掌握回應參數

使用 OpenAI Responses API

James Chapman

AI Curriculum Manager, DataCamp

模型選擇

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

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

模型選擇

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

經驗法則：在滿足需求下，優先用最便宜的模型

模型	速度	成本	最適用於
gpt-5.4-mini	快	低	簡單任務、問答
gpt-5.5	中等	較高	複雜推理

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

LLM 與 Tokens

Tokens：協助 AI 理解與解析文字的文字單位

句子「How can the OpenAI API deliver business value?」中，每個 token 以不同顏色標示。

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

LLM 與 Tokens

非推理型 LLM：產生在提示後最可能出現的 tokens

LLM 與 Tokens

推理強度（Reasoning Effort）

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

    reasoning={"effort": "none"}

)

推理強度（Reasoning Effort）

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

強度	最適用於
none	瑣碎或機械性任務。
low	以速度與成本為先的簡單任務。
medium	預設；推理與效率兼顧。
high	複雜、多步驟或高邏輯任務。
xhigh	最困難、逼近能力上限的任務。

推理摘要（Reasoning Summaries）

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

        "summary": "auto"

    }
)

限制輸出 Tokens

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 會計入「推理 tokens」

重點總結

簡單任務 → 先用小模型、無推理、少量 tokens
複雜任務 → 先用中型模型與推理，再微調

一起來練習吧！

使用 OpenAI Responses API