EsempioscriptbeginnerEseguibileresearch-brief
Introduzione
Esempio rieseguibile beginner di tipo script che usa openai.
Fatti chiave
- Livello
- beginner
- Runtime
- Python • API OpenAI
- Pattern
- Ricerca supportata dal contesto con evidenza esplicita
- Interazione
- Sandbox live • Script
- Aggiornato
- 14 marzo 2026
Naviga questo esempio
Libreria
Sfoglia gli esempiRiapri la libreria completa per confrontare pattern vicini e percorsi collegati.Interazione
Esegui ora nel sandboxProva l'interazione direttamente nella superficie guidata di questo esempio.Sorgente
Apri codice completoLeggi l'implementazione reale, i punti evidenziati e i requisiti runtime.MCP
Chiama via MCPUsa la stessa risorsa dentro agenti, export deterministici e setup MCP.
Principi collegati
01-introduction.py
python
from openai import OpenAI
client = OpenAI()
"""
https://platform.openai.com/docs/api-reference/responses
"""
# --------------------------------------------------------------
# Basic text example with the Chat Completions API
# --------------------------------------------------------------
response = client.chat.completions.create(
model="gpt-4o",
messages=[
{
"role": "user",
"content": "Write a one-sentence bedtime story about a unicorn.",
}
],
)
print(response.choices[0].message.content)
# --------------------------------------------------------------
# Basic text example with the Responses API
# --------------------------------------------------------------
response = client.responses.create(
model="gpt-4o", input="Write a one-sentence bedtime story about a unicorn."
)
print(response.output_text)
# --------------------------------------------------------------
# Image example
# --------------------------------------------------------------
response = client.responses.create(
model="gpt-4o",
input=[
{"role": "user", "content": "what teams are playing in this image?"},
{
"role": "user",
"content": [
{
"type": "input_image",
"image_url": "https://upload.wikimedia.org/wikipedia/commons/3/3b/LeBron_James_Layup_%28Cleveland_vs_Brooklyn_2018%29.jpg",
}
],
},
],
)
print(response.output_text)
# --------------------------------------------------------------
# Streaming
# --------------------------------------------------------------
stream = client.responses.create(
model="gpt-4o",
input="Say 'double bubble bath' ten times fast.",
stream=True,
)
# Store chunks in a list
text_chunks = []
for event in stream:
if hasattr(event, "type") and "text.delta" in event.type:
text_chunks.append(event.delta)
print(event.delta, end="", flush=True)
Principi correlati
- P4trustApplicare la divulgazione progressiva all'agenzia del sistemaFornire per impostazione predefinita le informazioni minime necessarie, consentendo agli utenti di ispezionare ulteriori dettagli quando è richiesta fiducia, comprensione o intervento.Apri il principio →
- P6visibilityEsporre uno stato operativo significativo, non la complessità internaPresentare lo stato del sistema in linguaggio e strutture rilevanti per l'utente, piuttosto che esporre dettagli interni di basso livello che non supportano l'azione o la comprensione.Apri il principio →
- P7trustStabilire fiducia attraverso l'ispezionabilitàGli utenti dovrebbero essere in grado di esaminare come è stato prodotto un risultato quando la fiducia, la responsabilità o la qualità della decisione sono importanti.Apri il principio →
- P9orchestrationRappresentare il lavoro delegato come un sistema, non solo come una conversazioneDove il lavoro coinvolge più passaggi, agenti, dipendenze o attività concorrenti, dovrebbe essere rappresentato come un sistema strutturato piuttosto che solo come un flusso di messaggi.Apri il principio →