Ansökan och användning av OpenAI Responses API

OpenAI har nyligen tillhandahållit ett gränssnitt för att skapa modellsvar. Tillhandahåll text- eller bildindata för att generera text- eller bildutdata. Låt modellen anropa din egen anpassade kod eller använda inbyggda verktyg, såsom webbsökning eller filsökning, för att använda dina egna data som indata för modellsvar. Detta dokument introducerar huvudsakligen användningsprocessen för OpenAI Responses API. Med hjälp av det kan vi enkelt använda OpenAI:s officiella funktion för att skapa modellsvar.

GPT-6.1 Sol

Använd model: "gpt-6.1-sol" för att välja denna modell. Den stöder strömmande utdata, funktionsanrop, strukturerade utdata och bildindata. Under den första veckan efter lanseringen är den endast tillgänglig för verifierade ACE T1+-innehavare (minst 100 000 ACE) eller auktoriserade användare; den specifika tillgänglighetstiden avgörs av åtkomstmeddelandet i konsolen. Resonemangsnivåerna stöder low, medium, high, xhigh och max, och stöder för närvarande inte none eller minimal. Det rekommenderas att börja med reasoning: {"effort": "low"}. När indata överstiger 272 000 tokens tillämpas prissättning för lång kontext för hela begäran, och avgifterna följer det aktuella priset i konsolen.

Ansökningsprocess

För att använda OpenAI Responses API går du först till Ace Data Cloud-konsolen för att hämta din API Token och spara den som reserv.

Om du ännu inte har loggat in eller registrerat dig kommer du automatiskt att omdirigeras till inloggningssidan för att registrera dig och logga in, och efter slutförandet återvänder du automatiskt till den aktuella sidan. En API Token kan anropa alla plattformens tjänster, utan att behöva ansöka separat för varje tjänst. Vid första ansökan får du en gratis kvot för kostnadsfri testning; när kvoten är otillräcklig kan du fylla på det gemensamma saldot i konsolen.

📘 Fullständig dokumentation: OpenAI Responses API →

Grundläggande användning

Därefter kan du fylla i motsvarande innehåll i gränssnittet, som visas i bilden:

När vi använder detta gränssnitt för första gången behöver vi minst fylla i tre saker. Den ena är authorization, som du kan välja direkt i rullgardinslistan. En annan parameter är model; model är den modellkategori från OpenAI ChatGPT:s officiella webbplats som vi väljer att använda. Här har vi huvudsakligen 20 modeller, och detaljer finns i modellerna vi tillhandahåller. Den sista parametern är input; input är matrisen av frågeord som vi matar in. Det är en matris, vilket innebär att flera frågeord kan laddas upp samtidigt. Varje frågeord innehåller role och content, där role anger frågeställarens roll. Vi tillhandahåller tre identiteter: user, assistant och system. Den andra, content, är det specifika innehållet i vår fråga. Samtidigt kan du märka att det finns motsvarande genererad anropskod på höger sida. Du kan kopiera koden och köra den direkt, eller direkt klicka på knappen ”Try” för att testa. Vanliga valfria parametrar:

max_tokens: begränsar det maximala antalet tokens för ett enskilt svar.
temperature: slumpmässighet vid generering, mellan 0 och 2; ju högre värde, desto mer spritt.
n: hur många kandidatsvar som genereras på en gång.
response_format: inställning för svarsformat.
tools: definition av funktions-/verktygsanrop.
background: om det ska köras asynkront i bakgrunden.

Efter anropet ser vi att returresultatet är följande:

{
  "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": {}
}

Returresultatet har flera fält, som beskrivs nedan:

id, ID:t för den genererade konversationsuppgiften, som används för att unikt identifiera denna konversationsuppgift.
model , den valda modellen från OpenAI ChatGPT:s officiella webbplats.
output, svarsinformationen som ChatGPT ger på frågeordet.
usage : statistisk information om tokens för denna fråga och svar.

Bland dessa innehåller output ChatGPT:s svarsinformation, och dess output är ChatGPT, vilket kan ses i bilden.

Det går att se att fältet content i output innehåller det specifika innehållet i ChatGPT:s svar.

Strömmande svar

Detta gränssnitt stöder även strömmande svar, vilket är mycket användbart för webbintegration och kan göra det möjligt för webbsidan att implementera en effekt där text visas tecken för tecken. Om du vill returnera svar strömmande kan du ändra parametern stream i begärans header till true. Ändringen visas i bilden, men anropskoden behöver ändras motsvarande för att stödja strömmande svar.

Efter att ha ändrat stream till true returnerar API:t motsvarande JSON-data rad för rad. På kodnivå behöver vi göra motsvarande ändringar för att få resultatet rad för rad. Exempel på anropskod i 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":"Hello"}],
    "stream": True
}

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

Utdatan blir följande:

data: {"type": "response.created", "sequence_number": 0, "response":
{"id": "resp_68a9837bb9bc8190b403947311db6faa0721186e8fbb89d0", "object": "response", "created_at": 1755939707, "status": "in_progress", "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": "in_progress", "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": "in_progress", "content": [], "role": "assistant"}, "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": "Hej", "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": " Hur", "model": "gpt-4.1"} 

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

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

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

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

data: {"type": "response.output_text.delta", "sequence_number": 11, "item_id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "output_index": 0, "content_index": 0, "delta": " i dag", "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.delta", "sequence_number": 13, "item_id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "output_index": 0, "content_index": 0, "delta": " 😊", "model": "gpt-4.1"} 

data: {"type": "response.output_text.done", "sequence_number": 14, "item_id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "output_index": 0, "content_index": 0, "text": "Hej! Hur kan jag hjälpa dig i dag? 😊", "model": "gpt-4.1"} 

data: {"type": "response.content_part.done", "sequence_number": 15, "item_id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "output_index": 0, "content_index": 0, "part": {"type": "output_text", "annotations": [], "text": "Hej! Hur kan jag hjälpa dig i dag? 😊"}, "model": "gpt-4.1"} 

data: {"type": "response.output_item.done", "sequence_number": 16, "output_index": 0, "item": {"id": "msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0", "type": "message", "status": "completed", "content": [{"type": "output_text", "annotations": [], "text": "Hej! Hur kan jag hjälpa dig i dag? 😊"}], "role": "assistant"}, "model": "gpt-4.1"} 

data: {"type": "response.completed", "sequence_number": 17, "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": "Hej! Hur kan jag hjälpa dig i dag? 😊"}], "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"}

Du kan se att svaret innehåller många data, och delta i data är det senaste svarsinhållet, vilket överensstämmer med innehållet som presenterades ovan. delta är det nytillagda svarsinnhållet, och du kan integrera det i ditt system baserat på resultatet. Det strömmande svaret använder response.completed eller response.incomplete som slutstatus; usage i slutstatusen är den slutliga token-användningen för denna begäran och utgör även grunden för debitering. Om klienten kopplar från innan slutstatusen har anlänt registreras denna begäran som klienten stängd (499), och lokal uppskattad token-användning används inte för debitering; om anslutningen avslutas normalt men slutstatusen och den slutliga usage inte tas emot registreras denna begäran som ofullständigt svar (502), och uppskattad token-användning används inte heller för debitering. När dessa två situationer uppstår ska du skicka begäran på nytt. Det returnerade data-resultatet har flera fält, som beskrivs nedan:

item_id, ID:t för den genererade konversationsuppgiften, som används för att unikt identifiera denna konversationsuppgift.
type, typen för den genererade Responses-uppgiften för denna konversation.
model , den valda modellen från OpenAI ChatGPT:s officiella webbplats.
delta, svarsinformationen som ChatGPT ger för frågan.

JavaScript stöds också, till exempel är koden för strömmande anrop i Node.js följande:

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

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

Exempelkod för Java:

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

Andra språk kan du själv anpassa på motsvarande sätt, principen är densamma.

Fleromgångskonversation

Om du vill integrera funktionen för flersomgångskonversationer behöver du skicka flera frågor i fältet input; ett specifikt exempel på flera frågor visas i bilden nedan:

Exempelkod för Python-anrop:

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"},{"role":"assistant","content":"Hello! How can I help you today? 😊"},{"role":"user","content":"What did I just say?"}]
}

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

Genom att skicka flera frågor kan du enkelt implementera flersomgångskonversationer och få följande svar:

{
  "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": "You just said \"Hello.\" \n\nWould you like to continue the conversation or ask a question?"
        }
      ],
      "role": "assistant"
    }
  ],
  "parallel_tool_calls": true,
  "previous_response_id": null,
  "prompt_cache_key": null,
  "reasoning": {
    "effort": null,
    "summary": null
  },
  "safety_identifier": null,
  "service_tier": "default",
  "store": true,
  "temperature": 1,
  "text": {
    "format": {
      "type": "text"
    }
  },
  "tool_choice": "auto",
  "tools": [],
  "top_p": 1,
  "truncation": "disabled",
  "usage": {
    "input_tokens": 32,
    "input_tokens_details": {
      "cached_tokens": 0
    },
    "output_tokens": 20,
    "output_tokens_details": {
      "reasoning_tokens": 0
    },
    "total_tokens": 52
  },
  "user": null,
  "metadata": {}
}

Du kan se att informationen som output innehåller överensstämmer med innehållet i den grundläggande användningen. Detta innehåller det specifika innehållet i ChatGPT:s svar på flera konversationer, så att du kan svara på motsvarande frågor baserat på flera konversationsinnehåll.

Visuell modell

gpt-4o är en multimodal stor språkmodell utvecklad av OpenAI. Den har utökats med visuell förståelseförmåga baserat på GPT-4. Denna modell kan samtidigt bearbeta text- och bildinmatning och möjliggör multimodal förståelse och generering. Textbearbetning med modellen gpt-4o överensstämmer med det grundläggande användningsinnehållet ovan. Nedan ges en kort introduktion till hur man använder modellens bildbehandlingsfunktioner. Bildbehandlingsfunktionerna i modellen gpt-4o används huvudsakligen genom att lägga till ett fält type till det ursprungliga innehållet i content. Genom detta fält kan man veta om det som laddas upp är text eller bild, och därmed använda bildbehandlingsfunktionerna i modellen gpt-4o. Nedan beskrivs huvudsakligen hur denna funktion anropas med de två metoderna Curl och Python.

Curl-skriptmetod

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": "what is in this image?"},
          {
            "type": "input_image",
            "image_url": "https://cdn.acedata.cloud/e724d7f13d.png"
          }
        ]
      }
    ]
  }'

Python-skriptmetod

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": "what is in this image?"},
          {
            "type": "input_image",
            "image_url": "https://cdn.acedata.cloud/e724d7f13d.png"
          }
        ]
      }
    ]
  }

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

Därefter kan följande resultat erhållas. Fältinformationen i resultatet överensstämmer med ovanstående, och detaljerna är följande:

{
  "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": "This image shows a scenic path, possibly a boardwalk, running through a lush green field or meadow. The sky above is bright blue with some white clouds, and there are green trees and bushes in the background. It looks like a peaceful nature scene, possibly in a park, wetland, or prairie area. The image conveys a sense of tranquility and natural beauty."
        }
      ],
      "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": {}
}

Det kan ses att svarets innehåll är baserat på bilden. Därför kan man enkelt använda text- och bildbehandlingsfunktionerna i modellen gpt-4.1 genom de två ovanstående metoderna. Utöver gpt-4.1 finns det även en modell med lägre kostnad, kallad gpt-4o-mini. gpt-4o-mini är den senaste generationens stora språkmodell utvecklad av OpenAI. Den har inte bara snabb svarshastighet, utan är även billigare och stöder multimodalitet. Användningen av vision-funktionen kan hänvisa till innehållet ovan om användningen av modellen gpt-4.1.

Skapande av filbehandlingsmodell

Begäransexempel:

{
  "model": "gpt-4.1",
  "input": [
    {
      "role": "user",
      "content": [
        { "type": "input_text", "text": "what is in this file?" },
        {
          "type": "input_file",
          "file_url": "https://cdn.acedata.cloud/assets/examples/fish/64adc04b-c196-4a0f-9070-222ba101ce6c-fc50de38c165.wav"
        }
      ]
    }
  ]
}

Exempelresultat:

{
  "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": "The file you posted contains the **2024 annual letter to shareholders from Berkshire Hathaway Inc.**, written by Warren E. Buffett, Chairman of the Board. This document is a comprehensive communication that is typically included in Berkshire's annual report to shareholders.\n\n### What's Inside the File:\n\n#### 1. **Chairman's Letter to Shareholders**\n   - **Introduction & Philosophy:** Warren Buffett discusses the purpose of the annual report, Berkshire Hathaway’s communication style, and his philosophy for transparency and candid discussion of both successes and failures.\n   - **Discussion of Mistakes:** He talks openly about the mistakes made in capital allocation and personnel decisions, emphasizing the importance of admitting errors and acting promptly to correct them.\n   - **Succession Comments:** Buffett references his eventual retirement, and that Greg Abel will succeed him as CEO and writer of these letters.\n   - **Anecdotal Story:** The story of Pete Liegl, founder of Forest River (an RV manufacturer acquired by Berkshire), is told to illustrate management philosophy and business decision-making.\n\n#### 2. **2024 Business and Financial Performance**\n   - **Key Results:** Summary of how Berkshire performed financially in 2024 vs. 2023, including operating earnings breakdown by business segments such as insurance, BNSF railroad, and energy.\n   - **Insurance Business:** GEICO and the property-casualty insurance division had a standout year, with commentary on the industry and how Berkshire approaches insurance risk, pricing, and investment of insurance \"float.\"\n   - **Investments:** Discussion on Berkshire’s strategy of owning both full businesses and partial stakes (marketable securities) in large companies (e.g., Apple, American Express, Coca-Cola), and its deployment of cash.\n   - **Taxes:** Reference to Berkshire breaking records in corporate tax payments ($26.8 billion to the IRS in 2024).\n\n#### 3. **Long-term Philosophy & Capitalism Commentary**\n   - **On Equities:** Buffett explains why Berkshire prioritizes ownership of businesses (equities) over cash or bonds, and why the company favors long-term investments.\n   - **On Capitalism:** There’s a reflection on America’s growth, the role of capitalism, savings, and capital allocation in the nation’s success, and a nod to the importance of maintaining a stable currency.\n\n#### 4. **Japanese Investments**\n   - **Update on Japanese Holdings:** Berkshire’s growing investments in five Japanese trading companies, and the positive view of their management and governance.\n\n#### 5. **Berkshire Hathaway Annual Meeting**\n   - **Annual Gathering Info:** Details about the annual meeting in Omaha, including social events, book sales, and charitable initiatives related to the meeting.\n   - **Personal Stories:** Personal anecdotes involving Buffett’s family, (including his sister Bertie), to add a human touch to the letter.\n\n#### 6. **Performance Tables**\n   - **Berkshire vs S&P 500 (1965-2024):** Two detailed tables showing annual percentage change in Berkshire’s share price vs. total return for the S&P 500, as well as long-term compounded and overall gains.\n\n---\n\n### In Summary\n\nThis file is the **2024 Berkshire Hathaway annual letter to shareholders**, primarily written by Warren Buffett. It covers business performance, management philosophy, investment strategy, earnings and taxes, insurance operations, significant holdings, capital allocation, succession updates, and more. Tables show a remarkable outperformance of Berkshire Hathaway vs. the S&P 500 over nearly six decades – a central point of pride in the letter.\n\nIf you want specifics from any particular section, let me know!"
        }
      ],
      "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": {}
}

Som du kan se har vi också bearbetat den inmatade filen, och resultatet liknar ovanstående.

Felhantering

Vid anrop av API:et, om ett fel uppstår, returnerar API:et motsvarande felkod och information. Till exempel:

400 token_mismatched: Felaktig begäran, möjligen på grund av saknade eller ogiltiga parametrar.
400 api_not_implemented: Felaktig begäran, möjligen på grund av saknade eller ogiltiga parametrar.
401 invalid_token: Obehörig, ogiltig eller saknad auktoriseringstoken.
429 too_many_requests: För många begäranden, du har överskridit hastighetsgränsen.
500 api_error: Internt serverfel, något gick fel på servern.

Exempel på felsvar

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

Slutsats

Genom detta dokument har du redan lärt dig hur du använder OpenAI Responses API för att enkelt implementera den officiella OpenAI-funktionen för att skapa Responses. Vi hoppas att detta dokument kan hjälpa dig att bättre integrera och använda detta API. Om du har några frågor, kontakta gärna vårt tekniska supportteam när som helst.

Getting Started

AI Samtal

AI Bild

AI Video

AI Ljud

Web & Data

CAPTCHA

Identitet

Coding

Fler guider

Ansökan och användning av OpenAI Responses API

GPT-6.1 Sol

Ansökningsprocess

Grundläggande användning

Strömmande svar

Fleromgångskonversation

Visuell modell

Skapande av filbehandlingsmodell

Felhantering

Exempel på felsvar

Slutsats

​GPT-6.1 Sol

​Ansökningsprocess

​Grundläggande användning

​Strömmande svar

​Fleromgångskonversation

​Visuell modell

​Skapande av filbehandlingsmodell

​Felhantering

​Exempel på felsvar

​Slutsats

GPT-6.1 Sol

Ansökningsprocess

Grundläggande användning

Strömmande svar

Fleromgångskonversation

Visuell modell

Skapande av filbehandlingsmodell

Felhantering

Exempel på felsvar

Slutsats