Tavo pirmasis API užklausimas
Šiame puslapyje
Pamoka atnaujinta 2026 m. lapkričio 3 d. pagal „OpenAI“ dokumentaciją: parametrai
temperatureirtop_ppriimami tik esant „reasoning“ pastangų lygiuinone, tuo tarpu GPT-5.6 modeliai pagal nutylėjimą samprotauja (medium). Todėl užklausose, kuriose nustatomi šie parametrai, būtina nurodytireasoning={"effort": "none"}(Responses API) arbareasoning_effort="none"(Chat Completions). Šaltiniai: Using GPT-6 · GPT-5.6 Terra.
Tavo pirmasis API užklausimas
Tavo aplinka paruošta: metas imtis darbo. Tu tuoj pat atliksi savo pirmąjį užklausimą „Responses API“, išanalizuosi grąžinamą objektą ir tada manipuliuosi parametrais, kurie atskiria bendrą atsakymą nuo naudingo.
Paprasčiausias užklausimas
Tau reikia tik dviejų parametrų: model – užklausiamo modelio identifikatorius, ir input – tavo užuomina (prompt), kuri gali būti teksto eilutė arba žinučių sąrašas, kaip netrukus pamatysi.
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)...
Ką iš tikrųjų turi atsakymas
output_text yra tik patogumo nuoroda. response objekte taip pat yra jo unikalus ID – būtinas keitimuisi žinutėmis grandine ir užklausų paieškai žurnaluose – naudojamas modelis ir suvartotų tokenų suvestinė. Įprask šiuos tris duomenis registruoti jau nuo pačių pirmųjų savo scenarijų. Būtent tai leis tau vėliau atsakyti į klausimą: „Kodėl šį mėnesį sąskaita padvigubėjo?“
response = client.responses.create(
model="gpt-5.6-terra",
input="Hello, how are you?"
)
# Atsakymo tekstas (nuoroda)
print(response.output_text)
# Unikalus atsakymo ID
print(f"ID: {response.id}")
# Naudotas modelis
print(f"Model: {response.model}")
# Suvartoti tokenai
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
Parametrai, kurie svarbūs
temperature valdo generavimo kintamumą. Esant 0.0, modelis sistemiškai pasirenka tikimiausią tęsinį: tai nustatymas faktiniams klausimams, duomenų išgavimui ir viskam, ką reikia atkurti identiškai. Esant 1.0, jis tyrinėja plačiau, ko ir nori vardų kūrimui, kūrybiniam rašymui ar variantų generavimui.
# Žema temperatūra (0.0) = deterministinis, faktinis
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.
# Aukšta temperatūra (1.0) = kūrybiškas, įvairus
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.
Parametras instructions atlieka senosios sistemos žinutės vaidmenį: jis apibrėžia vaidmenį, toną ir apribojimus, kurių modelis turi laikytis viso pokalbio metu, nepaisant užduodamo klausimo. Toliau pateiktame pavyzdyje tas pats klausimas, užduotas be instrukcijų, sugeneruotų bendrų patarimų sąrašą; su jomis – gaunami receptai.
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...
Galiausiai, max_output_tokens riboja atsakymo ilgį. Tai biudžetinė apsauga, o ne rašymo instrukcija: pasiekus ribą, atsakymas staiga nutraukiamas. Jei nori trumpo, tvarkingo atsakymo, paprašyk to ir pačioje užuominoje.
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
Perėjimas prie struktūrizuotos įvesties
Kai paprastos eilutės nepakanka, input priima žinučių sąrašą. Minimali forma turi vieną ėjimą, tačiau nauda atsiskleidžia tuoj pat, kai pateiki istoriją: modelis tada turi prieigą prie to, kas jau buvo pasakyta, ir atsako atitinkamai. Čia „pažanga“ suprantama Python kontekste, o ne abstrakčiai.
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
# Su pokalbio kontekstu
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...
Niekada nepalik užklausos neapsaugotos
Tinklo užklausos stringa, o raktai galioja ribotą laiką. Pradedant dažniausiai pasitaiko trys išimtys: AuthenticationError – kai trūksta arba neteisingas raktas, RateLimitError – kai viršijamas leidžiamas srautas, ir APIError – kaip bendras saugos tinklas. Visa strategija bus nagrinėjama atskiroje pamokoje, tačiau jau nuo šiandien apgaubk savo užklausas.
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}")
Norėdamas visa tai įtvirtinti, parašyk scenarijų, kuris užduoda tris klausimus ir susumuoja suvartotus tokenus. Sujungsi užklausų ciklą, 0.0 temperatūrą stabiliems atsakymams gauti ir usage nuskaitymą – tai trys pagrindiniai refleksai.
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")
Svarbiausi punktai
- Pagrindiniam užklausimui reikia tik
modelirinput response.output_textpateikia atsakymo tekstąresponse.usageišsamiai rodo tokenų suvartojimątemperaturevaldo kūrybiškumą (0.0 = faktinis, 1.0 = kūrybiškas)instructionspakeičia sistemos žinutę iš „Chat Completions“- Visada tvarkyk klaidas naudodamas
try/exceptblokus