Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Arhitektura pozivanja funkcija u Responses API-ju

Lekcija 1 od 20 Ažurirano 2. studenoga 2026. Programer
Na ovoj stranici
  1. Arhitektura pozivanja funkcija u Responses API-ju
  2. Temeljni princip
  3. Anatomija odgovora
  4. Potpuni ciklus
  5. Ključne razlike u odnosu na Chat Completions
  6. Kada model poziva funkciju?
  7. Ključne točke

Ažurirano 2. studenoga 2026. na temelju OpenAI dokumentacije: alat Code Interpreter sada zahtijeva parametar container (dodan svim primjerima), tekstualni dijelovi ulaza koriste vrstu input_text, a web pretraživanje koristi alat web_search (web_search_preview je sada zastarjeli alat bez filtara domena). Generirane datoteke dohvaćaju se pomoću funkcija fichiers_generes i telecharger iz Lekcije 10. Izvori: Code Interpreter · Web search.

Arhitektura pozivanja funkcija u Responses API-ju

Pozivanje funkcija ključni je mehanizam koji OpenAI modelima omogućuje interakciju s vanjskim svijetom. U Responses API-ju taj je mehanizam redizajniran kako bi bio robusniji, predvidljiviji i izvorno integriran s ugrađenim alatima poput Web Search i Code Interpreter.

Temeljni princip

Model nikada ništa ne radi izravno. On emitira strukturirane namjere koje tvoj kod presreće i izvršava. Tako izrečeno, to može zvučati kao tehničko ograničenje; u stvarnosti, to je dizajnerski izbor koji omogućuje sve ostalo.

Razmisli o alternativi. Da model sam izvršava radnje, morao bi mu predati vjerodajnice za bazu podataka, API ključeve i dopuštenja za pisanje – i ne bi imao točku u kojoj bi bilo što mogao verificirati. Uz razdvajanje, svaka namjera prolazi kroz tvoj kod: ti validiraš argumente, provodiš poslovna pravila i odbijaš poziv ako je potrebno. Model predlaže, tvoj kod raspolaže, a ta granica je ono što ti omogućuje uvođenje pozivanja funkcija u proizvodnju bez gubitka kontrole.

from openai import OpenAI

client = OpenAI()

# Deklariraj prilagođeni alat
tools = [{
    "type": "function",
    "name": "rechercher_client",
    "description": "Search for a client in the CRM by name or email",
    "parameters": {
        "type": "object",
        "properties": {
            "terme": {
                "type": "string",
                "description": "Client name, email, or ID"
            },
            "champ": {
                "type": "string",
                "enum": ["nom", "email", "id"],
                "description": "Field to search in"
            }
        },
        "required": ["terme"]
    }
}]

response = client.responses.create(
    model="gpt-5.6-terra",
    input="Find the client Jean Dupont",
    tools=tools
)

Anatomija odgovora

Odgovor ne sadrži ili tekst ili pozive alata: output je heterogeni popis koji može miješati oboje. Navika koju trebaš usvojiti od prve linije koda jest iterirati kroz taj popis umjesto čitanja output[0] – model koji objašnjava svoje rezoniranje prije poziva funkcije proizvodi upravo takav slučaj, a kod koji čita prvi element prestat će raditi onog dana kada model počne dodavati komentare.

for item in response.output:
    if item.type == "function_call":
        print(f"Call ID  : {item.call_id}")
        print(f"Function : {item.name}")
        print(f"Args     : {item.arguments}")

call_id je ključan: on povezuje poziv s njegovim rezultatom kada odgovor šalješ natrag modelu. Kod jednog poziva to jedva primijetiš; kod tri paralelna poziva, to je jedino što te sprječava da vremensku prognozu za Lyon pripišeš zahtjevu za Marseille. Uvijek vrati rezultat s call_id koji si primio, nikada s ID-jem koji rekonstruiraš na svojoj strani.

Potpuni ciklus

Ovaj četverostupanjski ciklus nepromjenjiv je: vrijedi za jednu funkciju ili dvadeset njih, za jednostavan poziv ili agenta koji lanča deset alata. Sva složenost s kojom ćeš se kasnije susresti – paralelizam, pogreške, rezervne opcije – sastoji se od instrumentiranja ove petlje, nikada njezine zamjene.

import json

# 1. Prvi poziv s deklariranim alatima
response = client.responses.create(
    model="gpt-5.6-terra",
    input="What is the balance for client [email protected]?",
    tools=tools
)

# 2. Detektiraj i izvrši pozive funkcija
resultats = []
for item in response.output:
    if item.type == "function_call":
        if item.name == "rechercher_client":
            args = json.loads(item.arguments)
            resultat = votre_crm.rechercher(args["terme"])
            resultats.append({
                "type": "function_call_output",
                "call_id": item.call_id,
                "output": json.dumps(resultat)
            })

# 3. Pošalji rezultate natrag modelu
response_finale = client.responses.create(
    model="gpt-5.6-terra",
    input=response.output + resultats,
    tools=tools
)

# 4. Model formulira svoj prirodni odgovor
print(response_finale.output_text)

Ključne razlike u odnosu na Chat Completions

Responses API donosi nekoliko arhitektonskih poboljšanja.

Izvorno rukovanje ugrađenim alatima

Ugrađeni alati deklariraju se točno kao tvoje funkcije, ali se izvršavaju na OpenAI-jevoj strani. Praktična posljedica je ugodna: ne pišeš nikakvu petlju za njih. Model pozove, dobije rezultat i nastavi, sve u jednom krugu komunikacije. Gornja petlja odnosi se samo na tvoje funkcije – one koje se izvršavaju na tvom stroju.

# Miješaj ugrađene i prilagođene alate
tools = [
    {"type": "web_search"},
    {"type": "code_interpreter", "container": {"type": "auto"}},
    {
        "type": "function",
        "name": "ma_fonction",
        "description": "My custom function",
        "parameters": {"type": "object", "properties": {}}
    }
]

Stabilni identifikatori poziva

Svaki poziv funkcije dobiva jedinstveni call_id koji ti omogućuje precizno praćenje kojem pozivu odgovara koji rezultat, čak i uz paralelne pozive.

Pojednostavljeni tijek

Nema potrebe za ručnim upravljanjem ulogama assistant i tool u porukama. Polje input izravno prihvaća spajanje prethodnih izlaza s rezultatima funkcija.

Kada model poziva funkciju?

Model odlučuje pozvati funkciju kada korisnikov zahtjev zahtijeva informacije koje on nema, kada opis funkcije odgovara identificiranoj potrebi i kada se potrebni parametri mogu zaključiti iz konteksta.

Dakle, tri uvjeta moraju biti istovremeno ispunjena, što je korisno za otklanjanje pogrešaka: kada se funkcija ne pozove iako bi trebala, uzrok je gotovo uvijek drugi – opis koji ne pokriva način na koji je korisnik formulirao svoj zahtjev. Parametar tool_choice omogućuje ti prisiljavanje ponašanja kada opis nije dovoljan:

# Pusti model da odluči
tool_choice = "auto"

# Prisili poziv specifične funkcije
tool_choice = {"type": "function", "name": "rechercher_client"}

# Zabrani sve pozive funkcija
tool_choice = "none"

# Zahtijevaj barem jedan poziv bez navođenja kojeg
tool_choice = "required"

Ključne točke

  • Pozivanje funkcija je protokol namjere, a ne protokol izvršenja
  • Petlja poziv-izvrši-vrati temeljni je obrazac
  • Ugrađeni i prilagođeni alati suživot u istom polju tools
  • call_id osigurava sljedivost za svaki poziv
  • tool_choice omogućuje fino upravljanje ponašanjem modela