EsempioscriptbeginnerEseguibilechat-lab

Introduzione

Esempio rieseguibile beginner di tipo script che usa openai, python-dotenv.

Fatti chiave

Livello: beginner
Runtime: Python • API OpenAI
Pattern: Un turno, un output ispezionabile
Interazione: Sandbox live • Script
Aggiornato: 14 marzo 2026

Naviga questo esempio

Libreria
Sfoglia gli esempi
Riapri la libreria completa per confrontare pattern vicini e percorsi collegati.
Interazione
Esegui ora nel sandbox
Prova l'interazione direttamente nella superficie guidata di questo esempio.
Sorgente
Apri codice completo
Leggi l'implementazione reale, i punti evidenziati e i requisiti runtime.
MCP
Chiama via MCP
Usa la stessa risorsa dentro agenti, export deterministici e setup MCP.

Vista rapida del flusso

Come questo esempio si muove tra input, esecuzione e risultato rivedibile

Introduzione -> Richiesta utente -> Esecuzione del sistema -> Output verificabile -> Load environment keys -> Initialize OpenAI client

Trigger

Introduzione

Runtime

Richiesta utente

Esito

Esecuzione del sistema

Perché esiste questa pagina

Questo esempio è mostrato sia come codice sorgente reale che come pattern di interazione orientato al prodotto, così i discenti possono collegare implementazione, UX e dottrina senza lasciare la libreria.

Flusso visivoCodice realeSandbox o walkthroughAccesso MCP

Come dovrebbe essere usato questo esempio nella piattaforma?

Usa prima la sandbox per comprendere il pattern di esperienza, poi ispeziona il sorgente per vedere come il confine del prodotto, il confine del modello e il confine della dottrina sono effettivamente implementati.

UX pattern: Un turno, un output ispezionabile

Riferimenti sorgente

Voce di libreria: models-openai-01-introduction-01-introduction
Percorso sorgente: content/example-library/sources/models/openai/01-introduction/01-introduction.py
Librerie: openai, python-dotenv
Requisiti di runtime: OPENAI_API_KEY
Principi correlati: —

01-introduction.py

content/example-library/sources/models/openai/01-introduction/01-introduction.py

python

from openai import OpenAI
from dotenv import load_dotenv
import os

load_dotenv()
client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))

Cosa dovrebbe ispezionare il discente nel codice?

Cerca il punto esatto in cui lo scope del sistema è delimitato: definizioni di schema, impostazione del prompt, configurazione di runtime e il punto di chiamata che trasforma l'intenzione dell'utente in un'azione concreta del modello o del workflow.

Cerca i contratti di output e la validazione

Cerca la chiamata di esecuzione esatta

Cerca cosa il prodotto potrebbe esporre all'utente

Come si relaziona la sandbox al sorgente?

La sandbox dovrebbe rendere leggibile l'UX: cosa vede l'utente, cosa sta decidendo il sistema e come il risultato diventa revisionabile. Il sorgente mostra poi come quel comportamento è effettivamente implementato.

Inserisci o carica un messaggio di test.

Esegui un singolo turno della richiesta.

Confronta la risposta con il contratto di prodotto che l'esempio sta insegnando.

SandboxUn turno, un output ispezionabile

Laboratorio del messaggio

Usa questo laboratorio per testare un singolo input, osservare la risposta visibile e capire quale parte del comportamento resta deterministica.

Spiegazione UX

Questi esempi funzionano meglio quando il prodotto rende chiaro il contratto del turno: cosa inserisce l'utente, cosa restituisce il sistema e cosa resta fuori dallo scope.

Spiegazione AI Design

Il modello fa un lavoro circoscritto, mentre il prodotto conserva il confine di controllo. L'interazione dovrebbe mostrare il prompt, la risposta e la forma dell'output senza fingere autonomia più ampia.

Guida all'interazione

1Inserisci o carica un messaggio di test.
2Esegui un singolo turno della richiesta.
3Confronta la risposta con il contratto di prodotto che l'esempio sta insegnando.

Messaggio utente

Un turnoOutput ispezionabile

Risposta visibile

La risposta compare qui.

Contratto di prodotto

Mostra che cosa il prodotto deve tenere esplicito.

Confine di controllo

Rende chiaro che cosa resta deterministico.

Usato in corsi e percorsi

Questo esempio attualmente è indipendente nella libreria, ma si connette comunque al sistema dei principi e alla famiglia di esempi più ampia.

Pattern di implementazione correlati

Principi correlati

Runtime architecture

Usa questo esempio nei tuoi agenti

Questo esempio è disponibile anche tramite il layer agent-ready del blueprint. Usa la pagina Per agenti per recuperare MCP pubblico, export deterministici e setup per Claude o Cursor.

Definisci trigger, contesto e confini prima di aumentare l'autonomia

Rendi espliciti controllo, osservabilita e recovery nel runtime

Scegli i pattern operativi giusti prima di delegare ai workflow

Apri Per agenti