Solicitação e Uso da API de Respostas OpenAI

A OpenAI recentemente forneceu uma interface para criar respostas de modelos. Forneça entradas de texto ou imagem para gerar saídas de texto ou imagem. Permita que o modelo chame seu próprio código personalizado ou use ferramentas integradas, como pesquisa na web ou pesquisa de arquivos, para usar seus próprios dados como entrada para a resposta do modelo. Este documento descreve principalmente o fluxo de uso da API de Respostas OpenAI, permitindo que utilizemos facilmente a funcionalidade de criação de respostas de modelos da OpenAI oficial.

Fluxo de Solicitação

Para usar a API de Respostas OpenAI, primeiro acesse o console Ace Data Cloud para obter seu Token de API, que deve ser guardado para uso futuro.

Se você ainda não estiver logado ou registrado, será redirecionado automaticamente para a página de login, convidando-o a se registrar e fazer login. Após a conclusão, você será redirecionado de volta para a página atual. Um Token de API é suficiente para acessar todos os serviços da plataforma, não sendo necessário solicitar individualmente para cada serviço. A primeira solicitação oferece um crédito gratuito para que você possa experimentar; quando o crédito estiver baixo, você pode recarregar o saldo geral no console.

📘 Documentação Completa: API de Respostas OpenAI →

Uso Básico

Em seguida, você pode preencher o conteúdo correspondente na interface, como mostrado na imagem:

Na primeira vez que usar essa interface, precisamos preencher pelo menos três conteúdos: um é authorization, que pode ser selecionado diretamente na lista suspensa. O outro parâmetro é model, que é a categoria do modelo que escolhemos usar do site oficial da OpenAI ChatGPT. Aqui temos principalmente 20 tipos de modelos, e você pode ver os detalhes dos modelos que fornecemos. O último parâmetro é input, que é um array de palavras de pergunta que inserimos, representando a possibilidade de enviar várias palavras de pergunta ao mesmo tempo, cada uma contendo role e content, onde role representa o papel do questionador. Oferecemos três identidades: user, assistant, system. O outro content é o conteúdo específico da nossa pergunta. Você também pode notar que há um código de chamada correspondente gerado à direita, que você pode copiar e executar diretamente, ou pode clicar no botão “Try” para testar. Parâmetros opcionais comuns:

max_tokens: limita o número máximo de tokens na resposta única.
temperature: gera aleatoriedade, entre 0-2, quanto maior o valor, mais disperso.
n: quantas respostas candidatas gerar de uma vez.
response_format: configurações de formato de retorno.
tools: definição de chamadas de funções/ferramentas.
background: se deve ser executado em segundo plano de forma assíncrona.

Após a chamada, descobrimos que o resultado retornado é o seguinte:

{
  "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": "Olá! Como posso ajudá-lo hoje?"
        }
      ],
      "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": {}
}

O resultado retornado contém vários campos, descritos a seguir:

id, o ID gerado para esta tarefa de diálogo, usado para identificar exclusivamente esta tarefa de diálogo.
model, o modelo escolhido do site oficial da OpenAI ChatGPT.
output, as informações de resposta que o ChatGPT forneceu para as palavras de pergunta.
usage: informações estatísticas sobre os tokens usados nesta pergunta e resposta.

Entre eles, output contém as informações de resposta do ChatGPT, onde o output é do ChatGPT, como pode ser visto na imagem.

Pode-se observar que o campo content dentro de output contém o conteúdo específico da resposta do ChatGPT.

Resposta em Fluxo

Esta interface também suporta resposta em fluxo, o que é muito útil para integração em páginas da web, permitindo que a página exiba o resultado palavra por palavra. Se você deseja retornar a resposta em fluxo, pode alterar o parâmetro stream no cabeçalho da solicitação para true. A modificação é mostrada na imagem, mas o código de chamada precisa ter as alterações correspondentes para suportar a resposta em fluxo.

Após alterar stream para true, a API retornará os dados JSON correspondentes linha por linha, e no nível do código, precisamos fazer as modificações necessárias para obter os resultados linha por linha. Exemplo de código de chamada em 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":"Olá"}],
    "stream": True
}

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

O efeito de saída é o seguinte:

data: {"type": "response.created", "sequence_number": 0, "response":
{"id": "resp_68a9837bb9bc8190b403947311db6faa0721186e8fbb89d0", "object": "response", "created_at": 1755939707, "status": "em_andamento", "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.em_andamento", "sequence_number": 1, "response": {"id": "resp_68a9837bb9bc8190b403947311db6faa0721186e8fbb89d0", "object": "response", "created_at": 1755939707, "status": "em_andamento", "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.adicionado", "sequence_number": 2, "output_index": 0, "item": {"id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "type": "mensagem", "status": "em_andamento", "content": [], "role": "assistente"}, "model": "gpt-4.1"} 

data: {"type": "response.content_part.adicionado", "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": "Olá", "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": " Como", "model": "gpt-4.1"} 

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

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

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

data: {"type": "response.output_text.delta", "sequence_number": 10, "item_id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "output_index": 0, "content_index": 0, "delta": " hoje", "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": "Olá! Como posso ajudar você hoje? 😊", "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": "Olá! Como posso ajudar você hoje? 😊"}, "model": "gpt-4.1"} 

data: {"type": "response.output_item.done", "sequence_number": 15, "output_index": 0, "item": {"id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "type": "mensagem", "status": "concluído", "content": [{"type": "output_text", "annotations": [], "text": "Olá! Como posso ajudar você hoje? 😊"}], "role": "assistente"}, "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": "Olá! Como posso ajudá-lo hoje? 😊"}], "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"}

Pode-se ver que a resposta contém muitos data, e o delta dentro de data é o conteúdo da resposta mais recente, consistente com o conteúdo apresentado acima. O delta é o novo conteúdo da resposta, e você pode integrá-lo ao seu sistema com base nos resultados. Além disso, o término da resposta em fluxo é determinado pelo conteúdo de data; se o conteúdo de type for response.completed, isso indica que a resposta em fluxo foi totalmente concluída. Os resultados retornados em data têm vários campos, que são descritos a seguir:

item_id, o ID da tarefa de diálogo gerada, usado para identificar exclusivamente esta tarefa de diálogo.
type, o tipo da tarefa de respostas geradas.
model, o modelo escolhido do site oficial do OpenAI ChatGPT.
delta, as informações de resposta fornecidas pelo ChatGPT em relação à pergunta.

JavaScript também é suportado, por exemplo, o código de chamada em fluxo do Node.js é o seguinte:

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

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

Exemplo de código em Java:

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

Outras linguagens podem ser reescritas de forma semelhante, o princípio é o mesmo.

Diálogo em várias rodadas

Se você deseja integrar a funcionalidade de diálogo em várias rodadas, precisa enviar vários termos de pergunta no campo input, exemplos específicos de vários termos de pergunta são mostrados na imagem abaixo:

Exemplo de código de chamada em 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":"Olá"},{"role":"assistant","content":"Olá! Como posso ajudá-lo hoje? 😊"},{"role":"user","content":"O que eu acabei de dizer?"}]
}

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

Ao enviar vários termos de pergunta, você pode facilmente realizar diálogos em várias rodadas e obter a seguinte resposta:

{
  "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": "Você acabou de dizer \"Olá.\" \n\nVocê gostaria de continuar a conversa ou fazer uma pergunta?"
        }
      ],
      "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": {}
}

Pode-se ver que as informações contidas em output são consistentes com o conteúdo do uso básico, que inclui o conteúdo específico da resposta do ChatGPT a vários diálogos, permitindo que você responda às perguntas correspondentes com base em vários conteúdos de diálogo.

Modelo visual

gpt-4o é um modelo de linguagem grande multimodal desenvolvido pela OpenAI, que adiciona capacidade de compreensão visual ao GPT-4. Este modelo pode processar simultaneamente entradas de texto e imagem, realizando compreensão e geração multimodal. O processamento de texto usando o modelo gpt-4o é consistente com o conteúdo básico de uso mencionado acima; a seguir, será apresentada uma breve introdução sobre como usar a capacidade de processamento de imagem do modelo. A capacidade de processamento de imagem do modelo gpt-4o é principalmente ativada adicionando um campo type ao conteúdo original de content, através do qual é possível saber se o que foi enviado é texto ou imagem, permitindo assim o uso da capacidade de processamento de imagem do modelo gpt-4o. A seguir, serão abordadas duas maneiras de chamar essa funcionalidade usando Curl e 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": "o que há nesta imagem?"},
          {
            "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": "o que há nesta imagem?"},
          {
            "type": "input_image",
            "image_url": "https://cdn.acedata.cloud/e724d7f13d.png"
          }
        ]
      }
    ]
  }

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

Então, pode-se obter o seguinte resultado, onde as informações dos campos são consistentes com o texto acima, conforme abaixo:

{
  "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 imagem mostra um caminho cênico, possivelmente um calçadão, passando por um campo ou prado verdejante. O céu acima é azul brilhante com algumas nuvens brancas, e há árvores e arbustos verdes ao fundo. Parece uma cena de natureza pacífica, possivelmente em um parque, área de pântano ou pradaria. A imagem transmite uma sensação de tranquilidade e beleza 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": {}
}

Pode-se ver que o conteúdo da resposta é baseado na imagem, portanto, através dos dois métodos acima, é possível utilizar facilmente a capacidade de processamento de texto e imagem do modelo gpt-4.1. Além do gpt-4.1, há um modelo de custo mais baixo chamado gpt-4o-mini. O gpt-4o-mini é a mais nova geração de modelo de linguagem de grande porte desenvolvido pela OpenAI, que não só tem uma velocidade de resposta rápida, mas também é mais barato e suporta multimodal. O uso da função de visão pode ser referenciado no conteúdo de uso do modelo gpt-4.1 acima.

Criação de modelo de processamento de arquivos

Exemplo de solicitação:

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

Exemplo 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": "O arquivo que você postou contém a **carta anual de 2024 aos acionistas da Berkshire Hathaway Inc.**, escrita por Warren E. Buffett, Presidente do Conselho. Este documento é uma comunicação abrangente que geralmente é incluída no relatório anual da Berkshire para os acionistas.\n\n### O que há dentro do arquivo:\n\n#### 1. **Carta do Presidente aos Acionistas**\n   - **Introdução & Filosofia:** Warren Buffett discute o propósito do relatório anual, o estilo de comunicação da Berkshire Hathaway e sua filosofia de transparência e discussão franca sobre sucessos e fracassos.\n   - **Discussão sobre Erros:** Ele fala abertamente sobre os erros cometidos na alocação de capital e decisões de pessoal, enfatizando a importância de admitir erros e agir rapidamente para corrigi-los.\n   - **Comentários sobre Sucessão:** Buffett menciona sua eventual aposentadoria e que Greg Abel o sucederá como CEO e redator dessas cartas.\n   - **História Anecdótica:** A história de Pete Liegl, fundador da Forest River (um fabricante de trailers adquirido pela Berkshire), é contada para ilustrar a filosofia de gestão e a tomada de decisões empresariais.\n\n#### 2. **Desempenho Empresarial e Financeiro de 2024**\n   - **Resultados Chave:** Resumo de como a Berkshire se saiu financeiramente em 2024 em comparação a 2023, incluindo a divisão dos lucros operacionais por segmentos de negócios, como seguros, ferrovia BNSF e energia.\n   - **Negócio de Seguros:** A GEICO e a divisão de seguros de propriedade e acidentes tiveram um ano excepcional, com comentários sobre a indústria e como a Berkshire aborda o risco de seguros, precificação e investimento do \"float\" de seguros.\n   - **Investimentos:** Discussão sobre a estratégia da Berkshire de possuir tanto negócios inteiros quanto participações parciais (títulos negociáveis) em grandes empresas (por exemplo, Apple, American Express, Coca-Cola), e sua alocação de caixa.\n   - **Impostos:** Referência à Berkshire quebrando recordes em pagamentos de impostos corporativos (US$ 26,8 bilhões para o IRS em 2024).\n\n#### 3. **Filosofia de Longo Prazo & Comentário sobre o Capitalismo**\n   - **Sobre Ações:** Buffett explica por que a Berkshire prioriza a propriedade de negócios (ações) em vez de dinheiro ou títulos, e por que a empresa favorece investimentos de longo prazo.\n   - **Sobre o Capitalismo:** Há uma reflexão sobre o crescimento da América, o papel do capitalismo, poupança e alocação de capital no sucesso da nação, e uma menção à importância de manter uma moeda estável.\n\n#### 4. **Investimentos Japoneses**\n   - **Atualização sobre Participações Japonesas:** Os crescentes investimentos da Berkshire em cinco empresas de comércio japonês, e a visão positiva sobre sua gestão e governança.\n\n#### 5. **Reunião Anual da Berkshire Hathaway**\n   - **Informações sobre o Encontro Anual:** Detalhes sobre a reunião anual em Omaha, incluindo eventos sociais, vendas de livros e iniciativas de caridade relacionadas à reunião.\n   - **Histórias Pessoais:** Anedotas pessoais envolvendo a família de Buffett, (incluindo sua irmã Bertie), para adicionar um toque humano à carta.\n\n#### 6. **Tabelas de Desempenho**\n   - **Berkshire vs S&P 500 (1965-2024):** Duas tabelas detalhadas mostrando a variação percentual anual no preço das ações da Berkshire em comparação ao retorno total do S&P 500, bem como ganhos compostos e gerais a longo prazo.\n\n---\n\n### Em Resumo\n\nEste arquivo é a **carta anual de 2024 da Berkshire Hathaway aos acionistas**, escrita principalmente por Warren Buffett. Ele cobre desempenho empresarial, filosofia de gestão, estratégia de investimento, lucros e impostos, operações de seguros, participações significativas, alocação de capital, atualizações sobre sucessão e mais. As tabelas mostram um desempenho notável da Berkshire Hathaway em comparação ao S&P 500 ao longo de quase seis décadas – um ponto central de orgulho na carta.\n\nSe você quiser detalhes de alguma seção específica, me avise!"
        }
      ],
      "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": {}
}

Pode-se ver que também processamos o arquivo de entrada, e o resultado é semelhante ao acima.

Tratamento de Erros

Ao chamar a API, se ocorrer um erro, a API retornará o respectivo código de erro e mensagem. Por exemplo:

400 token_mismatched: Solicitação inválida, possivelmente devido a parâmetros ausentes ou inválidos.
400 api_not_implemented: Solicitação inválida, possivelmente devido a parâmetros ausentes ou inválidos.
401 invalid_token: Não autorizado, token de autorização inválido ou ausente.
429 too_many_requests: Muitas solicitações, você excedeu o limite de taxa.
500 api_error: Erro interno do servidor, algo deu errado no servidor.

Exemplo de Resposta de Erro

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

Conclusão

Através deste documento, você já entendeu como usar a OpenAI Responses API para implementar facilmente a funcionalidade de criação de Responses da OpenAI oficial. Esperamos que este documento ajude você a se conectar e usar melhor essa API. Se tiver alguma dúvida, entre em contato com nossa equipe de suporte técnico.

Primeiros passos

Chat AI

Imagem AI

Vídeo AI

Áudio AI

Web e Dados

CAPTCHA

Identidade

Proxy

Avançado

Coding

Solicitação e Uso da API de Respostas OpenAI

Fluxo de Solicitação

Uso Básico

Resposta em Fluxo

Diálogo em várias rodadas

Modelo visual

Criação de modelo de processamento de arquivos

Tratamento de Erros

Exemplo de Resposta de Erro

Conclusão

​Fluxo de Solicitação

​Uso Básico

​Resposta em Fluxo

​Diálogo em várias rodadas

​Modelo visual

​Criação de modelo de processamento de arquivos

​Tratamento de Erros

​Exemplo de Resposta de Erro

​Conclusão

Fluxo de Solicitação

Uso Básico

Resposta em Fluxo

Diálogo em várias rodadas

Modelo visual

Criação de modelo de processamento de arquivos

Tratamento de Erros

Exemplo de Resposta de Erro

Conclusão