Din första API-anrop
På denna sida
Lektionen uppdaterad 3 november 2026 baserat på OpenAI:s dokumentation:
temperatureochtop_paccepteras endast med ett resonemangsarbete (reasoning effort) pånone, medan GPT-5.6-modeller resonerar som standard (medium). Anrop som ställer in dessa parametrar måste därför specificerareasoning={"effort": "none"}(Responses API) ellerreasoning_effort="none"(Chat Completions). Källor: Använda GPT-6 · GPT-5.6 Terra.
Din första API-anrop
Din miljö är redo: nu sätter vi igång. Du ska göra ditt första anrop till Responses API, dissekera objektet det returnerar och sedan manipulera de parametrar som skiljer ett generiskt svar från ett användbart ett.
Det enklaste anropet
Två parametrar är allt du behöver: model, identifieraren för modellen du vill fråga, och input, din prompt – antingen som en textsträng eller en lista med meddelanden, vilket vi snart ska se.
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)
# Resultat: 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)...
Vad svaret egentligen innehåller
output_text är bara en genväg för bekvämlighetens skull. Objektet response bär också på sitt unika ID – avgörande för att kedja samman utbyten och slå upp anrop i dina loggar – den faktiska modell som användes och en uppdelning av tokenförbrukningen. Gör det till en vana att logga dessa tre uppgifter från dina allra första skript. Det är detta som låter dig svara på frågan senare: “Varför fördubblades fakturan denna månad?”
response = client.responses.create(
model="gpt-5.6-terra",
input="Hello, how are you?"
)
# Svaretexten (genväg)
print(response.output_text)
# Det unika ID:t för svaret
print(f"ID: {response.id}")
# Den använda modellen
print(f"Modell: {response.model}")
# Förbrukade tokens
print(f"Input-tokens: {response.usage.input_tokens}")
print(f"Output-tokens: {response.usage.output_tokens}")
print(f"Totalt antal tokens: {response.usage.total_tokens}")
# Resultat:
# Hello! I'm doing very well, thank you. How can I help you?
# ID: resp_abc123xyz
# Modell: gpt-5.6-terra
# Input-tokens: 14
# Output-tokens: 19
# Totalt antal tokens: 33
Parametrarna som spelar roll
temperature styr variationen i genereringen. Vid 0,0 väljer modellen systematiskt den mest sannolika fortsättningen: detta är inställningen för faktabaserade frågor, dataextrahering och allt du behöver reproducera identiskt. Vid 1,0 utforskar den mer, vilket är vad du vill ha för namngivning, kreativt skrivande eller generering av varianter.
# Låg temperatur (0,0) = deterministiskt, faktabaserat
response_factual = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # temperature kräver effort none
input="What is the capital of Germany?",
temperature=0.0
)
print(response_factual.output_text)
# Resultat: The capital of Germany is Berlin.
# Hög temperatur (1,0) = kreativt, varierat
response_creative = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # temperature kräver effort none
input="Invent a name for a literary café.",
temperature=1.0
)
print(response_creative.output_text)
# Resultat: "The Wandering Pages"—a café where every table bears
# the name of a famous chapter.
Parametern instructions fyller rollen som det gamla systemmeddelandet: den definierar den roll, ton och de begränsningar som modellen måste hålla sig till under hela utbytet, oavsett vilken fråga som ställs. I exemplet nedan skulle samma fråga utan instruktioner producera en lista med generella tips; med dem produceras recept.
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)
# Resultat: Here are three ideas for your zucchini:
# 1. Zucchini gratin with goat cheese...
# 2. Provençal ratatouille...
# 3. Cold zucchini velouté with mint...
Slutligen sätter max_output_tokens ett tak för svarslängden. Detta är en budgetmässig säkerhetsåtgärd, inte en skrivinstruktion: svaret klipps abrupt av när gränsen nås. Om du vill ha ett kort och välformulerat svar, be om det även i prompten.
response = client.responses.create(
model="gpt-5.6-terra",
input="Explain general relativity.",
max_output_tokens=100
)
print(response.output_text)
print(f"Förbrukade tokens: {response.usage.output_tokens}")
# Svaret kommer att trunkeras vid cirka 100 tokens
Övergång till strukturerad input
När en enkel sträng inte räcker till accepterar input en lista med meddelanden. Den minimala formen innehåller en enda tur, men fördelen visar sig så snart du tillhandahåller historik: modellen får då tillgång till vad som redan sagts och svarar därefter. Här förstås “framsteg” i kontexten av Python, inte i abstrakt mening.
response = client.responses.create(
model="gpt-5.6-terra",
input=[
{
"role": "user",
"content": "Translate to English: Hello world"
}
]
)
print(response.output_text)
# Resultat: Hello world
# Med konversationskontext
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)
# Resultat: To improve in Python, I recommend that you...
Lämna aldrig ett anrop oskyddat
Nätverksanrop misslyckas och nycklar löper ut. Tre undantag täcker de flesta fall när du börjar: AuthenticationError för en saknad eller ogiltig nyckel, RateLimitError när du överskrider din tillåtna genomströmning, och APIError som ett generiskt säkerhetsnät. En hel lektion kommer att återvända till den fullständiga strategin, men från och med idag ska du kapsla in dina anrop.
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("Fel: Ogiltig eller saknad API-nyckel")
except RateLimitError:
print("Fel: För många förfrågningar, vänta en stund")
except APIError as e:
print(f"API-fel: {e.message}")
För att konsolidera allt detta, skriv ett skript som ställer tre frågor och ackumulerar de förbrukade tokens. Du kommer att kombinera anropsslingan, en temperatur på 0,0 för stabila svar och läsning av usage – de tre grundläggande reflexerna.
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 kräver effort none
input=question,
temperature=0.0
)
tokens = response.usage.total_tokens
total_tokens += tokens
print(f"F: {question}")
print(f"S: {response.output_text}")
print(f" ({tokens} tokens)\n")
print(f"Totalt: {total_tokens} tokens förbrukade")
Viktiga punkter
- Ett grundläggande anrop kräver endast
modelochinput response.output_textger svarstextenresponse.usagedetaljerar tokenförbrukningentemperaturestyr kreativiteten (0,0 = faktabaserat, 1,0 = kreativt)instructionsersätter systemmeddelandet från Chat Completions- Hantera alltid fel med try/except-block