OpenAI Responses API 申请及使用

OpenAI niedawno udostępniło interfejs do tworzenia odpowiedzi modeli. Umożliwia on wprowadzenie tekstu lub obrazu w celu wygenerowania tekstu lub obrazu jako wyjścia. Pozwala modelowi na wywołanie własnego kodu lub korzystanie z wbudowanych narzędzi, takich jak wyszukiwanie w sieci lub wyszukiwanie plików, aby wykorzystać własne dane jako wejście do odpowiedzi modelu. Dokument ten głównie opisuje proces korzystania z OpenAI Responses API, dzięki któremu możemy łatwo korzystać z oficjalnej funkcji tworzenia odpowiedzi modeli OpenAI.

申请流程

Aby korzystać z OpenAI Responses API, najpierw przejdź do Ace Data Cloud 控制台, aby uzyskać swój token API, który należy zachować na przyszłość.

Jeśli nie jesteś zalogowany lub zarejestrowany, automatycznie zostaniesz przekierowany na stronę logowania, aby zarejestrować się i zalogować, a po zakończeniu zostaniesz automatycznie przekierowany z powrotem na bieżącą stronę. Jeden token API wystarczy do wywołania wszystkich usług platformy, nie ma potrzeby składania osobnych wniosków dla każdej usługi. Przy pierwszym wniosku przyznawana jest darmowa kwota, aby można było skorzystać z doświadczenia; w przypadku niewystarczającej kwoty można doładować saldo ogólne w kontrolerze.

📘 Pełna dokumentacja: OpenAI Responses API →

基本使用

Następnie możesz wypełnić odpowiednie treści w interfejsie, jak pokazano na rysunku:

Podczas pierwszego korzystania z tego interfejsu musimy wypełnić co najmniej trzy pola: jedno to authorization, które można wybrać bezpośrednio z rozwijanej listy. Kolejnym parametrem jest model, model to kategoria modelu, którą wybieramy z oficjalnej strony OpenAI ChatGPT, mamy tutaj głównie 20 modeli, szczegóły można zobaczyć w dostarczonych modelach. Ostatnim parametrem jest input, input to tablica naszych pytań, jest to tablica, która pozwala na jednoczesne przesyłanie wielu pytań, każde pytanie zawiera role i content, gdzie role oznacza rolę pytającego, oferujemy trzy tożsamości: user, assistant, system. Drugie content to konkretna treść naszego pytania. Możesz również zauważyć, że po prawej stronie znajduje się odpowiedni kod wywołania, który możesz skopiować i uruchomić, lub możesz bezpośrednio kliknąć przycisk „Try”, aby przetestować. Często używane opcjonalne parametry:

max_tokens: ogranicza maksymalną liczbę tokenów w pojedynczej odpowiedzi.
temperature: generuje losowość, w zakresie od 0 do 2, im wyższa wartość, tym bardziej rozproszone.
n: ile kandydatów odpowiedzi generować jednocześnie.
response_format: ustawienia formatu zwrotu.
tools: definicja wywołania funkcji/narzędzi.
background: czy działa w tle asynchronicznie.

Po wywołaniu zauważamy, że wynik zwrotny wygląda następująco:

{
  "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": "Hello! How can I assist you today?"
        }
      ],
      "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": {}
}

Wynik zwrotny zawiera wiele pól, które są opisane poniżej:

id, identyfikator zadania rozmowy, używany do unikalnego oznaczenia tego zadania rozmowy.
model, wybrany model OpenAI ChatGPT.
output, informacje o odpowiedzi ChatGPT na pytanie.
usage: statystyki dotyczące tokenów dla tej sesji pytania i odpowiedzi.

W tym przypadku output zawiera informacje o odpowiedzi ChatGPT, a wewnątrz output można zauważyć, jak pokazano na rysunku.

Można zauważyć, że pole content w output zawiera konkretną treść odpowiedzi ChatGPT.

流式响应

Ten interfejs obsługuje również odpowiedzi strumieniowe, co jest bardzo przydatne w integracji z witrynami internetowymi, umożliwiając wyświetlanie efektu wyświetlania słowo po słowie. Aby uzyskać odpowiedź strumieniową, można zmienić parametr stream w nagłówku żądania na true. Zmiana jak pokazano na rysunku, jednak kod wywołania musi być odpowiednio zmieniony, aby obsługiwał odpowiedzi strumieniowe.

Po zmianie stream na true, API będzie zwracać odpowiednie dane JSON linia po linii, w kodzie musimy wprowadzić odpowiednie zmiany, aby uzyskać wyniki linia po linii. Przykładowy kod wywołania w Pythonie:

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)

Efekt wyjściowy wygląda następująco:

data: {"type": "response.created", "sequence_number": 0, "response":
{"id": "resp_68a9837bb9bc8190b403947311db6faa0721186e8fbb89d0", "object": "response", "created_at": 1755939707, "status": "w trakcie", "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.in_progress", "sequence_number": 1, "response": {"id": "resp_68a9837bb9bc8190b403947311db6faa0721186e8fbb89d0", "object": "response", "created_at": 1755939707, "status": "w trakcie", "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.added", "sequence_number": 2, "output_index": 0, "item": {"id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "type": "message", "status": "w trakcie", "content": [], "role": "asystent"}, "model": "gpt-4.1"} 

data: {"type": "response.content_part.added", "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": "Cześć", "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": " Jak", "model": "gpt-4.1"} 

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

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

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

data: {"type": "response.output_text.delta", "sequence_number": 10, "item_id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "output_index": 0, "content_index": 0, "delta": " dzisiaj", "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.done", "sequence_number": 13, "item_id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "output_index": 0, "content_index": 0, "text": "Cześć! Jak mogę ci pomóc dzisiaj? 😊", "model": "gpt-4.1"} 

data: {"type": "response.content_part.done", "sequence_number": 14, "item_id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "output_index": 0, "content_index": 0, "part": {"type": "output_text", "annotations": [], "text": "Cześć! Jak mogę ci pomóc dzisiaj? 😊"}, "model": "gpt-4.1"} 

data: {"type": "response.output_item.done", "sequence_number": 15, "output_index": 0, "item": {"id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "type": "message", "status": "zakończono", "content": [{"type": "output_text", "annotations": [], "text": "Cześć! Jak mogę ci pomóc dzisiaj? 😊"}], "role": "asystent"}, "model": "gpt-4.1"} 

data: {"type": "response.completed", "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": "Cześć! Jak mogę Ci dzisiaj pomóc? 😊"}], "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"}

Można zauważyć, że odpowiedź zawiera wiele data, a data zawiera delta, który jest najnowszą treścią odpowiedzi, zgodną z opisanymi wcześniej treściami. delta to nowa treść odpowiedzi, którą można zintegrować z własnym systemem. Zakończenie odpowiedzi strumieniowej jest określane na podstawie zawartości data, jeśli zawartość type to response.completed, oznacza to, że odpowiedź strumieniowa została całkowicie zakończona. Zwracane wyniki data mają wiele pól, które są opisane poniżej:

item_id, identyfikator zadania rozmowy, używany do unikalnego oznaczenia tego zadania rozmowy.
type, typ zadania generowania odpowiedzi.
model, wybrany model OpenAI ChatGPT.
delta, informacje o odpowiedzi udzielone przez ChatGPT w odpowiedzi na pytanie.

JavaScript jest również obsługiwany, na przykład kod strumieniowego wywołania Node.js wygląda następująco:

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

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

Przykład kodu w Javie:

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

Inne języki można dostosować samodzielnie, zasada jest taka sama.

Wiele rund rozmowy

Jeśli chcesz zintegrować funkcję wielu rund rozmowy, musisz przesłać wiele pytań w polu input, konkretne przykłady wielu pytań są pokazane na poniższym obrazku:

Przykład kodu w Pythonie:

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":"Cześć"},{"role":"assistant","content":"Cześć! Jak mogę Ci dzisiaj pomóc? 😊"},{"role":"user","content":"Co właśnie powiedziałem?"}]
}

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

Przesyłając wiele pytań, można łatwo zrealizować wiele rund rozmowy i uzyskać następującą odpowiedź:

{
  "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": "Właśnie powiedziałeś \"Cześć.\" \n\nCzy chciałbyś kontynuować rozmowę lub zadać pytanie?"
        }
      ],
      "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": {}
}

Można zauważyć, że informacje zawarte w output są zgodne z podstawowym użyciem, zawierają konkretne treści odpowiedzi ChatGPT na wiele rozmów, co pozwala na odpowiadanie na odpowiednie pytania na podstawie wielu treści rozmowy.

Model wizualny

gpt-4o to wielomodalny model językowy opracowany przez OpenAI, który na podstawie GPT-4 zwiększa zdolności rozumienia wizualnego. Model ten może jednocześnie przetwarzać tekst i obrazy, realizując zrozumienie i generowanie w różnych modalnościach. Przetwarzanie tekstu przy użyciu modelu gpt-4o jest zgodne z podstawowym użyciem opisanym wcześniej, poniżej krótko opisano, jak korzystać z możliwości przetwarzania obrazów modelu. Możliwości przetwarzania obrazów modelu gpt-4o są głównie realizowane poprzez dodanie pola type do istniejącej treści content, dzięki czemu można określić, czy przesyłany jest tekst, czy obraz, co pozwala na wykorzystanie możliwości przetwarzania obrazów modelu gpt-4o. Poniżej opisano, jak wywołać tę funkcję za pomocą Curl i Pythona.

Sposób skryptu 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": "co jest na tym obrazie?"},
          {
            "type": "input_image",
            "image_url": "https://cdn.acedata.cloud/e724d7f13d.png"
          }
        ]
      }
    ]
  }'

Sposób skryptu 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": "co jest na tym obrazie?"},
          {
            "type": "input_image",
            "image_url": "https://cdn.acedata.cloud/e724d7f13d.png"
          }
        ]
      }
    ]
  }

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

Następnie można uzyskać poniższy wynik, w którym informacje o polach są zgodne z powyższym tekstem, szczegóły są następujące:

{
  "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": "Ten obraz przedstawia malowniczą ścieżkę, prawdopodobnie deptak, biegnącą przez bujne zielone pole lub łąkę. Niebo nad nią jest jasnoniebieskie z kilkoma białymi chmurami, a w tle widać zielone drzewa i krzewy. Wygląda na spokojną scenę przyrody, prawdopodobnie w parku, na terenach podmokłych lub na prerii. Obraz przekazuje poczucie spokoju i naturalnego piękna."
        }
      ],
      "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": {}
}

Można zauważyć, że treść odpowiedzi opiera się na obrazie, dlatego za pomocą powyższych dwóch metod można łatwo wykorzystać zdolności przetwarzania tekstu i obrazu modelu gpt-4.1. Oprócz gpt-4.1, istnieje również model o niższych kosztach, zwany gpt-4o-mini. gpt-4o-mini to najnowsza generacja dużego modelu językowego opracowanego przez OpenAI, który nie tylko działa szybko, ale także jest tańszy i obsługuje multimodalność. Funkcjonalność wizji można znaleźć w treści dotyczącej użycia modelu gpt-4.1.

Tworzenie modelu przetwarzania plików

Przykład żądania:

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

Przykład wyniku:

{
  "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": "Plik, który przesłałeś, zawiera **roczną listę do akcjonariuszy na 2024 rok od Berkshire Hathaway Inc.**, napisaną przez Warrena E. Buffetta, przewodniczącego zarządu. Dokument ten jest kompleksową komunikacją, która zazwyczaj jest dołączana do rocznego raportu Berkshire dla akcjonariuszy.\n\n### Co znajduje się w pliku:\n\n#### 1. **List przewodniczącego do akcjonariuszy**\n   - **Wprowadzenie i filozofia:** Warren Buffett omawia cel rocznego raportu, styl komunikacji Berkshire Hathaway oraz swoją filozofię przejrzystości i szczerej dyskusji zarówno o sukcesach, jak i porażkach.\n   - **Omówienie błędów:** Mówi otwarcie o błędach popełnionych w alokacji kapitału i decyzjach personalnych, podkreślając znaczenie przyznawania się do błędów i szybkiego działania w celu ich naprawienia.\n   - **Uwagi o sukcesji:** Buffett odnosi się do swojej przyszłej emerytury i informuje, że Greg Abel zostanie jego następcą jako dyrektor generalny i autor tych listów.\n   - **Anektoda:** Historia Pete'a Liegl, założyciela Forest River (producenta RV, nabytego przez Berkshire), jest opowiedziana, aby zilustrować filozofię zarządzania i podejmowanie decyzji biznesowych.\n\n#### 2. **Wyniki biznesowe i finansowe w 2024 roku**\n   - **Kluczowe wyniki:** Podsumowanie, jak Berkshire radził sobie finansowo w 2024 roku w porównaniu do 2023 roku, w tym podział zysków operacyjnych według segmentów biznesowych, takich jak ubezpieczenia, kolej BNSF i energia.\n   - **Biznes ubezpieczeniowy:** GEICO i dział ubezpieczeń majątkowych i wypadkowych miały znakomity rok, z komentarzem na temat branży i podejścia Berkshire do ryzyka ubezpieczeniowego, wyceny i inwestycji \"float\" ubezpieczeniowych.\n   - **Inwestycje:** Dyskusja na temat strategii Berkshire polegającej na posiadaniu zarówno pełnych firm, jak i częściowych udziałów (papierów wartościowych) w dużych firmach (np. Apple, American Express, Coca-Cola) oraz sposobu wykorzystania gotówki.\n   - **Podatki:** Wzmianka o rekordowych płatnościach podatków korporacyjnych przez Berkshire (26,8 miliarda dolarów dla IRS w 2024 roku).\n\n#### 3. **Filozofia długoterminowa i komentarz o kapitalizmie**\n   - **O akcjach:** Buffett wyjaśnia, dlaczego Berkshire priorytetowo traktuje posiadanie firm (akcji) nad gotówką lub obligacjami oraz dlaczego firma preferuje długoterminowe inwestycje.\n   - **O kapitalizmie:** Jest refleksja na temat wzrostu Ameryki, roli kapitalizmu, oszczędności i alokacji kapitału w sukcesie narodu oraz odniesienie do znaczenia utrzymania stabilnej waluty.\n\n#### 4. **Inwestycje w Japonii**\n   - **Aktualizacja dotycząca japońskich udziałów:** Rosnące inwestycje Berkshire w pięciu japońskich firmach handlowych oraz pozytywna ocena ich zarządzania i ładu korporacyjnego.\n\n#### 5. **Coroczne spotkanie Berkshire Hathaway**\n   - **Informacje o corocznym zgromadzeniu:** Szczegóły dotyczące corocznego spotkania w Omaha, w tym wydarzenia towarzyszące, sprzedaż książek i inicjatywy charytatywne związane ze spotkaniem.\n   - **Osobiste historie:** Osobiste anegdoty dotyczące rodziny Buffetta (w tym jego siostry Bertie), aby dodać ludzki wymiar do listu.\n\n#### 6. **Tabele wyników**\n   - **Berkshire vs S&P 500 (1965-2024):** Dwie szczegółowe tabele pokazujące roczną procentową zmianę ceny akcji Berkshire w porównaniu do całkowitego zwrotu dla S&P 500, a także długoterminowe skumulowane i ogólne zyski.\n\n---\n\n### Podsumowanie\n\nTen plik to **roczna lista Berkshire Hathaway do akcjonariuszy na 2024 rok**, głównie napisana przez Warrena Buffetta. Obejmuje wyniki biznesowe, filozofię zarządzania, strategię inwestycyjną, zyski i podatki, operacje ubezpieczeniowe, znaczące udziały, alokację kapitału, aktualizacje sukcesji i inne. Tabele pokazują niezwykłe przewyższenie Berkshire Hathaway w porównaniu do S&P 500 przez niemal sześć dekad – centralny punkt dumy w liście.\n\nJeśli chcesz szczegółów z jakiejkolwiek konkretnej sekcji, daj mi znać!"
        }
      ],
      "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": {}
}

Można zobaczyć, że przetworzyliśmy również przesłany plik, a wyniki są podobne do powyższych.

Obsługa błędów

Podczas wywoływania API, jeśli wystąpią błędy, API zwróci odpowiedni kod błędu i informacje. Na przykład:

400 token_mismatched: Zły wniosek, prawdopodobnie z powodu brakujących lub nieprawidłowych parametrów.
400 api_not_implemented: Zły wniosek, prawdopodobnie z powodu brakujących lub nieprawidłowych parametrów.
401 invalid_token: Nieautoryzowany, nieprawidłowy lub brakujący token autoryzacyjny.
429 too_many_requests: Zbyt wiele żądań, przekroczono limit szybkości.
500 api_error: Błąd wewnętrzny serwera, coś poszło nie tak na serwerze.

Przykład odpowiedzi błędu

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

Wnioski

Dzięki temu dokumentowi zrozumiałeś, jak łatwo korzystać z OpenAI Responses API, aby zrealizować funkcję tworzenia odpowiedzi oficjalnego OpenAI. Mamy nadzieję, że ten dokument pomoże Ci lepiej zintegrować i korzystać z tego API. W razie jakichkolwiek pytań, prosimy o kontakt z naszym zespołem wsparcia technicznego.

Getting Started

Czat AI

Obraz AI

Wideo AI

Audio AI

Sieć i dane

CAPTCHA

Tożsamość

Proxy

Advanced

Coding

OpenAI Responses API 申请及使用

申请流程

基本使用

流式响应

Wiele rund rozmowy

Model wizualny

Tworzenie modelu przetwarzania plików

Obsługa błędów

Przykład odpowiedzi błędu

Wnioski

​申请流程

​基本使用

​流式响应

​Wiele rund rozmowy

​Model wizualny

​Tworzenie modelu przetwarzania plików

​Obsługa błędów

​Przykład odpowiedzi błędu

​Wnioski

申请流程

基本使用

流式响应

Wiele rund rozmowy

Model wizualny

Tworzenie modelu przetwarzania plików

Obsługa błędów

Przykład odpowiedzi błędu

Wnioski