Ga naar hoofdinhoud
Nederlands— Kies een taal
Menu

Uw eerste API-aanroep

Les 5 van 22 Bijgewerkt op 3 november 2026 Ontwikkelaar
Op deze pagina
  1. Uw eerste API-aanroep
  2. De eenvoudigste aanroep
  3. Wat het antwoord werkelijk bevat
  4. De parameters die ertoe doen
  5. Overstappen op gestructureerde input
  6. Laat nooit een aanroep onbeschermd
  7. Belangrijkste punten

Les bijgewerkt op 3 november 2026 op basis van OpenAI-documentatie: temperature en top_p worden alleen geaccepteerd met een redeneerinspanning van none, terwijl GPT-5.6-modellen standaard redeneren (medium). Aanroepen die deze parameters instellen, moeten daarom reasoning={"effort": "none"} (Responses API) of reasoning_effort="none" (Chat Completions) specificeren. Bronnen: Using GPT-6 · GPT-5.6 Terra.

Uw eerste API-aanroep

Uw omgeving is klaar: laten we aan de slag gaan. U staat op het punt uw eerste aanroep naar de Responses API te doen, het teruggegeven object te ontleden en vervolgens de parameters te manipuleren die een generiek antwoord onderscheiden van een bruikbaar antwoord.

De eenvoudigste aanroep

Twee parameters volstaan: model, de identificatie van het model dat u wilt bevragen, en input, uw prompt—hetzij een tekstreeks, hetzij een lijst met berichten, zoals we zo dadelijk zullen zien.

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)...

Wat het antwoord werkelijk bevat

output_text is slechts een handige snelkoppeling. Het response-object bevat ook zijn unieke ID—essentieel voor het ketenen van uitwisselingen en het opzoeken van aanroepen in uw logs—het daadwerkelijk gebruikte model en een uitsplitsing van het tokenverbruik. Maak er een gewoonte van om deze drie informatieonderdelen vanaf uw allereerste scripts te loggen. Hiermee kunt u later de vraag beantwoorden: “Waarom is de factuur deze maand verdubbeld?”

response = client.responses.create(
    model="gpt-5.6-terra",
    input="Hello, how are you?"
)

# De antwoordtekst (snelkoppeling)
print(response.output_text)

# De unieke ID van het antwoord
print(f"ID: {response.id}")

# Het gebruikte model
print(f"Model: {response.model}")

# Verbruikte tokens
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

De parameters die ertoe doen

temperature bepaalt de variabiliteit van de generatie. Bij 0,0 kiest het model systematisch voor de meest waarschijnlijke voortzetting: dit is de instelling voor feitelijke vragen, data-extractie en alles wat u identiek moet kunnen reproduceren. Bij 1,0 verkent het model meer, wat u wilt voor naamgeving, creatief schrijven of het genereren van varianten.

# Lage temperature (0.0) = deterministisch, feitelijk
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.

# Hoge temperature (1.0) = creatief, gevarieerd
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.

De parameter instructions vervult de rol van het oude systeembericht: het definieert de rol, toon en beperkingen die het model tijdens de hele uitwisseling moet handhaven, ongeacht de gestelde vraag. In het onderstaande voorbeeld zou dezelfde vraag zonder instructies een lijst met algemene tips opleveren; mét instructies levert het recepten op.

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...

Tot slot beperkt max_output_tokens de lengte van het antwoord. Dit is een budgettaire veiligheidsmaatregel, geen schrijfinstructie: het antwoord wordt abrupt afgebroken zodra de limiet is bereikt. Als u een kort, goed gevormd antwoord wilt, vraag daar dan ook om in de 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

Overstappen op gestructureerde input

Wanneer een eenvoudige reeks niet volstaat, accepteert input een lijst met berichten. De minimale vorm bevat één beurt, maar het voordeel wordt duidelijk zodra u geschiedenis meegeeft: het model heeft dan toegang tot wat er al is gezegd en antwoordt dienovereenkomstig. Hier wordt “vooruitgang” begrepen in de context van Python, niet in het abstracte.

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

# Met conversatiecontext
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...

Laat nooit een aanroep onbeschermd

Netwerkaanroepen mislukken en sleutels verlopen. Drie uitzonderingen dekken de meeste gevallen wanneer u begint: AuthenticationError bij een ontbrekende of ongeldige sleutel, RateLimitError wanneer u uw toegestane doorvoer overschrijdt, en APIError als een generiek veiligheidsnet. Een volledige les komt later terug op de volledige strategie, maar wikkel uw aanroepen vanaf vandaag al in.

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}")

Om dit alles te consolideren, schrijft u een script dat drie vragen stelt en het verbruikte tokenaantal accumuleert. U combineert hierin de aanroepllus, een temperature van 0,0 voor stabiele antwoorden en het uitlezen van usage—de drie basisreflexen.

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")

Belangrijkste punten

  • Een basisaanroep vereist alleen model en input
  • response.output_text levert de antwoordtekst
  • response.usage geeft details over het tokenverbruik
  • temperature stuurt de creativiteit aan (0,0 = feitelijk, 1,0 = creatief)
  • instructions vervangt het systeembericht uit Chat Completions
  • Behandel fouten altijd met try/except-blokken