Pāriet uz galveno saturu
Latviešu— Izvēlēties valodu
Izvēlne

Arhitektūra funkciju izsaukšanai Responses API

Nodarbība 1 no 20 Atjaunota 2026. gada 2. novembris Programmētājs
Šajā lapā
  1. Arhitektūra funkciju izsaukšanai Responses API
  2. Pamatprincips
  3. Atbildes uzbūve
  4. Pilns cikls
  5. Galvenās atšķirības no Chat Completions
  6. Kad modelis izsauc funkciju?
  7. Galvenās atziņas

Atjaunināts 2026. gada 2. novembrī, pamatojoties uz OpenAI dokumentāciju: Code Interpreter rīkam tagad ir nepieciešams container parametrs (pievienots visiem piemēriem), ievades teksta daļas izmanto input_text tipu, un tīmekļa meklēšana izmanto web_search rīku (web_search_preview tagad ir novecojis rīks bez domēna filtriem). Ģenerētie faili tiek iegūti, izmantojot fichiers_generes un telecharger funkcijas no 10. nodarbības. Avoti: Code Interpreter · Web search.

Arhitektūra funkciju izsaukšanai Responses API

Funkciju izsaukšana ir galvenais mehānisms, kas ļauj OpenAI modeļiem mijiedarboties ar ārējo pasauli. Responses API šis mehānisms ir pārveidots, lai tas būtu stabilāks, paredzamāks un dabiski integrēts ar iebūvētiem rīkiem, piemēram, tīmekļa meklēšanu un Code Interpreter.

Pamatprincips

Modelis nekad neveic nekādas darbības tieši. Tas ģenerē strukturētus nodomus, kurus tavs kods pārtver un izpilda. Izteikts šādi, tas varētu šķist kā tehnisks ierobežojums; patiesībā tas ir dizaina lēmums, kas padara iespējamu visu pārējo.

Apsver alternatīvu. Ja modelis pats izpildītu darbības, tev būtu jānodod tam savu datubāzes akreditācijas dati, API atslēgas un rakstīšanas tiesības — un tev nebūtu neviena punkta, kurā kaut ko pārbaudīt. Atdalot šos procesus, katrs nodoms iziet cauri tavam kodam: tu validē argumentus, piemēro biznesa noteikumus un nepieciešamības gadījumā atteicies no izpildes. Modelis piedāvā, tavs kods lemj, un tieši šī robeža ļauj ieviest funkciju izsaukšanu ražošanas vidē, nezaudējot kontroli.

from openai import OpenAI

client = OpenAI()

# Deklarējam pielāgotu rīku
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
)

Atbildes uzbūve

Atbilde nesatur vai nu tekstu, vai rīku izsaukumus: output ir neviendabīgs saraksts, kas var saturēt abus. Ieradums, kas jāiegūst jau pie pirmās koda rindiņas, ir iterēt cauri šim sarakstam, nevis lasīt output[0] — modelis, kas pirms funkcijas izsaukuma paskaidro savu spriešanas gaitu, rada tieši šādu situāciju, un kods, kas nolasa tikai pirmo elementu, sabruks tajā dienā, kad modelis sāks pievienot komentārus.

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 ir būtisks: tas saista izsaukumu ar tā rezultātu, kad nosūti atbildi atpakaļ modelim. Vienā izsaukumā tu to kaum pamanīsi; trīs paralēlos izsaukumos tas ir vienīgais, kas novērš situāciju, kurā Lionas laika apstākļus piedēvē pieprasījumam par Marseļu. Vienmēr atgriez rezultātu ar to call_id, ko saņēmi, nekad ar ID, ko pats rekonstruē savā pusē.

Pilns cikls

Šis četru soļu cikls ir nemainīgs: tas attiecas gan uz vienu funkciju, gan divdesmit, gan uz vienkāršu izsaukumu, gan aģentu, kas virkņē desmit rīkus. Visa sarežģītība, ar ko saskarsies vēlāk — paralēlisms, kļūdas, rezerves risinājumi — sastāv no šī cikla instrumentēšanas, nevis tā aizstāšanas.

import json

# 1. Pirmais izsaukums ar deklarētiem rīkiem
response = client.responses.create(
    model="gpt-5.6-terra",
    input="What is the balance for client [email protected]?",
    tools=tools
)

# 2. Atklāj un izpilda funkciju izsaukumus
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. Nosūta rezultātus atpakaļ modelim
response_finale = client.responses.create(
    model="gpt-5.6-terra",
    input=response.output + resultats,
    tools=tools
)

# 4. Modelis formulē savu dabisko atbildi
print(response_finale.output_text)

Galvenās atšķirības no Chat Completions

Responses API nodrošina vairākus arhitektūras uzlabojumus.

Iebūvēto rīku dabiska apstrāde

Iebūvētie rīki tiek deklarēti tieši tāpat kā tavas funkcijas, taču tie tiek izpildīti OpenAI pusē. Praktiskais ieguvums ir patīkams: tev nav jāraksta nekāds cikls priekš tiem. Modelis veic izsaukumu, saņem rezultātu un turpina darbu, viss vienā aprites ciklā. Iepriekš aprakstītais cikls attiecas tikai uz tavām funkcijām — tām, kas darbojas tavā mašīnā.

# Sajaucam iebūvētos un pielāgotos rīkus
tools = [
    {"type": "web_search"},
    {"type": "code_interpreter", "container": {"type": "auto"}},
    {
        "type": "function",
        "name": "ma_fonction",
        "description": "My custom function",
        "parameters": {"type": "object", "properties": {}}
    }
]

Stabilie izsaukumu identifikatori

Katrs funkciju izsaukums saņem unikālu call_id, kas ļauj precīzi izsekot, kurš rezultāts atbilst kuram izsaukumam, pat ja notiek paralēli izsaukumi.

Vienkāršota plūsma

Nav nepieciešams manuāli pārvaldīt assistant un tool lomas ziņojumos. Lauks input tieši pieņem iepriekšējo izvadu un funkciju rezultātu konkatenāciju.

Kad modelis izsauc funkciju?

Modelis nolemj izsaukt funkciju, ja lietotāja pieprasījumam ir nepieciešama informācija, kas tam nav pieejama, ja funkcijas apraksts atbilst identificētajai vajadzībai un ja nepieciešamos parametrus var secināt no konteksta.

Tādējādi vienlaicīgi ir jāizpildās trim nosacījumiem, un tas ir noderīgi atkļūdošanai: ja funkcija netiek izsaukta, lai gan tai vajadzētu būt, cēlonis gandrīz vienmēr ir otrais — apraksts, kas neaptver veidu, kā lietotājs formulējis savu pieprasījumu. Parametrs tool_choice ļauj piespiest uzvedību, ja apraksts nav pietiekams:

# Ļauj modelim lemt
tool_choice = "auto"

# Piespiež izsaukt konkrētu funkciju
tool_choice = {"type": "function", "name": "rechercher_client"}

# Aizliedz visus funkciju izsaukumus
tool_choice = "none"

# Pieprasa vismaz vienu izsaukumu, nenorādot, kurš
tool_choice = "required"

Galvenās atziņas

  • Funkciju izsaukšana ir nodomu protokols, nevis izpildes protokols
  • Cikls „izsaukums–izpilde–atgriešana” ir pamatparaugs
  • Iebūvētie un pielāgotie rīki līdzās pastāv vienā tools masīvā
  • call_id nodrošina katras darbības izsekojamību
  • tool_choice ļauj smalki kontrolēt modeļa uzvedību