跳轉到主要內容
平台接受的相容模型請求按模型的輸入、輸出及快取用量計費。Responses 輸入總量包含已報告的快取 token，快取部分按對應快取價格結算；切換介面格式不會改為固定次數收費。費用以控制台目前模型價格和回應 usage.cost 為準。 OpenAI 最近提供了一個建立模型回應的介面。提供文字或圖像輸入以產生文字或圖像輸出。讓模型呼叫您自己的自訂程式碼或使用內建工具，如 web 搜尋或檔案搜尋，以使用您自己的資料作為模型回應的輸入。 本文檔主要介紹 OpenAI Responses API 操作的使用流程，利用它我們可以輕鬆使用官方 OpenAI 的建立模型回應功能。

​
GPT-6.1 Terra

使用 model: "gpt-6.1-terra" 選擇該模型。支援文字、圖像輸入、串流輸出、函式工具和結構化輸出。推理等級支援 low、medium、high、xhigh 和 max，建議從 reasoning: {"effort": "low"} 開始；不支援 none 或 minimal。輸入超過 272,000 tokens 時適用長上下文價格，實際費用以控制台目前價格和回應中的用量為準。

​
GPT-6.1 Sol

使用 model: "gpt-6.1-sol" 選擇該模型。支援串流輸出、函式呼叫、結構化輸出和圖像輸入。首次開放的一週內，僅向已驗證的 ACE T1+ 持有者（至少 100,000 ACE）或獲授權使用者開放；具體開放時間以控制台存取提示為準。 推理等級支援 low、medium、high、xhigh 和 max，暫不支援 none 或 minimal。建議從 reasoning: {"effort": "low"} 開始。輸入超過 272,000 tokens 時整次請求適用長上下文價格，費用以控制台目前價格為準。

​
申請流程

要使用 OpenAI Responses API，首先到 Ace Data Cloud 控制台 取得您的 API Token，留作備用。 如果你尚未登入或註冊，會自動跳轉到登入頁面邀請你註冊和登入，完成後會自動返回目前頁面。 一個 API Token 即可呼叫平台所有服務，無需為每個服務單獨申請。 首次申請會贈送免費額度，可免費體驗；額度不足時可在 控制台 儲值通用餘額。
📘 完整文件：OpenAI Responses API →

​
基本使用

接下來就可以在介面上填寫對應的內容，如圖所示：

在第一次使用該介面時，我們至少需要填寫三個內容，一個是 authorization，直接在下拉列表裡面選擇即可。另一個參數是 model， model 就是我們選擇使用 OpenAI ChatGPT 官網模型類別，這裡我們主要有 20 種模型，詳情可以看我們提供的模型。最後一個參數是input，input是我們輸入的提問詞陣列，它是一個陣列，表示可以同時上傳多個提問詞，每個提問詞包含了 role 和 content，其中 role 表示提問者的角色，我們提供了三種身分，分別為 user 、assistant、system 。另一個 content 就是我們提問的具體內容。 同時您可以注意到右側有對應的呼叫程式碼產生，您可以複製程式碼直接執行，也可以直接點擊「Try」按鈕進行測試。 常用可選參數：
  • max_tokens：限制單次回覆的最大 token 數。
  • temperature：產生隨機性，0-2 之間，值越大越發散。
  • n：一次產生多少條候選回覆。
  • response_format：返回格式設定。
  • tools：函式/工具呼叫定義。
  • background：是否背景非同步執行。

呼叫之後，我們發現返回結果如下：
返回結果一共有多個欄位，介紹如下：
  • id，產生此次對話任務的 ID，用於唯一識別此次對話任務。
  • model ，選擇的 OpenAI ChatGPT 官網模型。
  • output，ChatGPT 針對提問詞給予的回答資訊。
  • usage ：針對本次問答對 token 的統計資訊。
其中 output 是包含了 ChatGPT 的回答資訊，它裡面的 output 是 ChatGPT，可以發現如圖所示。

可以看到，output 裡面的 content 欄位包含了 ChatGPT 回覆的具體內容。

​
串流回應

該介面也支援串流回應，這對網頁串接十分有用，可以讓網頁實現逐字顯示效果。 如果想串流返回回應，可以更改請求標頭裡面的 stream 參數，修改為 true。 修改如圖所示，不過呼叫程式碼需要有對應的更改才能支援串流回應。

將 stream 修改為 true 之後，API 將逐行回傳對應的 JSON 資料，在程式碼層面我們需要做相應的修改來取得逐行的結果。 Python 範例呼叫程式碼：
輸出效果如下：
{“type”: “response.content_part.done”, “sequence_number”: 15, “item_id”: “msg_68a9837c49f081908f568bf9c6065c620721186e8fbb89d0”, “output_index”: 0, “content_index”: 0, “part”: {“type”: “output_text”, “annotations”: [], “text”: “您好！今天我能如何幫助您？😊”}, “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”: “您好！今天我能如何幫助您？😊”}], “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”: “您好！今天我能如何幫助您？😊”}], “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”}
Java 範例程式碼：
其他語言可以另外自行改寫，原理都是一樣的。

​
多輪對話

如果您想要對接多輪對話功能，需要對 input 欄位上傳多個提問詞，多個提問詞的具體範例如下圖所示：

Python 範例呼叫程式碼：
透過上傳多個提問詞，就可以輕鬆實現多輪對話，可以得到如下回答：
可以看到，output 包含的資訊與基本使用的內容是一致的，這個包含了 ChatGPT 針對多個對話進行回覆的具體內容，這樣就可以根據多個對話內容來回答對應的問題了。

​
視覺模型

gpt-4o 是 OpenAI 開發的多模態大型語言模型，它在 GPT-4 的基礎上增加了視覺理解能力。這個模型可以同時處理文字和圖像輸入，實現了跨模態的理解和生成。 使用 gpt-4o 模型的文字處理與上文的基本使用內容是一致的，下面將簡要介紹一下如何使用模型的圖像處理能力。 使用 gpt-4o 模型的圖像處理能力主要是透過在原有的 content 內容基礎上新增一個 type 欄位，透過該欄位可以知道上傳的是文字還是圖片，從而使用 gpt-4o 模型的圖像處理能力，下面主要講述採用 Curl 和 Python 兩種方式來呼叫該功能。
  • Curl 指令碼方式
  • Python 指令碼方式
然後可以得到下面的結果，結果裡面的欄位資訊與上文一致，具體如下：
可以看到回答的內容是基於圖片進行回答的，因此透過上述兩種方式可以輕鬆使用 gpt-4.1 模型的文字和圖像處理能力。 除了 gpt-4.1，還有一個成本更低的模型，叫做 gpt-4o-mini。gpt-4o-mini 是 OpenAI 開發的最新一代大型語言模型，它不僅回應速度快，同時價格也更便宜，也支援多模態。vision 功能的使用可參考上文 gpt-4.1 模型的使用內容。

​
檔案處理模型的建立

請求範例：
範例結果：
可以看到，我們也對輸入的檔案進行了檔案處理，結果與上文類似。

​
錯誤處理

在呼叫 API 時，如果遇到錯誤，API 會回傳相應的錯誤代碼和資訊。例如：
  • 400 token_mismatched：錯誤請求，可能是由於缺少或無效的參數。
  • 400 api_not_implemented：錯誤請求，可能是由於缺少或無效的參數。
  • 401 invalid_token：未授權，授權權杖無效或缺失。
  • 429 too_many_requests：請求過多，您已超出速率限制。
  • 500 api_error：內部伺服器錯誤，伺服器發生了一些問題。

​
錯誤回應範例

​
結論

透過本文檔，您已經瞭解如何使用 OpenAI Responses API 輕鬆實現官方 OpenAI 的建立 Responses 功能。希望本文檔能幫助您更好地串接和使用該 API。如有任何問題，請隨時聯絡我們的技術支援團隊。