Tavs pirmais API izsaukums
Šajā lapā
Nodarbība atjaunināta 2026. gada 3. novembrī, pamatojoties uz OpenAI dokumentāciju: parametri
temperatureuntop_ptiek pieņemti tikai tad, ja spriešanas piepūle (reasoning effort) ir iestatīta uznone, savukārt GPT-5.6 modeļi pēc noklusējuma veic spriešanu (medium). Tādēļ izsaukumos, kuros tiek iestatīti šie parametri, ir jānorādareasoning={"effort": "none"}(Responses API) vaireasoning_effort="none"(Chat Completions). Avoti: GPT-6 izmantošana · GPT-5.6 Terra.
Tavs pirmais API izsaukums
Tava vide ir sagatavota: ķeramies pie darba. Tu tūlīt veiksi savu pirmo izsaukumu Responses API, analizēsi atgriezto objektu un pēc tam manipulēsi ar parametriem, kas atšķir vispārīgu atbildi no noderīgas.
Vienkāršākais izsaukums
Tevis vajag tikai divus parametrus: model – modeļa identifikators, ko vēlies izmantot, un input – tavs uzdevums (prompt), kas var būt teksta virkne vai ziņojumu saraksts, kā drīz redzēsim.
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)...
Ko patiesībā satur atbilde
output_text ir tikai ērts saīsinājums. Objekts response satur arī savu unikālo ID – kas ir būtisks, lai ķēdētu sarunas un meklētu izsaukumus savos žurnālos –, faktiski izmantoto modeli un tokena patēriņa sadalījumu. Pieradini sevi šos trīs informācijas gabalus reģistrēt jau no saviem pirmajiem skriptiem. Tieši tas ļaus tev vēlāk atbildēt uz jautājumu: „Kāpēc šomēnes rēķins dubultojās?”
response = client.responses.create(
model="gpt-5.6-terra",
input="Hello, how are you?"
)
# Atbildes teksts (saīsinājums)
print(response.output_text)
# Atbildes unikālais ID
print(f"ID: {response.id}")
# Izmantotais modelis
print(f"Model: {response.model}")
# Patērētie tokeni
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
Parametri, kam ir nozīme
temperature nosaka ģenerēšanas mainīgumu. Pie 0,0 modelis sistemātiski izvēlas visticamāko turpinājumu: šis ir iestatījums faktisku jautājumu, datu ekstrakcijas un visa, kas jāreproducē identiski, gadījumā. Pie 1,0 tas pēta plašāk, kas ir vajadzīgs nosaukumu izdomāšanai, radošai rakstīšanai vai variantu ģenerēšanai.
# Zema temperatūra (0.0) = deterministiska, faktiska
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.
# Augsta temperatūra (1.0) = radoša, mainīga
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.
Parametrs instructions aizpilda vecā sistēmas ziņojuma lomu: tas definē lomu, toni un ierobežojumus, kas modelim jāievēro visas sarunas laikā neatkarīgi no uzdotā jautājuma. Tālāk redzamajā piemērā viens un tas pats jautājums bez instrukcijām radītu vispārīgu padomu sarakstu, bet ar tām – receptes.
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...
Visbeidzot, max_output_tokens ierobežo atbildes garumu. Tas ir budžeta drošības pasākums, nevis rakstīšanas norāde: atbilde tiek pēkšņi pārtraukta, tiklīdz tiek sasniegts limits. Ja vēlies īsu, labi noformētu atbildi, lūdz to arī pašā uzdevumā (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
Pāreja uz strukturētu ievadi
Kad vienkārša virkne nepietiek, input pieņem ziņojumu sarakstu. Minimālajā formā tas satur vienu gājienu, bet ieguvums parādās, tiklīdz norādi vēsturi: modelim tad ir pieeja jau teiktajam un tas atbilst attiecīgi. Šeit „progress” tiek saprasts Python kontekstā, nevis abstrakti.
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
# Ar sarunas 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...
Neatstāj nevienu izsaukumu neaizsargātu
Tīkla izsaukumi neizdodas un atslēgas beidzas. Trīs izņēmumi aptver lielāko daļu gadījumu iesācējiem: AuthenticationError trūkstošas vai nederīgas atslēgas gadījumā, RateLimitError, ja pārsniedz atļauto caurlaidspēju, un APIError kā vispārīgs drošības tīkls. Vēl viena nodarbība pilnībā atgriezīsies pie stratēģijas, bet sākot jau šodien, ietver savus izsaukumus aizsardzībā.
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}")
Lai visu to nostiprinātu, uzraksti skriptu, kas uzdod trīs jautājumus un uzkrāj patērētos tokenus. Tu apvienosi izsaukumu ciklu, temperatūru 0,0 stabilām atbildēm un usage lasīšanu – trīs pamata refleksus.
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")
Galvenās atziņas
- Pamata izsaukumam vajag tikai
modeluninput response.output_textnodrošina atbildes teksturesponse.usagedetalizēti parāda tokena patēriņutemperaturekontrolē radošumu (0,0 = faktisks, 1,0 = radošs)instructionsaizvieto sistēmas ziņojumu no Chat Completions- Vienmēr apstrādā kļūdas, izmantojot try/except blokus