Saltar para o conteúdo principal
A OpenAI forneceu recentemente uma interface para criar respostas de modelos. Forneça entradas de texto ou imagem para gerar saídas de texto ou imagem. Faça o modelo chamar seu próprio código personalizado ou usar ferramentas integradas, como pesquisa na web ou pesquisa de arquivos, para usar seus próprios dados como entrada para respostas do modelo. Este documento apresenta principalmente o processo de uso das operações da API de Responses da OpenAI, com a qual podemos utilizar facilmente a funcionalidade oficial da OpenAI para criar respostas de modelos.

GPT-6.1 Sol

Use model: "gpt-6.1-sol" para selecionar este modelo. Suporta saída em streaming, chamadas de função, saída estruturada e entrada de imagem. Durante a primeira semana após a abertura, estará disponível apenas para titulares verificados de ACE T1+ (pelo menos 100.000 ACE) ou usuários autorizados; o horário específico de abertura estará sujeito ao aviso de acesso no console. Os níveis de raciocínio suportam low, medium, high, xhigh e max, e none ou minimal não são suportados por enquanto. Recomenda-se começar com reasoning: {"effort": "low"}. Quando a entrada exceder 272.000 tokens, a precificação de contexto longo será aplicada a toda a solicitação, e as taxas estarão sujeitas aos preços atuais no console.

Processo de solicitação

Para usar a API de Responses da OpenAI, primeiro acesse o console Ace Data Cloud para obter seu API Token e guarde-o como reserva. Se você ainda não estiver conectado ou registrado, será automaticamente redirecionado para a página de login para convidá-lo a se registrar e entrar, e retornará automaticamente à página atual após a conclusão. Um API Token pode chamar todos os serviços da plataforma, sem necessidade de solicitar separadamente para cada serviço. A primeira solicitação concederá créditos gratuitos, permitindo uma experiência gratuita; quando os créditos forem insuficientes, você poderá recarregar o saldo geral no console.
📘 Documentação completa: OpenAI Responses API →

Uso básico

Em seguida, você pode preencher os conteúdos correspondentes na interface, conforme mostrado na imagem:

Ao usar esta interface pela primeira vez, precisamos preencher pelo menos três conteúdos. Um deles é authorization, que pode ser selecionado diretamente na lista suspensa. Outro parâmetro é model, model é a categoria de modelo do site oficial OpenAI ChatGPT que escolhemos usar; aqui temos principalmente 20 tipos de modelos, e os detalhes podem ser vistos nos modelos que fornecemos. O último parâmetro é input, input é o array de palavras de pergunta que inserimos, é um array, indicando que várias palavras de pergunta podem ser enviadas ao mesmo tempo; cada palavra de pergunta contém role e content, onde role representa o papel do questionador, fornecemos três identidades, respectivamente user, assistant, system. O outro content é o conteúdo específico da nossa pergunta. Ao mesmo tempo, você pode notar que há a geração de código de chamada correspondente à direita. Você pode copiar o código e executá-lo diretamente, ou clicar diretamente no botão «Try» para testar. Parâmetros opcionais comuns:
  • max_tokens: limita o número máximo de tokens em uma única resposta.
  • temperature: aleatoriedade da geração, entre 0 e 2; quanto maior o valor, mais divergente.
  • n: quantas respostas candidatas gerar de uma vez.
  • response_format: configuração do formato de retorno.
  • tools: definição de chamadas de função/ferramenta.
  • background: se será executado de forma assíncrona em segundo plano.

Após a chamada, descobrimos que o resultado retornado é o seguinte:
O resultado retornado possui vários campos, apresentados a seguir:
  • id, o ID gerado para esta tarefa de conversa, usado para identificar exclusivamente esta tarefa de conversa.
  • model , o modelo do site oficial OpenAI ChatGPT selecionado.
  • output, as informações de resposta fornecidas pelo ChatGPT para as palavras de pergunta.
  • usage : informações estatísticas sobre tokens para esta pergunta e resposta.
Entre eles, output contém as informações de resposta do ChatGPT, e seu output é o ChatGPT, como pode ser visto na imagem.

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

Resposta em streaming

Esta interface também suporta resposta em streaming, o que é muito útil para integração com páginas web, permitindo que a página implemente um efeito de exibição palavra por palavra. Se quiser retornar respostas em streaming, você 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 respostas em streaming.

Após alterar stream para true, a API retornará os dados JSON correspondentes linha por linha; no nível do código, precisamos fazer as modificações correspondentes para obter os resultados linha por linha. Código de chamada de exemplo em Python:
O efeito de saída é o seguinte:
É possível ver que há muitos data na resposta, e o delta dentro de data é o conteúdo mais recente da resposta, consistente com o conteúdo apresentado acima. delta é o conteúdo de resposta adicionado, e você pode integrá-lo ao seu sistema de acordo com o resultado. A resposta em fluxo usa response.completed ou response.incomplete como estado final; o usage no estado final é o uso final de tokens desta solicitação e também a base para cobrança. Se o cliente desconectar antes da chegada do estado final, esta solicitação será registrada como fechada pelo cliente (499), e não será cobrada com base na estimativa local de tokens; se a conexão for encerrada normalmente, mas o estado final e o usage final não forem recebidos, esta solicitação será registrada como resposta incompleta (502), e igualmente não será cobrada com base na estimativa de tokens. Ao encontrar essas duas situações, inicie novamente a solicitação. O resultado de data retornado tem vários campos, apresentados a seguir:
  • item_id, o ID da tarefa de conversa gerada desta vez, usado para identificar exclusivamente esta tarefa de conversa.
  • type, o tipo da tarefa Responses gerada desta conversa.
  • model , o modelo selecionado no site oficial do OpenAI ChatGPT.
  • delta, as informações de resposta fornecidas pelo ChatGPT para a pergunta.
JavaScript também é compatível, por exemplo, o código de chamada em fluxo do Node.js é o seguinte:
Código de exemplo em Java:
Outras linguagens podem ser adaptadas separadamente, o princípio é o mesmo.

Conversas com múltiplos turnos

Se você quiser integrar a funcionalidade de conversas com múltiplos turnos, precisará enviar várias perguntas no campo input; exemplos específicos de várias perguntas são mostrados na imagem abaixo:

Código de exemplo de chamada em Python:
Ao enviar várias perguntas, é possível implementar facilmente conversas com múltiplos turnos e obter a seguinte resposta:
É possível ver que as informações contidas em output são consistentes com o conteúdo do uso básico; isso inclui o conteúdo específico das respostas do ChatGPT para várias conversas, permitindo assim responder às perguntas correspondentes com base em vários conteúdos de conversa.

Modelo de visão

gpt-4o é um grande modelo de linguagem multimodal desenvolvido pela OpenAI; ele adiciona capacidade de compreensão visual com base no GPT-4. Este modelo pode processar simultaneamente entradas de texto e imagem, realizando compreensão e geração multimodais. O processamento de texto usando o modelo gpt-4o é consistente com o conteúdo básico de uso acima. A seguir, será apresentado brevemente como usar a capacidade de processamento de imagens do modelo. A capacidade de processamento de imagens usando o modelo gpt-4o é realizada principalmente adicionando um campo type com base no conteúdo content original. Por meio desse campo, é possível saber se o que foi enviado é texto ou imagem, permitindo assim usar a capacidade de processamento de imagens do modelo gpt-4o. A seguir, será explicado principalmente como chamar essa funcionalidade usando Curl e Python.
  • Método de script Curl
  • Método de script Python
Em seguida, é possível obter o resultado abaixo. As informações dos campos no resultado são consistentes com as do texto acima, conforme segue:
Pode-se ver que o conteúdo da resposta é baseado na imagem; portanto, por meio dos dois métodos acima, é possível usar facilmente as capacidades de processamento de texto e imagem do modelo gpt-4.1. Além do gpt-4.1, há também um modelo de menor custo, chamado gpt-4o-mini. O gpt-4o-mini é a mais recente geração de modelo de linguagem de grande escala desenvolvida pela OpenAI. Ele não apenas possui alta velocidade de resposta, como também tem um preço mais baixo e oferece suporte a multimodalidade. Para o uso da funcionalidade vision, consulte o conteúdo acima sobre o uso do modelo gpt-4.1.

Criação do modelo de processamento de arquivos

Exemplo de solicitação:
Resultado de exemplo:
Como pode ser visto, também processamos os arquivos de entrada, e o resultado é semelhante ao acima.

Tratamento de erros

Ao chamar a API, se ocorrer um erro, a API retornará o código e a mensagem de erro correspondentes. Por exemplo:
  • 400 token_mismatched:Bad request, possibly due to missing or invalid parameters.
  • 400 api_not_implemented:Bad request, possibly due to missing or invalid parameters.
  • 401 invalid_token:Unauthorized, invalid or missing authorization token.
  • 429 too_many_requests:Too many requests, you have exceeded the rate limit.
  • 500 api_error:Internal server error, something went wrong on the server.

Exemplo de resposta de erro

Conclusão

Por meio deste documento, você já entendeu como usar a OpenAI Responses API para implementar facilmente a funcionalidade oficial de criação de Responses da OpenAI. Esperamos que este documento possa ajudá-lo a integrar e usar melhor esta API. Se tiver alguma dúvida, entre em contato com nossa equipe de suporte técnico a qualquer momento.