> ## Documentation Index > Fetch the complete documentation index at: https://docs.acedata.cloud/llms.txt > Use this file to discover all available pages before exploring further. # OpenAI Responses API 申请及使用 > OpenAI generation API guide - Ace Data Cloud 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](https://platform.acedata.cloud/console/applications), aby uzyskać swój token API, który należy zachować na przyszłość. ![](https://cdn.acedata.cloud/dvc3cg.jpg) 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](https://platform.acedata.cloud/console/coin). > 📘 Pełna dokumentacja: [OpenAI Responses API →](https://platform.acedata.cloud/documents/openai-responses) ## 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: ```json theme={null} { "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: ```python theme={null} 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: ```json theme={null} 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: ```javascript theme={null} 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: ```java theme={null} 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: ```python theme={null} 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: ```json theme={null} { "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 ```python theme={null} 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: ```json theme={null} { "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: ```json theme={null} { "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: ```json theme={null} { "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.