Demande et utilisation de l'API OpenAI Responses

OpenAI a récemment fourni une interface pour créer des réponses de modèle. Fournissez des entrées textuelles ou d’image pour générer des sorties textuelles ou d’image. Permettez au modèle d’appeler votre propre code personnalisé ou d’utiliser des outils intégrés, tels que la recherche sur le web ou la recherche de fichiers, pour utiliser vos propres données comme entrée pour les réponses du modèle. Ce document décrit principalement le processus d’utilisation de l’API OpenAI Responses, ce qui nous permet d’utiliser facilement la fonctionnalité de création de réponses de modèle d’OpenAI.

Processus de demande

Pour utiliser l’API OpenAI Responses, commencez par obtenir votre jeton API sur le tableau de bord Ace Data Cloud pour le garder en réserve.

Si vous n’êtes pas encore connecté ou inscrit, vous serez automatiquement redirigé vers la page de connexion pour vous inviter à vous inscrire et à vous connecter, après quoi vous serez automatiquement renvoyé à la page actuelle. Un jeton API suffit pour appeler tous les services de la plateforme, sans avoir à en demander un pour chaque service. La première demande vous donnera un quota gratuit pour une expérience sans frais ; lorsque le quota est insuffisant, vous pouvez recharger le solde général dans le tableau de bord.

📘 Documentation complète : OpenAI Responses API →

Utilisation de base

Vous pouvez ensuite remplir le contenu correspondant sur l’interface, comme indiqué sur l’image :

Lors de la première utilisation de cette interface, nous devons remplir au moins trois contenus, l’un est authorization, que vous pouvez sélectionner directement dans la liste déroulante. L’autre paramètre est model, model est la catégorie de modèle que nous choisissons d’utiliser sur le site officiel d’OpenAI ChatGPT, ici nous avons principalement 20 modèles, pour plus de détails, vous pouvez consulter les modèles que nous fournissons. Le dernier paramètre est input, input est un tableau de mots de question que nous entrons, il s’agit d’un tableau qui représente plusieurs mots de question pouvant être téléchargés simultanément, chaque mot de question contenant role et content, où role représente le rôle du questionneur, nous avons fourni trois identités, à savoir user, assistant, system. L’autre content est le contenu spécifique de notre question. Vous pouvez également remarquer qu’il y a un code d’appel correspondant généré à droite, que vous pouvez copier et exécuter directement, ou vous pouvez simplement cliquer sur le bouton « Essayer » pour effectuer un test. Paramètres optionnels courants :

max_tokens : limite le nombre maximum de tokens pour une seule réponse.
temperature : génère de l’aléatoire, entre 0 et 2, plus la valeur est élevée, plus elle est dispersée.
n : combien de réponses candidates générer en une seule fois.
response_format : paramètres de format de retour.
tools : définition des appels de fonctions/outils.
background : exécute-t-il en arrière-plan de manière asynchrone.

Après l’appel, nous constatons que le résultat retourné est le suivant :

{
  "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": "Bonjour ! Comment puis-je vous aider aujourd'hui ?"
        }
      ],
      "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": {}
}

Le résultat retourné contient plusieurs champs, décrits comme suit :

id, l’ID généré pour cette tâche de dialogue, utilisé pour identifier de manière unique cette tâche de dialogue.
model, le modèle choisi sur le site officiel d’OpenAI ChatGPT.
output, les informations de réponse fournies par ChatGPT pour le mot de question.
usage : les informations statistiques sur les tokens pour cette question-réponse.

Parmi ceux-ci, output contient les informations de réponse de ChatGPT, où output est ChatGPT, comme on peut le voir sur l’image.

On peut voir que le champ content dans output contient le contenu spécifique de la réponse de ChatGPT.

Réponse en continu

Cette interface prend également en charge les réponses en continu, ce qui est très utile pour l’intégration sur le web, permettant d’afficher les résultats mot par mot. Si vous souhaitez retourner une réponse en continu, vous pouvez modifier le paramètre stream dans l’en-tête de la requête, en le changeant en true. Modifiez comme indiqué sur l’image, mais le code d’appel doit également être modifié pour prendre en charge les réponses en continu.

Après avoir modifié stream en true, l’API renverra les données JSON correspondantes ligne par ligne, et au niveau du code, nous devons faire les modifications nécessaires pour obtenir les résultats ligne par ligne. Exemple de code d’appel 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":"Bonjour"}],
    "stream": True
}

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

L’effet de sortie est le suivant :

data: {"type": "response.created", "sequence_number": 0, "response":
{"id": "resp_68a9837bb9bc8190b403947311db6faa0721186e8fbb89d0", "object": "response", "created_at": 1755939707, "status": "en_cours", "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": "text"}}, "tool_choice": "auto", "tools": [], "top_p": 1.0, "truncation": "disabled", "usage": null, "user": null, "metadata": {}}, "model": "gpt-4.1"} 

data: {"type": "response.en_cours", "sequence_number": 1, "response": {"id": "resp_68a9837bb9bc8190b403947311db6faa0721186e8fbb89d0", "object": "response", "created_at": 1755939707, "status": "en_cours", "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": "text"}}, "tool_choice": "auto", "tools": [], "top_p": 1.0, "truncation": "disabled", "usage": null, "user": null, "metadata": {}}, "model": "gpt-4.1"} 

data: {"type": "response.output_item.ajouté", "sequence_number": 2, "output_index": 0, "item": {"id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "type": "message", "status": "en_cours", "content": [], "role": "assistant"}, "model": "gpt-4.1"} 

data: {"type": "response.content_part.ajouté", "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": "response.output_text.delta", "sequence_number": 4, "item_id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "output_index": 0, "content_index": 0, "delta": "Bonjour", "model": "gpt-4.1"} 

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

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

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

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

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

data: {"type": "response.output_text.delta", "sequence_number": 10, "item_id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "output_index": 0, "content_index": 0, "delta": " aujourd'hui", "model": "gpt-4.1"} 

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

data: {"type": "response.output_text.delta", "sequence_number": 12, "item_id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "output_index": 0, "content_index": 0, "delta": " 😊", "model": "gpt-4.1"} 

data: {"type": "response.output_text.fini", "sequence_number": 13, "item_id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "output_index": 0, "content_index": 0, "text": "Bonjour ! Comment puis-je vous aider aujourd'hui ? 😊", "model": "gpt-4.1"} 

data: {"type": "response.content_part.fini", "sequence_number": 14, "item_id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "output_index": 0, "content_index": 0, "part": {"type": "output_text", "annotations": [], "text": "Bonjour ! Comment puis-je vous aider aujourd'hui ? 😊"}, "model": "gpt-4.1"} 

data: {"type": "response.output_item.fini", "sequence_number": 15, "output_index": 0, "item": {"id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "type": "message", "status": "terminé", "content": [{"type": "output_text", "annotations": [], "text": "Bonjour ! Comment puis-je vous aider aujourd'hui ? 😊"}], "role": "assistant"}, "model": "gpt-4.1"} 

data: {"type": "response.terminé", "sequence_number": 16, "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": "Bonjour ! Comment puis-je vous aider aujourd'hui ? 😊"}], "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"}

On peut voir que la réponse contient beaucoup de data, et que le delta dans data est le contenu de la réponse la plus récente, conforme à ce qui a été présenté ci-dessus. Le delta est le contenu de réponse ajouté, que vous pouvez intégrer dans votre système. De plus, la fin de la réponse en streaming est déterminée par le contenu de data. Si le contenu de type est response.completed, cela signifie que la réponse en streaming est entièrement terminée. Les résultats retournés dans data contiennent plusieurs champs, décrits comme suit :

item_id, l’ID généré pour cette tâche de dialogue, utilisé pour identifier de manière unique cette tâche de dialogue.
type, le type de tâche de génération de réponses pour ce dialogue.
model, le modèle choisi sur le site officiel d’OpenAI ChatGPT.
delta, les informations de réponse fournies par ChatGPT en réponse à la question.

JavaScript est également pris en charge, par exemple, le code d’appel en streaming pour Node.js est comme suit :

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: "Bonjour" }],
    stream: true,
  }),
};

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

Exemple de code en Java :

JSONObject jsonObject = new JSONObject();
jsonObject.put("model", "gpt-4.1");
jsonObject.put("input", [{"role":"user","content":"Bonjour"}]);
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())

D’autres langages peuvent être réécrits séparément, le principe est le même.

Dialogue multi-tours

Si vous souhaitez intégrer une fonctionnalité de dialogue multi-tours, vous devez télécharger plusieurs questions dans le champ input, des exemples concrets de plusieurs questions sont montrés ci-dessous :

Exemple de code d’appel 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":"Bonjour"},{"role":"assistant","content":"Bonjour ! Comment puis-je vous aider aujourd'hui ? 😊"},{"role":"user","content":"Qu'est-ce que je viens de dire ?"}]
}

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

En téléchargeant plusieurs questions, vous pouvez facilement réaliser un dialogue multi-tours et obtenir la réponse suivante :

{
  "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": "Vous venez de dire \"Bonjour.\" \n\nSouhaitez-vous continuer la conversation ou poser une question ?"
        }
      ],
      "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": {}
}

On peut voir que les informations contenues dans output sont cohérentes avec le contenu de l’utilisation de base, cela inclut le contenu spécifique de la réponse de ChatGPT à plusieurs dialogues, permettant ainsi de répondre aux questions correspondantes en fonction de plusieurs contenus de dialogue.

Modèle visuel

gpt-4o est un modèle de langage multimodal de grande taille développé par OpenAI, qui a ajouté des capacités de compréhension visuelle à GPT-4. Ce modèle peut traiter simultanément des entrées textuelles et des images, réalisant une compréhension et une génération intermodales. Le traitement de texte avec le modèle gpt-4o est conforme au contenu d’utilisation de base mentionné ci-dessus. Voici un bref aperçu de l’utilisation de la capacité de traitement d’image du modèle. L’utilisation de la capacité de traitement d’image du modèle gpt-4o se fait principalement en ajoutant un champ type à la base du contenu content existant, ce champ permettant de savoir si ce qui est téléchargé est du texte ou une image, afin d’utiliser la capacité de traitement d’image du modèle gpt-4o. Ci-dessous, nous allons principalement aborder l’appel de cette fonctionnalité via Curl et Python.

Méthode 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": "que contient cette image ?"},
          {
            "type": "input_image",
            "image_url": "https://cdn.acedata.cloud/e724d7f13d.png"
          }
        ]
      }
    ]
  }'

Méthode 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": "que contient cette image ?"},
          {
            "type": "input_image",
            "image_url": "https://cdn.acedata.cloud/e724d7f13d.png"
          }
        ]
      }
    ]
  }

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

Ensuite, vous pouvez obtenir le résultat suivant, les informations des champs dans le résultat sont cohérentes avec le texte ci-dessus, comme suit :

{
  "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": "Cette image montre un chemin pittoresque, probablement une promenade, traversant un champ ou une prairie verdoyante. Le ciel au-dessus est d'un bleu éclatant avec quelques nuages blancs, et il y a des arbres et des buissons verts en arrière-plan. Cela ressemble à une scène de nature paisible, probablement dans un parc, un marais ou une prairie. L'image transmet un sentiment de tranquillité et de beauté naturelle."
        }
      ],
      "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": {}
}

On peut voir que le contenu de la réponse est basé sur l’image, donc avec les deux méthodes ci-dessus, il est facile d’utiliser les capacités de traitement de texte et d’image du modèle gpt-4.1. En plus de gpt-4.1, il existe un modèle à coût inférieur, appelé gpt-4o-mini. gpt-4o-mini est le dernier modèle de langage de grande taille développé par OpenAI, qui non seulement répond rapidement, mais est également moins cher et prend en charge le multimodal. L’utilisation de la fonction vision peut se référer au contenu d’utilisation du modèle gpt-4.1 ci-dessus.

Création de modèles de traitement de fichiers

Exemple de requête :

{
  "model": "gpt-4.1",
  "input": [
    {
      "role": "user",
      "content": [
        { "type": "input_text", "text": "que contient ce fichier ?" },
        {
          "type": "input_file",
          "file_url": "https://platform2.cdn.acedata.cloud/fish/64adc04b-c196-4a0f-9070-222ba101ce6c.wav"
        }
      ]
    }
  ]
}

Exemple de résultat :

{
  "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": "Le fichier que vous avez posté contient la **lettre annuelle 2024 aux actionnaires de Berkshire Hathaway Inc.**, écrite par Warren E. Buffett, Président du Conseil. Ce document est une communication complète qui est généralement incluse dans le rapport annuel de Berkshire aux actionnaires.\n\n### Contenu du Fichier :\n\n#### 1. **Lettre du Président aux Actionnaires**\n   - **Introduction & Philosophie :** Warren Buffett discute de l'objectif du rapport annuel, du style de communication de Berkshire Hathaway, et de sa philosophie de transparence et de discussion franche sur les succès et les échecs.\n   - **Discussion des Erreurs :** Il parle ouvertement des erreurs commises dans l'allocation de capital et les décisions de personnel, soulignant l'importance d'admettre les erreurs et d'agir rapidement pour les corriger.\n   - **Commentaires sur la Succession :** Buffett fait référence à sa retraite éventuelle, et que Greg Abel le succédera en tant que PDG et rédacteur de ces lettres.\n   - **Histoire Anecdotique :** L'histoire de Pete Liegl, fondateur de Forest River (un fabricant de camping-cars acquis par Berkshire), est racontée pour illustrer la philosophie de gestion et la prise de décision commerciale.\n\n#### 2. **Performance Commerciale et Financière 2024**\n   - **Résultats Clés :** Résumé de la performance financière de Berkshire en 2024 par rapport à 2023, y compris la répartition des bénéfices d'exploitation par segments d'activité tels que l'assurance, le chemin de fer BNSF, et l'énergie.\n   - **Activité d'Assurance :** GEICO et la division d'assurance de biens et de responsabilité ont connu une année exceptionnelle, avec des commentaires sur l'industrie et la manière dont Berkshire aborde le risque d'assurance, la tarification, et l'investissement du \"float\" d'assurance.\n   - **Investissements :** Discussion sur la stratégie de Berkshire d'acquérir à la fois des entreprises entières et des participations partielles (titres négociables) dans de grandes entreprises (par exemple, Apple, American Express, Coca-Cola), et son déploiement de liquidités.\n   - **Impôts :** Référence à Berkshire établissant des records en paiements d'impôts sur les sociétés (26,8 milliards de dollars à l'IRS en 2024).\n\n#### 3. **Philosophie à Long Terme & Commentaire sur le Capitalisme**\n   - **Sur les Actions :** Buffett explique pourquoi Berkshire privilégie la propriété d'entreprises (actions) plutôt que de liquidités ou d'obligations, et pourquoi la société favorise les investissements à long terme.\n   - **Sur le Capitalisme :** Il y a une réflexion sur la croissance de l'Amérique, le rôle du capitalisme, l'épargne, et l'allocation de capital dans le succès de la nation, ainsi qu'un clin d'œil à l'importance de maintenir une monnaie stable.\n\n#### 4. **Investissements Japonais**\n   - **Mise à Jour sur les Participations Japonaises :** Les investissements croissants de Berkshire dans cinq sociétés de négoce japonaises, et la vision positive de leur gestion et gouvernance.\n\n#### 5. **Réunion Annuelle de Berkshire Hathaway**\n   - **Informations sur le Rassemblement Annuel :** Détails sur la réunion annuelle à Omaha, y compris les événements sociaux, les ventes de livres, et les initiatives caritatives liées à la réunion.\n   - **Histoires Personnelles :** Anecdotes personnelles impliquant la famille de Buffett, (y compris sa sœur Bertie), pour ajouter une touche humaine à la lettre.\n\n#### 6. **Tableaux de Performance**\n   - **Berkshire vs S&P 500 (1965-2024) :** Deux tableaux détaillés montrant le changement de pourcentage annuel du prix des actions de Berkshire par rapport au rendement total du S&P 500, ainsi que les gains composés à long terme et globaux.\n\n---\n\n### En Résumé\n\nCe fichier est la **lettre annuelle 2024 de Berkshire Hathaway aux actionnaires**, principalement écrite par Warren Buffett. Il couvre la performance commerciale, la philosophie de gestion, la stratégie d'investissement, les bénéfices et les impôts, les opérations d'assurance, les participations significatives, l'allocation de capital, les mises à jour sur la succession, et plus encore. Les tableaux montrent une surperformance remarquable de Berkshire Hathaway par rapport au S&P 500 sur près de six décennies – un point central de fierté dans la lettre.\n\nSi vous souhaitez des détails sur une section particulière, faites-le moi savoir !"
        }
      ],
      "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": {}
}

可以看到，我们对输入的文件也进行了处理文件，结果与上文类似。

Gestion des Erreurs

Lors de l’appel à l’API, si une erreur se produit, l’API renverra le code d’erreur et les informations correspondantes. Par exemple :

400 token_mismatched : Mauvaise requête, probablement en raison de paramètres manquants ou invalides.
400 api_not_implemented : Mauvaise requête, probablement en raison de paramètres manquants ou invalides.
401 invalid_token : Non autorisé, jeton d’autorisation invalide ou manquant.
429 too_many_requests : Trop de demandes, vous avez dépassé la limite de taux.
500 api_error : Erreur interne du serveur, quelque chose s’est mal passé sur le serveur.

Exemple de Réponse d’Erreur

{
  "success": false,
  "error": {
    "code": "api_error",
    "message": "échec de la récupération"
  },
  "trace_id": "2cf86e86-22a4-46e1-ac2f-032c0f2a4e89"
}

Conclusion

Grâce à ce document, vous avez compris comment utiliser l’API OpenAI Responses pour réaliser facilement la fonctionnalité de création de réponses officielle d’OpenAI. J’espère que ce document vous aidera à mieux vous connecter et à utiliser cette API. Si vous avez des questions, n’hésitez pas à contacter notre équipe de support technique.

Démarrage

Chat IA

Image IA

Vidéo IA

Audio IA

Web & Données

CAPTCHA

Identité

Proxy

Avancé

Coding

Demande et utilisation de l'API OpenAI Responses

Processus de demande

Utilisation de base

Réponse en continu

Dialogue multi-tours

Modèle visuel

Création de modèles de traitement de fichiers

Gestion des Erreurs

Exemple de Réponse d’Erreur

Conclusion

​Processus de demande

​Utilisation de base

​Réponse en continu

​Dialogue multi-tours

​Modèle visuel

​Création de modèles de traitement de fichiers

​Gestion des Erreurs

​Exemple de Réponse d’Erreur

​Conclusion

Processus de demande

Utilisation de base

Réponse en continu

Dialogue multi-tours

Modèle visuel

Création de modèles de traitement de fichiers

Gestion des Erreurs

Exemple de Réponse d’Erreur

Conclusion