Talba sempliċi POST /v1/responses
F'din il-paġna
Aġġornat fit-3 ta’ Novembru 2026, ibbażat fuq l-aħjar prattiki ta’ xAI u r-referenza tal-API: it-temperatura hija limitata għal 1, u xAI tirrakkomanda 0.7 b’
top_pfuq 0.95. Sors: Aħjar prattiki.
L-ewwel sejħa ta’ suċċess tiegħek
Għandek il-kont tiegħek, iċ-ċavetta tal-API tiegħek, u SDK installat. Wasal iż-żmien li tibgħat l-ewwel talba tiegħek lill-API ta’ Grok u tifhem l-istruttura tar-risposta. Din il-lezzjoni tiffoka fuq l-endpoint prinċipali, /v1/responses, l-aktar wieħed modern u rrakkomandat.
Struttura tat-talba
L-endpoint POST /v1/responses jeħtieġ mill-inqas żewġ parametri:
model: l-ID tal-mudell li għandu jintużainput: it-test tat-talba tiegħek (jew array ta’ kontenut għal każijiet avvanzati)
Talba minima f’Python
from openai import OpenAI
import os
client = OpenAI(
api_key=os.getenv("XAI_API_KEY"),
base_url="https://api.x.ai/v1"
)
response = client.responses.create(
model="grok-4.5",
input="What's the most widely used programming language in 2026?"
)
print(response.output[0].content[0].text)
B’istruzzjonijiet tas-sistema
Il-parametru instructions jippermettilek tiddefinixxi l-imġiba tal-mudell:
response = client.responses.create(
model="grok-4.5",
instructions="You are a web development expert. Answer concisely.",
input="What's the difference between SSR and SSG?"
)
Anatomija tar-risposta
L-API tirritorna oġġett JSON strutturat. Hawn huma l-oqsma ewlenin:
{
"id": "resp-abc123",
"object": "response",
"status": "completed",
"model": "grok-4.5",
"output": [
{
"type": "message",
"content": [
{
"type": "output_text",
"text": "The model's answer appears here."
}
],
"status": "completed"
}
],
"usage": {
"input_tokens": 42,
"output_tokens": 156,
"total_tokens": 198
}
}
Oqsma importanti
id: l-ID uniku tar-risposta, utli biex tirrikuprah aktar tardstatus:completedmeta l-ġenerazzjoni tkun lestaoutput: array li fih il-messaġġi ġġeneratiusage: għadd ta’ tokens biex traċċa l-konsum tiegħek
Parametri opzjonali komuni
Ikkontrolla l-kreattività
response = client.responses.create(
model="grok-4.5",
input="Suggest a name for an AI startup.",
temperature=0.7, # il-valur irrakkomandat minn xAI
top_p=0.95,
)
- L-API taċċetta temperatura minn 0 sa 2, iżda tillimita kwalunkwe valur ogħla għal 1
- xAI tirrakkomanda
temperature=0.7utop_p=0.95u tħeġġeġ biex ma tbiegħedx minnhom: il-kwalità ġeneralment tonqos - Għal aktar kreattività, itlobha fil-prompt (“issuġġerixxi ismijiet mhux mistennija”)
Illimita t-tul
response = client.responses.create(
model="grok-4.5",
input="Summarize the concept of machine learning.",
max_output_tokens=200 # Jillimita t-tweġiba
)
Attiva r-raġunament
Għal mudelli ta’ raġunament, aġġusta l-isforz tal-ħsieb:
response = client.responses.create(
model="grok-4.20-0309-reasoning",
input="Solve this problem: if 3x + 7 = 22, what is x?",
reasoning={"effort": "high"}
)
Il-livelli possibbli huma low, medium, u high.
Kompli konversazzjoni
L-endpoint /v1/responses jappoġġja konversazzjonijiet b’diversi dawriet permezz tal-parametru previous_response_id:
# L-ewwel messaġġ
r1 = client.responses.create(
model="grok-4.5",
input="I'm building an API in Python."
)
# It-tieni messaġġ (il-mudell jiftakar il-kuntest)
r2 = client.responses.create(
model="grok-4.5",
input="Which framework do you recommend?",
previous_response_id=r1.id
)
Dan l-approċċ huwa aktar sempliċi milli timmaniġġja l-istorja tal-messaġġi int stess.
Traċċa l-ispejjeż
Il-qasam usage fir-risposta jippermettilek tikkalkula l-ispiża ta’ kull sejħa. Il-qasam output_tokens_details.reasoning_tokens juri kemm-il token mar fir-raġunament intern tal-mudell (dawn it-tokens jiġu ffratturati iżda ma jidhrux fit-tweġiba).
Punti Ewlenin
- L-endpoint
POST /v1/responseshuwa l-aktar wieħed modern u rrakkomandat - Żewġ parametri meħtieġa:
modeluinput - It-tweġiba tinsab f’
output[0].content[0].text - Uża
previous_response_idgħal konversazzjonijiet b’diversi dawriet - Il-qasam
usagejgħinek traċċa l-konsum tat-tokens tiegħek