Openai telah menjadi penyedia penyelesaian utama di ruang genai. Dari chatgpt legenda ke Sora, ia adalah platform untuk semua profesional yang bekerja di luar sana. Dengan Qwen dan Claude mendapat populariti di kalangan pemaju, Openai kembali lagi dengan kemas kini terkini, memperkasakan pemaju untuk membuat ejen AI yang lebih dipercayai dan mampu. Sorotan utama dari senarai termasuk API Responses dan Ejen SDK. Dalam blog ini, kami akan meneroka respons API dan Ejen SDK, memahami cara mengaksesnya, dan belajar bagaimana menggunakannya untuk membina aplikasi dunia sebenar!
API Responses adalah API terbaru Terbuka yang direka untuk memudahkan proses membina aplikasi berasaskan AI. Ia menggabungkan kesederhanaan API Penyiapan Sembang dengan keupayaan penggunaan alat yang kuat dari API Pembantu. Ini bermakna pemaju kini boleh membuat ejen yang memanfaatkan pelbagai alat dan mengendalikan tugas-tugas yang kompleks, pelbagai langkah dengan lebih cekap. API ini mengurangkan pergantungan pada kejuruteraan cepat kompleks dan integrasi luaran.
Primitif API baru kami: API Responses. Menggabungkan kesederhanaan penyelesaian sembang dengan penggunaan alat pembantu, asas baru ini memberikan lebih banyak fleksibiliti dalam ejen bangunan. Carian web, carian fail, atau penggunaan komputer adalah beberapa baris kod! Https: //t.co/s5zsy4wvqy pic.twitter.com/parhjhsjgv
- Pemaju Terbuka (@openaidevs) 11 Mac, 2025
Dengan alat ini, API Responses adalah penukar permainan ke arah membina agen AI. Infact, ke hadapan, API Responses akan menyokong semua model baru dan akan datang Openai. Mari lihat bagaimana kita boleh menggunakannya untuk membina aplikasi.
Untuk mencuba API Respons:
Setelah disediakan, anda boleh meminta API respons. Walaupun panggilan API asas adalah perkara biasa, keupayaan terbina dalamnya menjadikannya kuat. Mari kita meneroka tiga ciri utama:
Sekarang, mari kita lihat mereka dalam tindakan!
Ia membolehkan model untuk mendapatkan maklumat dalam asas pengetahuan fail yang dimuat naik sebelum ini melalui carian semantik dan kata kunci. Pada masa ini ia tidak menyokong fail CSV, anda boleh menyemak senarai jenis fail yang disokong di sini.
Nota: Sebelum menggunakan carian fail, pastikan untuk menyimpan fail anda dalam pangkalan data vektor
Tugas: Nama orang yang mempunyai domain sebagai sains data. (Saya menggunakan fail berikut.)
Kod:
respons = client.responses.create (
Model = "GPT-4O-Mini",
input = "nama orang yang mempunyai domain sebagai sains data",
alat = [{
"jenis": "file_search",
"vector_store_ids": [vector_store_id],
"Penapis": {
"jenis": "eq",
"Kunci": "Domain",
"Nilai": "Sains Data"
}
}]
)
cetak (response.output_text)Output:
Orang yang mempunyai domain sains data adalah Alice Johnson [0].<br> [0] names_and_domains.pdf
Ciri ini membolehkan model mencari web untuk maklumat terkini sebelum menghasilkan respons, memastikan data tetap terkini. Model ini boleh memilih untuk mencari web atau tidak berdasarkan kandungan prompt input.
Tugas: Apakah kafe terbaik di Vijay Nagar?
Kod:
respons = client.responses.create (
Model = "GPT-4O",
alat = [{
"taip": "WEB_SARECH_PREVIEW",
"user_location": {
"jenis": "anggaran",
"negara": "dalam",
"Bandar": "Indore",
"Wilayah": "Madhya Pradesh",
}
}],,
input = "Apakah kafe terbaik di Vijay Nagar?",
)
cetak (response.output_text)Output:
Ini adalah aplikasi praktikal model ejen penggunaan komputer (CUA), yang menggabungkan keupayaan penglihatan GPT-4O dengan penalaran maju untuk mensimulasikan mengawal antara muka komputer dan melaksanakan tugas.
Tugas: Semak blog terkini di laman web Analytics Vidhya.
Kod:
respons = client.responses.create (
Model = "Pandangan Komputer-Guna",
alat = [{
"taip": "computer_use_preview",
"Display_width": 1024,
"Display_height": 768,
"Alam Sekitar": "Pelayar" # Nilai lain yang mungkin: "Mac", "Windows", "Ubuntu"
}],,
input = [
{
"Peranan": "Pengguna",
"Kandungan": "Semak blog terkini di laman web Analytics Vidhya."
}
],
pemangkasan = "Auto"
)
cetak (respons.output)Output:
ResponseComputerToolCall (id = 'CU_67D147AF346C8192B78719DD0E22856964FBB87C6A42E96',<br> Tindakan = Actionscreenshot (type = 'Screenshot'),<br> call_id = 'call_a0w16g1bnek09ayiv25vdkxy', dinguran_safety_checks = [],<br> status = 'selesai', type = 'computer_call')
Sekarang kita telah melihat bagaimana respons API berfungsi, mari kita lihat betapa berbeza dari API Penyelesaian yang sedia ada.
| API | Responses API | Penyelesaian API |
| Kod | dari OpenAI Oped Openai
pelanggan = openai ()
respons = client.responses.create (
Model = "GPT-4O",
input = [
{
"Peranan": "Pengguna",
"Kandungan": "Tulis cerita tidur satu ayat tentang unicorn."
}
]
)
cetak (response.output_text)Salin selepas log masuk |
dari OpenAI Oped Openai
pelanggan = openai ()
penyelesaian = client.chat.completions.create (
Model = "GPT-4O",
Mesej = [
{
"Peranan": "Pengguna",
"Kandungan": "Tulis cerita tidur satu ayat tentang unicorn."
}
]
)
cetak (completion.choices [0] .message.content)Salin selepas log masuk |
| Output |
|
|
Berikut adalah pecahan mudah dari pelbagai ciri API CHAT COMPLERIONS API dan Responses API:
| Keupayaan | Responses API | API Penyelesaian Sembang |
| Penjanaan teks | ✅ | ✅ |
| Audio | Akan datang tidak lama lagi | ✅ |
| Penglihatan | ✅ | ✅ |
| Carian web | ✅ | ✅ |
| Carian fail | ✅ | ❌ |
| Penggunaan komputer | ✅ | ❌ |
| Penterjemah kod | Akan datang tidak lama lagi | ❌ |
| Pengendalian tindak balas | Mengembalikan satu output berstruktur | Mengembalikan pelbagai pilihan |
| Keadaan perbualan | Sebelumnya_Response_id untuk kesinambungan | Mesti diuruskan secara manual |
| Tingkah laku penyimpanan | Disimpan secara lalai (kedai: palsu untuk melumpuhkan) | Disimpan secara lalai |
Dengan API Responses akan hidup, soalan pembakaran sekarang adalah, adakah ia mempengaruhi penyelesaian sembang sedia ada dan pembantu API? Ya, ia akan. Mari lihat bagaimana:
Membina ejen AI bukan sekadar mempunyai API yang kuat -ia memerlukan orkestra yang cekap. Di sinilah ejen Openai SDK bermain. Ejen SDK adalah toolkit sumber terbuka yang memudahkan aliran kerja ejen. Rangka kerja bangunan ejen ini mengintegrasikan dengan lancar dengan API API Responses dan CHAT. Di samping itu, ia juga serasi dengan model dari pelbagai pembekal, dengan syarat mereka menawarkan gaya akhir API seperti penyelesaian sembang.
Beberapa ciri utama ejen SDK adalah:
Agent SDK bukanlah "tambahan baru" kepada permata Openai. Ia adalah versi "Swarm" yang lebih baik, SDK eksperimen yang dibebaskan tahun lepas. Walaupun "Swarm" baru dikeluarkan untuk tujuan pendidikan, ia menjadi popular di kalangan pemaju dan diterima pakai oleh beberapa perusahaan juga. Untuk menampung lebih banyak perusahaan dan membantu mereka membina ejen gred pengeluaran dengan lancar, ejen SDK telah dikeluarkan. Sekarang kita tahu apa ejen SDK tawarkan, mari kita lihat bagaimana kita boleh menggunakan rangka kerja ini untuk membina sistem agentik kita.
Juga baca: Top 10 Generative AI Coding Extensions dalam Vs Code
Kami akan membina sistem multi-agen yang membantu pengguna dengan cadangan kereta dan anggaran harga jualan semula dengan memanfaatkan ejen berkuasa LLM dan alat carian web untuk memberikan pandangan yang tepat dan terkini.
Kami mulakan dengan membuat ejen penasihat kereta yang membantu pengguna memilih jenis kereta yang sesuai berdasarkan keperluan mereka.
Kod:
car_advisor = agen ( Nama = "Penasihat Kereta", Arahan = "Anda pakar dalam menasihati jenis kereta yang sesuai seperti sedan, hatchback dan lain -lain kepada orang berdasarkan keperluan mereka.", Model = "GPT-4O", ) Prompt = "Saya mencari kereta yang saya suka memandu dan dibiayai dengan 4 orang. Saya kapal terbang ke bukit. Apa jenis kereta yang harus saya beli?" async def main (): hasil = menunggu runner.run (car_advisor, prompt) cetak (result.final_output) # Jalankan fungsi di Jupyter menunggu utama ()
Output:
Dengan ejen asas di tempat, kami kini membuat sistem multi-agen yang menggabungkan agen AI yang berbeza khusus dalam domain masing-masing. Inilah cara ia berfungsi:
Ejen dalam sistem multi-agen
Kami akan memberikan dua arahan yang berbeza kepada ejen dan memerhatikan output mereka.
car_sell_estimate = agen ( Nama = "Anggaran Jual Kereta", Arahan = "Anda seorang pakar dalam mencadangkan harga yang sesuai untuk menjual semula kereta berdasarkan model, model, tahun pembelian, dan keadaannya.", handoff_description = "Pakar anggaran harga menjual semula kereta", Model = "GPT-4O", Alat = [WebSearchTool ()] ) car_model_advisor = agen ( Nama = "Penasihat Model Kereta", Arahan = "Anda pakar dalam menasihati model kereta yang sesuai kepada orang berdasarkan anggaran dan lokasi mereka.", handoff_description = "Pakar Cadangan Model Kereta", Model = "GPT-4O", Alat = [WebSearchTool ()] ) triage_agent = agen ( nama = "ejen triage", arahan = "Anda menentukan ejen yang sesuai untuk tugas itu.", Model = "GPT-4O", handoffs = [car_sell_estimate, car_model_advisor] ) Segera 1: Prompt = "Saya mahu menjual kereta EcoSport saya di New Delhi, berusia 3 tahun dan dalam keadaan baik 50000km. Harga apa yang saya harapkan?" async def main (): hasil = menunggu pelari.run (triage_agent, prompt) cetak (result.final_output) # Jalankan fungsi di Jupyter menunggu utama ()
Output 1:
Segera 2:
prompt = "Saya mahu membeli kereta pecutan yang tinggi, selesa untuk 4 orang untuk 20 lakhs di New Delhi. Kereta mana yang harus saya beli?" async def main (): hasil = menunggu pelari.run (triage_agent, prompt) cetak (result.final_output) # Jalankan fungsi di Jupyter menunggu utama ()
Output 2:
Kami mendapat pilihan kereta mengikut keperluan kami! Pelaksanaannya adalah mudah dan cepat. Anda boleh menggunakan rangka kerja ini untuk membina ejen untuk sokongan perjalanan, perancangan kewangan, bantuan perubatan, membeli -belah peribadi, penyelidikan automatik, dan banyak lagi.
Ejen Openai SDK mewakili usaha strategiknya ke arah menyediakan rangka kerja khusus untuk pembangunan ejen AI. Rangka kerja ini termasuk ciri-ciri seperti krew melalui ejen triagenya, meniru ciri-ciri krew AI. Begitu juga, mekanisme handoffnya menyerupai autogen, yang membolehkan delegasi tugas yang cekap di kalangan pelbagai ejen.
Tambahan pula, kekuatan Langchain dalam orkestra agen modular dicerminkan dengan cara ejen SDK menyediakan aliran kerja berstruktur, memastikan pelaksanaan dan penyesuaian yang lancar. Walaupun ejen SDK tidak menawarkan apa -apa daripada apa yang telah dilakukan oleh rangka kerja yang sedia ada, ia tidak lama lagi akan memberi mereka persaingan yang sukar.
Juga Baca: Claude 3.7 Sonnet: Model Pengekodan Terbaik lagi?
Responses API dan Ejen SDK menyediakan pemaju dengan alat & platform untuk membina aplikasi yang didorong oleh AI. Dengan mengurangkan pergantungan pada kejuruteraan segera manual dan logik tersuai yang luas, alat -alat ini membolehkan pemaju memberi tumpuan kepada mewujudkan aliran kerja pintar dengan geseran yang minimum.
Berikut adalah video untuk mengetahui lebih lanjut mengenai API Respons OpenAI dan Ejen SDK.
Pengenalan API Respons OpenAI dan Ejen SDK adalah penukar permainan untuk automasi AI-didorong. Dengan memanfaatkan alat ini, kami berjaya membina sistem multi-agen dengan cepat dengan hanya beberapa baris kod. Pelaksanaan ini dapat diperluaskan lagi untuk memasukkan alat tambahan, integrasi, dan keupayaan ejen, membuka jalan bagi aplikasi AI yang lebih pintar dan autonomi dalam pelbagai industri.
Alat ini pasti akan membantu pemaju dan perusahaan mengurangkan kerumitan pembangunan, dan mewujudkan penyelesaian automasi yang lebih bijak dan lebih berskala. Sama ada untuk sokongan pelanggan, penyelidikan, automasi perniagaan, atau aplikasi AI khusus industri, respons API dan ejen SDK menawarkan rangka kerja yang kuat untuk membina sistem AI yang akan datang dengan mudah.
A. Responses API adalah kerangka AI terbaru OpenAI yang memudahkan pembangunan ejen dengan mengintegrasikan alat terbina dalam seperti carian web, carian fail, dan penggunaan komputer.
S2. Bagaimanakah respons API berbeza daripada API Penyelesaian?A. Tidak seperti API Penyelesaian, API respons menyokong integrasi pelbagai alat, output berstruktur, dan pengurusan negara perbualan terbina dalam.
Q3. Apakah ejen Openai SDK?A. Ejen SDK adalah rangka kerja sumber terbuka yang membolehkan pemaju membina dan mengatur sistem multi-agen dengan automasi berkuasa AI.
Q4. Bagaimanakah ejen SDK meningkatkan pembangunan AI?A. Ia membolehkan koordinasi ejen yang lancar, pemerhatian yang dipertingkatkan, pengawal terbina dalam, dan penjejakan prestasi yang lebih baik.
S5. Bolehkah respons API dan ejen SDK digunakan bersama?A. Ya! Ejen SDK mengintegrasikan dengan API Respons untuk membuat aplikasi yang didorong oleh AI yang kuat.
S6. Adakah ejen Openai SDK serasi dengan model AI yang lain?A. Ya, ia boleh berfungsi dengan model pihak ketiga yang menyokong penyempurnaan sembang integrasi gaya API.
Q7. Industri apa yang boleh mendapat manfaat daripada sistem AI multi-agen?A. Industri seperti automotif, kewangan, penjagaan kesihatan, sokongan pelanggan, dan penyelidikan boleh menggunakan ejen yang didorong oleh AI untuk mengoptimumkan operasi dan membuat keputusan.
Atas ialah kandungan terperinci Bagaimana cara menggunakan respons terbuka API & Agent SDK? - Analytics Vidhya. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!
Apakah pertukaran Sols Inscription Coin?
Apakah pembolehubah persekitaran
Foto Windows tidak boleh dipaparkan
Bagaimana untuk menggunakan fungsi panjang dalam Matlab
Bagaimana untuk menyelesaikan ralat1
Bagaimana untuk membaca carriage return di java
winkawaksrom
Apakah yang dimaksudkan dengan lebar penuh dan separuh lebar?
Penggunaan kelas Snoopy dalam php
![[Web front-end] Permulaan pantas Node.js](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
