Solicitud y uso de la API de Respuestas de OpenAI

OpenAI ha proporcionado recientemente una interfaz para crear respuestas de modelos. Proporciona entradas de texto o imagen para generar salidas de texto o imagen. Permite que el modelo llame a su propio código personalizado o use herramientas integradas, como búsqueda web o búsqueda de archivos, para utilizar sus propios datos como entrada para las respuestas del modelo. Este documento describe principalmente el proceso de uso de la API de Respuestas de OpenAI, que nos permite utilizar fácilmente la función de creación de respuestas de modelos de OpenAI.

Proceso de Solicitud

Para usar la API de Respuestas de OpenAI, primero dirígete a la consola de Ace Data Cloud para obtener tu Token de API, que debes guardar como respaldo.

Si aún no has iniciado sesión o registrado, serás redirigido automáticamente a la página de inicio de sesión que te invitará a registrarte e iniciar sesión; una vez completado, serás devuelto automáticamente a la página actual. Un Token de API es suficiente para acceder a todos los servicios de la plataforma, sin necesidad de solicitar uno por cada servicio. La primera solicitud te otorgará un crédito gratuito para que puedas probarlo; si el crédito es insuficiente, puedes recargar el saldo general en la consola.

📘 Documentación completa: API de Respuestas de OpenAI →

Uso Básico

A continuación, puedes completar el contenido correspondiente en la interfaz, como se muestra en la imagen:

En tu primera vez usando esta interfaz, necesitas completar al menos tres campos: uno es authorization, que puedes seleccionar directamente en la lista desplegable. El otro parámetro es model, que es la categoría del modelo de OpenAI ChatGPT que elegimos usar; aquí tenemos principalmente 20 modelos, los detalles se pueden ver en los modelos que proporcionamos. El último parámetro es input, que es un array de las preguntas que ingresamos; es un array que permite subir múltiples preguntas a la vez, cada pregunta contiene role y content, donde role indica el rol del preguntador, y hemos proporcionado tres identidades: user, assistant, system. El otro content es el contenido específico de nuestra pregunta. También puedes notar que a la derecha hay un código de llamada correspondiente que puedes copiar y ejecutar directamente, o puedes hacer clic en el botón “Try” para realizar pruebas. Parámetros opcionales comunes:

max_tokens: limita el número máximo de tokens en una sola respuesta.
temperature: genera aleatoriedad, entre 0-2, cuanto mayor sea el valor, más disperso será.
n: cuántas respuestas candidatas generar a la vez.
response_format: configuración del formato de respuesta.
tools: definición de llamadas a funciones/herramientas.
background: si se ejecuta de forma asíncrona en segundo plano.

Después de la llamada, encontramos que el resultado devuelto es el siguiente:

{
  "id": "resp_68a98322e3c88191a027de2711a02a490554cad0b36c0400",
  "object": "response",
  "created_at": 1755939618,
  "status": "completed",
  "background": false,
  "content_filters": null,
  "error": null,
  "incomplete_details": null,
  "instructions": null,
  "max_output_tokens": null,
  "max_tool_calls": null,
  "model": "gpt-5.5",
  "output": [
    {
      "id": "msg_68a98323422c8191a7f383eea48ba5160554cad0b36c0400",
      "type": "message",
      "status": "completed",
      "content": [
        {
          "type": "output_text",
          "annotations": [],
          "text": "¡Hola! ¿Cómo puedo ayudarte hoy?"
        }
      ],
      "role": "assistant"
    }
  ],
  "parallel_tool_calls": true,
  "previous_response_id": null,
  "prompt_cache_key": null,
  "reasoning": {
    "effort": null,
    "summary": null
  },
  "safety_identifier": null,
  "service_tier": "default",
  "store": true,
  "temperature": 1,
  "text": {
    "format": {
      "type": "text"
    }
  },
  "tool_choice": "auto",
  "tools": [],
  "top_p": 1,
  "truncation": "disabled",
  "usage": {
    "input_tokens": 8,
    "input_tokens_details": {
      "cached_tokens": 0
    },
    "output_tokens": 10,
    "output_tokens_details": {
      "reasoning_tokens": 0
    },
    "total_tokens": 18
  },
  "user": null,
  "metadata": {}
}

El resultado devuelto tiene varios campos, que se describen a continuación:

id, el ID de la tarea de conversación generada, utilizado para identificar de manera única esta tarea de conversación.
model, el modelo de OpenAI ChatGPT seleccionado.
output, la información de respuesta que ChatGPT proporciona para la pregunta.
usage: estadísticas sobre el uso de tokens para esta pregunta y respuesta.

Donde output contiene la información de respuesta de ChatGPT, y dentro de output se puede ver la respuesta de ChatGPT, como se muestra en la imagen.

Se puede observar que el campo content dentro de output contiene el contenido específico de la respuesta de ChatGPT.

Respuesta en Flujo

Esta interfaz también admite respuestas en flujo, lo cual es muy útil para la integración en páginas web, ya que permite mostrar el contenido palabra por palabra. Si deseas que la respuesta se devuelva en flujo, puedes cambiar el parámetro stream en el encabezado de la solicitud a true. El cambio se muestra en la imagen, pero el código de llamada necesita tener los cambios correspondientes para admitir respuestas en flujo.

Una vez que cambies stream a true, la API devolverá los datos JSON correspondientes línea por línea; a nivel de código, necesitamos hacer los cambios necesarios para obtener los resultados línea por línea. Código de ejemplo de llamada en Python:

import requests

url = "https://api.acedata.cloud/openai/responses"

headers = {
    "accept": "application/json",
    "authorization": "Bearer {token}",
    "content-type": "application/json"
}

payload = {
    "model": "gpt-4.1",
    "input": [{"role":"user","content":"Hello"}],
    "stream": True
}

response = requests.post(url, json=payload, headers=headers)
print(response.text)

El efecto de salida es el siguiente:

data: {"type": "response.created", "sequence_number": 0, "response":
{"id": "resp_68a9837bb9bc8190b403947311db6faa0721186e8fbb89d0", "object": "respuesta", "created_at": 1755939707, "status": "en_progreso", "background": false, "content_filters": null, "error": null, "incomplete_details": null, "instructions": null, "max_output_tokens": null, "max_tool_calls": null, "model": "gpt-4.1-data", "output": [], "parallel_tool_calls": true, "previous_response_id": null, "prompt_cache_key": null, "reasoning": {"effort": null, "summary": null}, "safety_identifier": null, "service_tier": "auto", "store": true, "temperature": 1.0, "text": {"format": {"type": "texto"}}, "tool_choice": "auto", "tools": [], "top_p": 1.0, "truncation": "deshabilitado", "usage": null, "user": null, "metadata": {}}, "model": "gpt-4.1"} 

data: {"type": "respuesta.en_progreso", "sequence_number": 1, "response": {"id": "resp_68a9837bb9bc8190b403947311db6faa0721186e8fbb89d0", "object": "respuesta", "created_at": 1755939707, "status": "en_progreso", "background": false, "content_filters": null, "error": null, "incomplete_details": null, "instructions": null, "max_output_tokens": null, "max_tool_calls": null, "model": "gpt-4.1-data", "output": [], "parallel_tool_calls": true, "previous_response_id": null, "prompt_cache_key": null, "reasoning": {"effort": null, "summary": null}, "safety_identifier": null, "service_tier": "auto", "store": true, "temperature": 1.0, "text": {"format": {"type": "texto"}}, "tool_choice": "auto", "tools": [], "top_p": 1.0, "truncation": "deshabilitado", "usage": null, "user": null, "metadata": {}}, "model": "gpt-4.1"} 

data: {"type": "respuesta.output_item.agregado", "sequence_number": 2, "output_index": 0, "item": {"id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "type": "mensaje", "status": "en_progreso", "content": [], "role": "asistente"}, "model": "gpt-4.1"} 

data: {"type": "respuesta.content_part.agregado", "sequence_number": 3, "item_id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "output_index": 0, "content_index": 0, "part": {"type": "output_text", "annotations": [], "text": ""}, "model": "gpt-4.1"} 

data: {"type": "respuesta.output_text.delta", "sequence_number": 4, "item_id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "output_index": 0, "content_index": 0, "delta": "¡Hola", "model": "gpt-4.1"} 

data: {"type": "respuesta.output_text.delta", "sequence_number": 5, "item_id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "output_index": 0, "content_index": 0, "delta": "!", "model": "gpt-4.1"} 

data: {"type": "respuesta.output_text.delta", "sequence_number": 6, "item_id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "output_index": 0, "content_index": 0, "delta": " ¿Cómo", "model": "gpt-4.1"} 

data: {"type": "respuesta.output_text.delta", "sequence_number": 7, "item_id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "output_index": 0, "content_index": 0, "delta": " puedo", "model": "gpt-4.1"} 

data: {"type": "respuesta.output_text.delta", "sequence_number": 8, "item_id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "output_index": 0, "content_index": 0, "delta": " ayudarte", "model": "gpt-4.1"} 

data: {"type": "respuesta.output_text.delta", "sequence_number": 9, "item_id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "output_index": 0, "content_index": 0, "delta": " hoy", "model": "gpt-4.1"} 

data: {"type": "respuesta.output_text.delta", "sequence_number": 10, "item_id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "output_index": 0, "content_index": 0, "delta": "?", "model": "gpt-4.1"} 

data: {"type": "respuesta.output_text.delta", "sequence_number": 11, "item_id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "output_index": 0, "content_index": 0, "delta": " 😊", "model": "gpt-4.1"} 

data: {"type": "respuesta.output_text.done", "sequence_number": 12, "item_id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "output_index": 0, "content_index": 0, "text": "¡Hola! ¿Cómo puedo ayudarte hoy? 😊", "model": "gpt-4.1"} 

data: {"type": "respuesta.content_part.done", "sequence_number": 13, "item_id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "output_index": 0, "content_index": 0, "part": {"type": "output_text", "annotations": [], "text": "¡Hola! ¿Cómo puedo ayudarte hoy? 😊"}, "model": "gpt-4.1"} 

data: {"type": "respuesta.output_item.done", "sequence_number": 14, "output_index": 0, "item": {"id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "type": "mensaje", "status": "completado", "content": [{"type": "output_text", "annotations": [], "text": "¡Hola! ¿Cómo puedo ayudarte hoy? 😊"}], "role": "asistente"}, "model": "gpt-4.1"} 

data: {"type": "respuesta.completada", "sequence_number": 15, "response":
{"id": "resp_68a9837bb9bc8190b403947311db6faa0721186e8fbb89d0", "object": "response", "created_at": 1755939707, "status": "completed", "background": false, "content_filters": null, "error": null, "incomplete_details": null, "instructions": null, "max_output_tokens": null, "max_tool_calls": null, "model": "gpt-4.1-data", "output": [{"id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "type": "message", "status": "completed", "content": [{"type": "output_text", "annotations": [], "text": "¡Hola! ¿Cómo puedo ayudarte hoy? 😊"}], "role": "assistant"}], "parallel_tool_calls": true, "previous_response_id": null, "prompt_cache_key": null, "reasoning": {"effort": null, "summary": null}, "safety_identifier": null, "service_tier": "default", "store": true, "temperature": 1.0, "text": {"format": {"type": "text"}}, "tool_choice": "auto", "tools": [], "top_p": 1.0, "truncation": "disabled", "usage": {"input_tokens": 8, "input_tokens_details": {"cached_tokens": 0}, "output_tokens": 11, "output_tokens_details": {"reasoning_tokens": 0}, "total_tokens": 19}, "user": null, "metadata": {}}, "model": "gpt-4.1"}

Se puede ver que la respuesta contiene muchos data, y el delta dentro de data es el contenido de la respuesta más reciente, que coincide con lo que se presentó anteriormente. El delta es el contenido de respuesta nuevo, y puede integrarse en su sistema según los resultados. Al mismo tiempo, el final de la respuesta en streaming se determina según el contenido de data; si el contenido de type es response.completed, significa que la respuesta en streaming ha terminado por completo. Los resultados devueltos en data tienen varios campos, que se describen a continuación:

item_id, el ID que genera esta tarea de conversación, utilizado para identificar de manera única esta tarea de conversación.
type, el tipo de tarea de respuestas generadas en esta conversación.
model, el modelo de OpenAI ChatGPT seleccionado.
delta, la información de respuesta que ChatGPT proporciona en respuesta a la pregunta.

JavaScript también es compatible, por ejemplo, el código de llamada en streaming de Node.js es el siguiente:

const options = {
  method: "post",
  headers: {
    accept: "application/json",
    authorization: "Bearer b82d32f570bc434d9ba9923aa0e7dce0",
    "content-type": "application/json",
  },
  body: JSON.stringify({
    model: "gpt-4.1",
    input: [{ role: "user", content: "Hola" }],
    stream: true,
  }),
};

fetch("https://api.acedata.cloud/openai/responses", options)
  .then((response) => response.json())
  .then((response) => console.log(response))
  .catch((err) => console.error(err));

Ejemplo de código en Java:

JSONObject jsonObject = new JSONObject();
jsonObject.put("model", "gpt-4.1");
jsonObject.put("input", [{"role":"user","content":"Hola"}]);
jsonObject.put("stream", true);
MediaType mediaType = "application/json; charset=utf-8".toMediaType();
RequestBody body = jsonObject.toString().toRequestBody(mediaType);
Request request = new Request.Builder()
  .url("https://api.acedata.cloud/openai/responses")
  .post(body)
  .addHeader("accept", "application/json")
  .addHeader("authorization", "Bearer b82d32f570bc434d9ba9923aa0e7dce0")
  .addHeader("content-type", "application/json")
  .build();

OkHttpClient client = new OkHttpClient();
Response response = client.newCall(request).execute();
System.out.print(response.body!!.string())

Otros lenguajes pueden ser reescritos de manera similar, el principio es el mismo.

Diálogo en múltiples turnos

Si desea integrar la función de diálogo en múltiples turnos, necesita cargar múltiples preguntas en el campo input, ejemplos específicos de múltiples preguntas se muestran en la imagen a continuación:

Código de llamada de ejemplo en Python:

import requests

url = "https://api.acedata.cloud/openai/responses"

headers = {
    "accept": "application/json",
    "authorization": "Bearer {token}",
    "content-type": "application/json"
}

payload = {
    "model": "gpt-4.1",
    "input": [{"role":"user","content":"Hola"},{"role":"assistant","content":"¡Hola! ¿Cómo puedo ayudarte hoy? 😊"},{"role":"user","content":"¿Qué acabo de decir?"}]
}

response = requests.post(url, json=payload, headers=headers)
print(response.text)

Al cargar múltiples preguntas, se puede lograr fácilmente un diálogo en múltiples turnos, obteniendo la siguiente respuesta:

{
  "id": "resp_68a989c03c508191a1dd82ce2e37e88a0932a4328c0a5d5b",
  "object": "response",
  "created_at": 1755941312,
  "status": "completed",
  "background": false,
  "content_filters": null,
  "error": null,
  "incomplete_details": null,
  "instructions": null,
  "max_output_tokens": null,
  "max_tool_calls": null,
  "model": "gpt-4.1",
  "output": [
    {
      "id": "msg_68a989c092e4819189821a9eb8247e1e0932a4328c0a5d5b",
      "type": "message",
      "status": "completed",
      "content": [
        {
          "type": "output_text",
          "annotations": [],
          "text": "Acabas de decir \"Hola.\" \n\n¿Te gustaría continuar la conversación o hacer una pregunta?"
        }
      ],
      "role": "assistant"
    }
  ],
  "parallel_tool_calls": true,
  "previous_response_id": null,
  "prompt_cache_key": null,
  "reasoning": {
    "effort": null,
    "summary": null
  },
  "safety_identifier": null,
  "service_tier": "default",
  "store": true,
  "temperature": 1,
  "text": {
    "format": {
      "type": "text"
    }
  },
  "tool_choice": "auto",
  "tools": [],
  "top_p": 1,
  "truncation": "disabled",
  "usage": {
    "input_tokens": 32,
    "input_tokens_details": {
      "cached_tokens": 0
    },
    "output_tokens": 20,
    "output_tokens_details": {
      "reasoning_tokens": 0
    },
    "total_tokens": 52
  },
  "user": null,
  "metadata": {}
}

Se puede ver que la información contenida en output es consistente con el contenido de uso básico, que incluye la respuesta específica de ChatGPT a múltiples diálogos, lo que permite responder a las preguntas correspondientes según el contenido de múltiples diálogos.

Modelo visual

gpt-4o es un modelo de lenguaje grande multimodal desarrollado por OpenAI, que agrega capacidad de comprensión visual sobre la base de GPT-4. Este modelo puede procesar simultáneamente entradas de texto e imagen, logrando comprensión y generación multimodal. El procesamiento de texto utilizando el modelo gpt-4o es consistente con el contenido de uso básico mencionado anteriormente; a continuación, se describirá brevemente cómo utilizar la capacidad de procesamiento de imágenes del modelo. La capacidad de procesamiento de imágenes del modelo gpt-4o se utiliza principalmente agregando un campo type en el contenido original de content, a través del cual se puede saber si se está subiendo texto o una imagen, permitiendo así utilizar la capacidad de procesamiento de imágenes del modelo gpt-4o. A continuación, se describen principalmente dos formas de invocar esta función utilizando Curl y Python.

Método de script Curl

curl -X POST 'https://api.acedata.cloud/openai/responses' \
-H 'accept: application/json' \
-H 'authorization: Bearer {token}' \
-H 'content-type: application/json' \
-d '{
    "model": "gpt-4.1",
    "input": [
      {
        "role": "user",
        "content": [
          {"type": "input_text", "text": "¿qué hay en esta imagen?"},
          {
            "type": "input_image",
            "image_url": "https://cdn.acedata.cloud/e724d7f13d.png"
          }
        ]
      }
    ]
  }'

Método de script Python

import requests

url = "https://api.acedata.cloud/openai/chat/completions"

headers = {
    "accept": "application/json",
    "authorization": "Bearer {token}",
    "content-type": "application/json"
}

payload = {
    "model": "gpt-4.1",
    "input": [
      {
        "role": "user",
        "content": [
          {"type": "input_text", "text": "¿qué hay en esta imagen?"},
          {
            "type": "input_image",
            "image_url": "https://cdn.acedata.cloud/e724d7f13d.png"
          }
        ]
      }
    ]
  }

response = requests.post(url, json=payload, headers=headers)
print(response.text)

Luego se puede obtener el siguiente resultado, los campos de información en el resultado son consistentes con el texto anterior, específicamente como sigue:

{
  "id": "resp_68a98c1bb784819e9b9f622007a2d37602483949012d2193",
  "object": "response",
  "created_at": 1755941915,
  "status": "completed",
  "background": false,
  "content_filters": null,
  "error": null,
  "incomplete_details": null,
  "instructions": null,
  "max_output_tokens": null,
  "max_tool_calls": null,
  "model": "gpt-4.1",
  "output": [
    {
      "id": "msg_68a98c1dd030819e97fb71e6ee33f5a902483949012d2193",
      "type": "message",
      "status": "completed",
      "content": [
        {
          "type": "output_text",
          "annotations": [],
          "text": "Esta imagen muestra un camino escénico, posiblemente un paseo marítimo, que atraviesa un campo o pradera verde y exuberante. El cielo arriba es de un azul brillante con algunas nubes blancas, y hay árboles y arbustos verdes en el fondo. Parece una escena de naturaleza pacífica, posiblemente en un parque, humedal o área de pradera. La imagen transmite una sensación de tranquilidad y belleza natural."
        }
      ],
      "role": "assistant"
    }
  ],
  "parallel_tool_calls": true,
  "previous_response_id": null,
  "prompt_cache_key": null,
  "reasoning": {
    "effort": null,
    "summary": null
  },
  "safety_identifier": null,
  "service_tier": "default",
  "store": true,
  "temperature": 1,
  "text": {
    "format": {
      "type": "text"
    }
  },
  "tool_choice": "auto",
  "tools": [],
  "top_p": 1,
  "truncation": "disabled",
  "usage": {
    "input_tokens": 1118,
    "input_tokens_details": {
      "cached_tokens": 0
    },
    "output_tokens": 75,
    "output_tokens_details": {
      "reasoning_tokens": 0
    },
    "total_tokens": 1193
  },
  "user": null,
  "metadata": {}
}

Se puede ver que el contenido de la respuesta se basa en la imagen para responder, por lo tanto, a través de los dos métodos anteriores se puede utilizar fácilmente la capacidad de procesamiento de texto e imagen del modelo gpt-4.1. Además de gpt-4.1, hay un modelo de menor costo llamado gpt-4o-mini. gpt-4o-mini es la última generación de modelos de lenguaje a gran escala desarrollada por OpenAI, que no solo tiene una velocidad de respuesta rápida, sino que también es más barato y admite múltiples modalidades. El uso de la función de visión se puede consultar en el contenido de uso del modelo gpt-4.1 mencionado anteriormente.

Creación de modelos de procesamiento de archivos

Ejemplo de solicitud:

{
  "model": "gpt-4.1",
  "input": [
    {
      "role": "user",
      "content": [
        { "type": "input_text", "text": "¿qué hay en este archivo?" },
        {
          "type": "input_file",
          "file_url": "https://platform2.cdn.acedata.cloud/fish/64adc04b-c196-4a0f-9070-222ba101ce6c.wav"
        }
      ]
    }
  ]
}

Ejemplo de resultado:

{
  "id": "resp_68a98d7bb57c819ba25424f5f50a29a300a1af2af822e88a",
  "object": "response",
  "created_at": 1755942267,
  "status": "completed",
  "background": false,
  "content_filters": null,
  "error": null,
  "incomplete_details": null,
  "instructions": null,
  "max_output_tokens": null,
  "max_tool_calls": null,
  "model": "gpt-4.1",
  "output": [
    {
      "id": "msg_68a98d7d9b80819b9b0f09b7bcd00bf900a1af2af822e88a",
      "type": "message",
      "status": "completed",
      "content": [
        {
          "type": "output_text",
          "annotations": [],
          "text": "El archivo que publicaste contiene la **carta anual 2024 a los accionistas de Berkshire Hathaway Inc.**, escrita por Warren E. Buffett, Presidente del Consejo. Este documento es una comunicación integral que típicamente se incluye en el informe anual de Berkshire para los accionistas.\n\n### Qué contiene el archivo:\n\n#### 1. **Carta del Presidente a los Accionistas**\n   - **Introducción y Filosofía:** Warren Buffett discute el propósito del informe anual, el estilo de comunicación de Berkshire Hathaway y su filosofía de transparencia y discusión franca tanto de éxitos como de fracasos.\n   - **Discusión de Errores:** Habla abiertamente sobre los errores cometidos en la asignación de capital y decisiones de personal, enfatizando la importancia de admitir errores y actuar rápidamente para corregirlos.\n   - **Comentarios sobre la Sucesión:** Buffett hace referencia a su eventual retiro, y que Greg Abel lo sucederá como CEO y escritor de estas cartas.\n   - **Historia Anecdótica:** Se cuenta la historia de Pete Liegl, fundador de Forest River (un fabricante de vehículos recreativos adquirido por Berkshire), para ilustrar la filosofía de gestión y la toma de decisiones empresariales.\n\n#### 2. **Desempeño Empresarial y Financiero 2024**\n   - **Resultados Clave:** Resumen de cómo Berkshire se desempeñó financieramente en 2024 vs. 2023, incluyendo desglose de ganancias operativas por segmentos de negocio como seguros, ferrocarril BNSF y energía.\n   - **Negocio de Seguros:** GEICO y la división de seguros de propiedad y accidentes tuvieron un año destacado, con comentarios sobre la industria y cómo Berkshire aborda el riesgo de seguros, la fijación de precios y la inversión del \"float\" de seguros.\n   - **Inversiones:** Discusión sobre la estrategia de Berkshire de poseer tanto negocios completos como participaciones parciales (valores negociables) en grandes compañías (por ejemplo, Apple, American Express, Coca-Cola), y su despliegue de efectivo.\n   - **Impuestos:** Referencia a que Berkshire rompió récords en pagos de impuestos corporativos (26.8 mil millones de dólares al IRS en 2024).\n\n#### 3. **Filosofía a Largo Plazo y Comentarios sobre el Capitalismo**\n   - **Sobre las Acciones:** Buffett explica por qué Berkshire prioriza la propiedad de negocios (acciones) sobre efectivo o bonos, y por qué la compañía favorece las inversiones a largo plazo.\n   - **Sobre el Capitalismo:** Hay una reflexión sobre el crecimiento de Estados Unidos, el papel del capitalismo, el ahorro y la asignación de capital en el éxito de la nación, y un reconocimiento a la importancia de mantener una moneda estable.\n\n#### 4. **Inversiones Japonesas**\n   - **Actualización sobre Participaciones Japonesas:** Las crecientes inversiones de Berkshire en cinco compañías comerciales japonesas, y la visión positiva sobre su gestión y gobernanza.\n\n#### 5. **Reunión Anual de Berkshire Hathaway**\n   - **Información sobre la Reunión Anual:** Detalles sobre la reunión anual en Omaha, incluyendo eventos sociales, venta de libros e iniciativas benéficas relacionadas con la reunión.\n   - **Historias Personales:** Anécdotas personales que involucran a la familia de Buffett (incluida su hermana Bertie), para añadir un toque humano a la carta.\n\n#### 6. **Tablas de Desempeño**\n   - **Berkshire vs S&P 500 (1965-2024):** Dos tablas detalladas que muestran el cambio porcentual anual en el precio de las acciones de Berkshire vs. el rendimiento total del S&P 500, así como ganancias compuestas a largo plazo y totales.\n\n---\n\n### En Resumen\n\nEste archivo es la **carta anual 2024 de Berkshire Hathaway a los accionistas**, escrita principalmente por Warren Buffett. Cubre desempeño empresarial, filosofía de gestión, estrategia de inversión, ganancias e impuestos, operaciones de seguros, participaciones significativas, asignación de capital, actualizaciones sobre sucesión y más. Las tablas muestran un rendimiento notablemente superior de Berkshire Hathaway frente al S&P 500 durante casi seis décadas, un punto central de orgullo en la carta.\n\nSi deseas detalles específicos de alguna sección en particular, ¡házmelo saber!"
        }
      ],
      "role": "assistant"
    }
  ],
  "parallel_tool_calls": true,
  "previous_response_id": null,
  "prompt_cache_key": null,
  "reasoning": {
    "effort": null,
    "summary": null
  },
  "safety_identifier": null,
  "service_tier": "default",
  "store": true,
  "temperature": 1,
  "text": {
    "format": {
      "type": "text"
    }
  },
  "tool_choice": "auto",
  "tools": [],
  "top_p": 1,
  "truncation": "disabled",
  "usage": {
    "input_tokens": 8438,
    "input_tokens_details": {
      "cached_tokens": 0
    },
    "output_tokens": 731,
    "output_tokens_details": {
      "reasoning_tokens": 0
    },
    "total_tokens": 9169
  },
  "user": null,
  "metadata": {}
}

Puede verse que también procesamos el archivo de entrada, y el resultado es similar al anterior.

Manejo de errores

Al llamar a la API, si se encuentra un error, la API devolverá el código de error y la información correspondiente. Por ejemplo:

400 token_mismatched: Solicitud incorrecta, posiblemente debido a parámetros faltantes o inválidos.
400 api_not_implemented: Solicitud incorrecta, posiblemente debido a parámetros faltantes o inválidos.
401 invalid_token: No autorizado, token de autorización inválido o faltante.
429 too_many_requests: Demasiadas solicitudes, ha excedido el límite de tasa.
500 api_error: Error interno del servidor, algo salió mal en el servidor.

Ejemplo de respuesta de error

{
  "success": false,
  "error": {
    "code": "api_error",
    "message": "fetch failed"
  },
  "trace_id": "2cf86e86-22a4-46e1-ac2f-032c0f2a4e89"
}

Conclusión

A través de este documento, ya ha aprendido cómo usar la API de Respuestas de OpenAI para implementar fácilmente la función oficial de creación de Respuestas de OpenAI. Esperamos que este documento le ayude a integrar y usar mejor esta API. Si tiene alguna pregunta, no dude en contactar a nuestro equipo de soporte técnico.

Primeros pasos

Chat de IA

Imagen de IA

Video de IA

Audio de IA

Web y datos

CAPTCHA

Identidad

Proxy

Avanzado

Coding

Solicitud y uso de la API de Respuestas de OpenAI

Proceso de Solicitud

Uso Básico

Respuesta en Flujo

Diálogo en múltiples turnos

Modelo visual

Creación de modelos de procesamiento de archivos

Manejo de errores

Ejemplo de respuesta de error

Conclusión

​Proceso de Solicitud

​Uso Básico

​Respuesta en Flujo

​Diálogo en múltiples turnos

​Modelo visual

​Creación de modelos de procesamiento de archivos

​Manejo de errores

​Ejemplo de respuesta de error

​Conclusión

Proceso de Solicitud

Uso Básico

Respuesta en Flujo

Diálogo en múltiples turnos

Modelo visual

Creación de modelos de procesamiento de archivos

Manejo de errores

Ejemplo de respuesta de error

Conclusión