Η πρώτη σας κλήση API
Σε αυτήν τη σελίδα
Το μάθημα ενημερώθηκε στις 3 Νοεμβρίου 2026 βάσει της τεκμηρίωσης της OpenAI: οι παράμετροι
temperatureκαιtop_pγίνονται δεκτές μόνο με επίπεδο συλλογισμού (reasoning effort) ίσο μεnone, ενώ τα μοντέλα GPT-5.6 συλλογίζονται από προεπιλογή (medium). Επομένως, οι κλήσεις που ορίζουν αυτές τις παραμέτρους πρέπει να προσδιορίζουνreasoning={"effort": "none"}(Responses API) ήreasoning_effort="none"(Chat Completions). Πηγές: Χρήση του GPT-6 · GPT-5.6 Terra.
Η πρώτη σας κλήση API
Το περιβάλλον σας είναι έτοιμο: ας ξεκινήσουμε τη δουλειά. Είστε έτοιμοι να πραγματοποιήσετε την πρώτη σας κλήση στο Responses API, να αναλύσετε το αντικείμενο που επιστρέφει και στη συνέχεια να χειριστείτε τις παραμέτρους που διαφοροποιούν μια γενική απάντηση από μια χρήσιμη.
Η απλούστερη κλήση
Χρειάζεστε μόνο δύο παραμέτρους: το model, που είναι το αναγνωριστικό του μοντέλου προς χρήση, και το input, την εντολή σας (prompt) —είτε ως συμβολοσειρά κειμένου είτε ως λίστα μηνυμάτων, όπως θα δούμε σύντομα.
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)...
Τι περιέχει πραγματικά η απάντηση
Το output_text είναι απλώς μια συντόμευση για ευκολία. Το αντικείμενο response περιέχει επίσης το μοναδικό του ID —απαραίτητο για την αλυσιδωτή σύνδεση ανταλλαγών και την αναζήτηση κλήσεων στα αρχεία καταγραφής σας—, το πραγματικό μοντέλο που χρησιμοποιήθηκε και μια ανάλυση της κατανάλωσης tokens. Κάντε συνήθεια να καταγράφετε αυτά τα τρία στοιχεία από τα πρώτα σας scripts. Αυτό είναι που θα σας επιτρέψει να απαντήσετε αργότερα στο ερώτημα: «Γιατί διπλασιάστηκε ο λογαριασμός αυτόν τον μήνα;».
response = client.responses.create(
model="gpt-5.6-terra",
input="Hello, how are you?"
)
# The response text (shortcut)
print(response.output_text)
# The unique ID of the response
print(f"ID: {response.id}")
# The model used
print(f"Model: {response.model}")
# Tokens consumed
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
Οι παράμετροι που έχουν σημασία
Η παράμετρος temperature διέπει τη μεταβλητότητα της παραγωγής. Στο 0.0, το μοντέλο επιλέγει συστηματικά την πιο πιθανή συνέχεια: αυτή είναι η ρύθμιση για ερωτήσεις γεγονότων, εξαγωγή δεδομένων και οτιδήποτε χρειάζεται να αναπαράγετε πανομοιότυπα. Στο 1.0, εξερευνά περισσότερο, κάτι που επιθυμείτε για ονοματοδοσίες, δημιουργική γραφή ή παραγωγή παραλλαγών.
# Low temperature (0.0) = deterministic, factual
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.
# High temperature (1.0) = creative, varied
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.
Η παράμετρος instructions αναλαμβάνει τον ρόλο του παλιού μηνύματος συστήματος: ορίζει τον ρόλο, τον τόνο και τους περιορισμούς που πρέπει να διατηρεί το μοντέλο καθ’ όλη τη διάρκεια της ανταλλαγής, ανεξάρτητα από την ερώτηση που τίθεται. Στο παρακάτω παράδειγμα, η ίδια ερώτηση χωρίς οδηγίες θα παρήγαγε μια λίστα γενικών συμβουλών· με αυτές, παράγει συνταγές.
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...
Τέλος, το max_output_tokens θέτει ένα ανώτατο όριο στο μήκος της απάντησης. Πρόκειται για ένα μέτρο προϋπολογιστικής ασφάλειας και όχι για οδηγία συγγραφής: η απάντηση διακόπτεται απότομα μόλις επιτευχθεί το όριο. Αν επιθυμείτε μια σύντομη και δομημένη απάντηση, ζητήστε το επίσης μέσα στην εντολή (prompt).
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
Μετάβαση σε δομημένη είσοδο
Όταν μια απλή συμβολοσειρά δεν αρκεί, το input δέχεται μια λίστα μηνυμάτων. Η ελάχιστη μορφή περιέχει έναν μόνο γύρο, αλλά το όφελος εμφανίζεται μόλις παρέχετε ιστορικό: το μοντέλο αποκτά τότε πρόσβαση σε ό,τι έχει ειπωθεί ήδη και απαντά αναλόγως. Εδώ, η «πρόοδος» νοείται στο πλαίσιο της Python και όχι αφηρημένα.
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
# With conversation context
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...
Μην αφήνετε ποτέ μια κλήση απροστάτευτη
Οι κλήσεις δικτύου αποτυγχάνουν και τα κλειδιά λήγουν. Τρεις εξαιρέσεις καλύπτουν τις περισσότερες περιπτώσεις κατά την εκκίνηση: AuthenticationError για missing ή μη έγκυρο κλειδί, RateLimitError όταν υπερβαίνετε την επιτρεπόμενη ροή δεδομένων και APIError ως γενικό δίχτυ ασφαλείας. Ένα ολόκληρο μάθημα θα επιστρέψει στην πλήρη στρατηγική, αλλά από σήμερα κιόλας, τυλίξτε τις κλήσεις σας σε bloc χειρισμού σφαλμάτων.
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}")
Για να εδραιώσετε όλα τα παραπάνω, γράψτε ένα script που θέτει τρεις ερωτήσεις και συσσωρεύει τα tokens που καταναλώθηκαν. Θα συνδυάσετε τον βρόχο κλήσεων, μια θερμοκρασία 0.0 για σταθερές απαντήσεις και την ανάγνωση του usage —τα τρία βασικά αντανακλαστικά.
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")
Βασικά σημεία
- Μια βασική κλήση απαιτεί μόνο τα
modelκαιinput - Το
response.output_textπαρέχει το κείμενο της απάντησης - Το
response.usageλεπτομερεί την κατανάλωση tokens - Το
temperatureελέγχει τη δημιουργικότητα (0.0 = factual, 1.0 = creative) - Το
instructionsαντικαθιστά το μήνυμα συστήματος από το Chat Completions - Να χειρίζεστε πάντα τα σφάλματα με bloc try/except