Twój pierwszy wywołanie API
Na tej stronie
Lekcja zaktualizowana 3 listopada 2026 na podstawie dokumentacji OpenAI: parametry
temperatureitop_psą akceptowane wyłącznie przy wysiłku rozumowania (reasoning effort) ustawionym nanone, podczas gdy modele GPT-5.6 domyślnie przeprowadzają rozumowanie (medium). Wywołania ustawiające te parametry muszą zatem określaćreasoning={"effort": "none"}(Responses API) lubreasoning_effort="none"(Chat Completions). Źródła: Using GPT-6 · GPT-5.6 Terra.
Twój pierwszy wywołanie API
Twoje środowisko jest gotowe: czas do pracy. Za chwilę wykonasz swoje pierwsze wywołanie do Responses API, przeanalizujesz zwracany obiekt, a następnie zmienisz parametry, które odróżniają odpowiedź ogólną od użytecznej.
Najprostsze wywołanie
Potrzebujesz tylko dwóch parametrów: model, czyli identyfikatora modelu, do którego się odwołujesz, oraz input, czyli Twojego promptu – może to być ciąg tekstowy lub lista wiadomości, jak wkrótce zobaczysz.
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)...
Co naprawdę zawiera odpowiedź
output_text to jedynie skrót dla wygody. Obiekt response zawiera również swój unikalny identyfikator – niezbędny do łączenia wymian i wyszukiwania wywołań w logach – faktycznie użyty model oraz szczegółowe zużycie tokenów. Przyzwyczaj się do rejestrowania tych trzech informacji już w pierwszych skryptach. To właśnie one pozwolą Ci później odpowiedzieć na pytanie: „Dlaczego rachunek w tym miesiącu się podwoił?“.
response = client.responses.create(
model="gpt-5.6-terra",
input="Hello, how are you?"
)
# The response text (shortcut)
print(response.output_text)
# The unique ID of the response
print(f"ID: {response.id}")
# The model used
print(f"Model: {response.model}")
# Tokens consumed
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
Parametry, które mają znaczenie
temperature steruje zmiennością generowania. Przy wartości 0,0 model systematycznie wybiera najbardziej prawdopodobną kontynuację: jest to ustawienie dla pytań faktograficznych, ekstrakcji danych i wszystkiego, co musi być identycznie odtwarzalne. Przy wartości 1,0 model eksploruje bardziej, co jest pożądane przy tworzeniu nazw, pisaniu kreatywnym lub generowaniu wariantów.
# Low temperature (0.0) = deterministic, factual
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.
# High temperature (1.0) = creative, varied
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.
Parametr instructions pełni rolę dawnego komunikatu systemowego: definiuje rolę, ton i ograniczenia, których model musi przestrzegać przez całą wymianę, niezależnie od zadawanego pytania. W poniższym przykładzie to samo pytanie zadane bez instrukcji spowodowałoby wygenerowanie listy ogólnych wskazówek; z instrukcjami model zaproponuje przepisy.
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...
Na koniec, max_output_tokens ogranicza długość odpowiedzi. Jest to zabezpieczenie budżetowe, a nie instrukcja stylistyczna: odpowiedź zostanie gwałtownie ucięta po osiągnięciu limitu. Jeśli chcesz uzyskać krótką, dobrze sformułowaną odpowiedź, poproś o to również w prompcie.
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
Przejście do strukturyzowanego wejścia
Gdy prosty ciąg znaków nie wystarcza, input akceptuje listę wiadomości. Minimalna forma zawiera jedną turę, ale korzyść pojawia się, gdy dostarczysz historię: model uzyskuje wtedy dostęp do tego, co już zostało powiedziane, i odpowiada odpowiednio. Tutaj słowo „postęp“ rozumiane jest w kontekście języka Python, a nie abstrakcyjnie.
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
# With conversation context
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...
Nigdy nie zostawiaj wywołania bez zabezpieczenia
Połączenia sieciowe zawodzą, a klucze wygasają. Trzy wyjątki pokrywają większość przypadków na początku: AuthenticationError dla brakującego lub nieprawidłowego klucza, RateLimitError gdy przekroczysz dozwoloną przepustowość, oraz APIError jako ogólna siatka bezpieczeństwa. Cała lekcja powróci do pełnej strategii, ale już od dziś opakowuj swoje wywołania w bloki obsługi błędów.
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}")
Aby utrwalić całą tę wiedzę, napisz skrypt, który zadaje trzy pytania i sumuje zużyte tokeny. Połączysz pętlę wywołań, temperaturę 0,0 dla stabilnych odpowiedzi oraz odczyt usage – trzy podstawowe odruchy.
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")
Kluczowe wnioski
- Podstawowe wywołanie wymaga tylko
modeliinput response.output_textdostarcza tekst odpowiedziresponse.usageszczegółowo opisuje zużycie tokenówtemperaturekontroluje kreatywność (0,0 = faktograficzne, 1,0 = kreatywne)instructionszastępują komunikat systemowy z Chat Completions- Zawsze obsługuj błędy za pomocą bloków try/except