json
from datetime import datetime

logging.basicConfig(level=logging.INFO)
logger = logging.getLogger("openai_client")

def call_with_log(prompt: str) -> str:
    """Κλήση API με δομημένη καταγραφή."""
    request_id = None

    try:
        response = client.responses.create(
            model="gpt-5.6-terra",
            input=prompt
        )

        logger.info(json.dumps({
            "event": "api_success",
            "model": response.model,
            "tokens": response.usage.total_tokens,
            "response_id": response.id,
            "timestamp": datetime.now().isoformat()
        }))

        return response.output_text

    except APIError as e:
        logger.error(json.dumps({
            "event": "api_error",
            "status_code": e.status_code,
            "message": e.message,
            "timestamp": datetime.now().isoformat()
        }))
        raise

result = call_with_log("Hello!")

Πίνακας Σύνοψης

Κρατήστε αυτόν τον πίνακα πρόχειρο: συνοψίζει την απόφαση που πρέπει να λάβετε για κάθε κωδικό.

CodeExceptionRetry?Action
400BadRequestErrorNoΔιορθώστε το αίτημα
401AuthenticationErrorNoΕπαληθεύστε το κλειδί API
403PermissionDeniedErrorNoΕπαληθεύστε τα δικαιώματα
404NotFoundErrorNoΕπαληθεύστε το μοντέλο/endpoint
422UnprocessableEntityErrorNoΔιορθώστε τη μορφή
429RateLimitErrorYesΕκθετική καθυστέρηση (Exponential backoff)
500InternalServerErrorYesΠεριμένετε και επαναλάβετε
503InternalServerErrorYesΗ υπηρεσία είναι προσωρινά μη διαθέσιμη

Βασικά σημεία

  • Κατηγοριοποιήστε τα σφάλματα: επαναλήψιμα (429, 500, 503) έναντι θανατηφόρων (400, 401, 403)
  • Χρησιμοποιήστε εκθετική καθυστέρηση (exponential backoff) για επαναλήψιμα σφάλματα
  • Μην επαναλαμβάνετε ποτέ σφάλματα πιστοποίησης ή μη έγκυρων αιτημάτων
  • Καταγράφετε κάθε σφάλμα με πλαίσιο (κωδικός, μήνυμα, χρονοσήμανση)
  • Το SDK χειρίζεται αυτόματα 2 επαναλήψεις — διαμορφώστε το max_retries αν χρειάζεται