掌握响应参数

使用 OpenAI Responses API

James Chapman

AI Curriculum Manager, DataCamp

模型选择

response = client.responses.create(
    model="gpt-5.4-mini",
    input="What is recursion?",
)

¹ https://platform.openai.com/docs/models

模型选择

response = client.responses.create(
    model="gpt-5.4-mini",
    input="What is recursion?",
)

经验法则：在满足需求前提下，选最便宜的模型

模型	速度	成本	最适合
gpt-5.4-mini	快	低	简单任务、问答
gpt-5.5	中等	较高	复杂推理

¹ https://platform.openai.com/docs/models

LLM 与词元

词元（token）：帮助 AI 理解与处理文本的最小文本单元

句子"How can the OpenAI API deliver business value?"，每个词元以不同颜色高亮。

¹ https://platform.openai.com/tokenizer

LLM 与词元

非推理型 LLM：按提示后最可能的下一个词元逐步生成

非推理输出动图

LLM 与词元

推理输出动图

推理强度

response = client.responses.create(
    model="gpt-5.4-mini",
    input="Explain LLMs to a 6yr old.",

    reasoning={"effort": "none"}

)

推理强度

response = client.responses.create(
    model="gpt-5.4-mini",
    input="Explain LLMs to a 6yr old.",
    reasoning={"effort": "none"}
)

强度	最适合
none	琐碎或机械性任务。
low	以速度和成本为先的简单任务。
medium	默认：兼顾推理与效率。
high	复杂、多步或逻辑性强的任务。
xhigh	最艰难、逼近极限的任务。

推理摘要

response = client.responses.create(
    model="gpt-5.4-mini",
    input="Explain LLMs to a 6yr old.",
    reasoning={
        "effort": "medium",

        "summary": "auto"

    }
)

限制输出词元数

response = client.responses.create(
    model="gpt-5.4-mini",
    input="Explain LLMs to a 6yr old.",
    reasoning={"effort": "none"},

    max_output_tokens=500

)

max_output_tokens 也计入"推理词元"

小结

简单任务 → 先用小模型、无推理、少量词元
复杂任务 → 先用中等模型并启用推理，再微调

参数链接示意图

让我们来练习！

使用 OpenAI Responses API