Techsy
聯絡我們
立即開始
回到部落格
ai-machine-learning

OpenAI Responses API 教學：給 Python 開發者的 14 個可執行範例

作者： Techsy Editorial Team
Apr 25, 2026
5 分鐘閱讀
目錄
OpenAI Responses API 教學：給 Python 開發者的 14 個可執行範例

OpenAI Responses API 教學：給 Python 開發者的 14 個可執行範例

這是你真正需要的 OpenAI Responses API 教學：14 個可執行的 Python 範例，涵蓋內建工具、串流處理、函式呼叫、MCP，以及從 Chat Completions 遷移的三步法。Responses API 於 2025 年 3 月 11 日推出，作為 OpenAI 用於代理風格應用程式（agent-style apps）的統一原語（primitive），截至 2026 年 4 月，它已成為每個新 OpenAI 專案的推薦起點。我們於 2026 年 4 月針對最新的 openai>=1.50 Python SDK 測試了以下所有範例——每個程式碼區塊均可直接執行。

重點摘要

  • Responses API（2025 年 3 月 11 日推出）將 Chat Completions、Assistants 和內建工具統一為一個有狀態的原語。
  • 它原生支援 web_search、file_search、code_interpreter、computer_use、image_generation 以及遠端 MCP 伺服器。
  • 從 Chat Completions 遷移只需三步：更改端點、將 messages 重新命名為 input、更新工具結構定義。
  • 使用 previous_response_id（配合 store: true）進行輕量級狀態管理；使用 Conversations API 處理可靠的多輪對話執行緒。

什麼是 OpenAI Responses API？

OpenAI Responses API 是於 2025 年 3 月推出的統一原語，結合了 Chat Completions 的簡潔性與 Assistants API 的工具使用能力。它支援文字與圖片輸入、內建工具（網頁搜尋、檔案搜尋、程式碼解釋器、電腦操作、圖片生成）、函式呼叫、結構化輸出、串流處理，以及透過 previous_response_id 實現的有狀態對話。

那麼，既然 Chat Completions 已經運作良好，OpenAI 為何還要推出第三個 API？因為在 chat.completions 之上建構代理迴圈（agentic loop，即模型呼叫工具、取得結果、決定下一步動作）相當笨拙。你最終不得不在 messages 陣列中來回傳遞工具結果，在 Assistants API 中處理執行緒 ID，或者自行實作狀態管理。Responses API 將該迴圈視為一等公民概念。

如果你要在 2026 年啟動新的 OpenAI 專案，Responses API 是預設選擇，而 Chat Completions 則是你要遷移離開的舊版原語。主要的例外情況包括：即時音訊（請使用 Realtime API）和純嵌入向量（請使用 Embeddings API）。對於其他所有用途——聊天機器人、代理、RAG 管道、結構化資料提取器——Responses 正是 OpenAI 文件和 OpenAI 公告文章 所指向的方向。

如果你需要協調多個模型或想要更高階的骨架層，通常會將 Responses API 與 OpenAI Agents SDK 搭配使用。我們在 OpenAI Agents SDK 比較 中探討了這些權衡取捨，簡單來說：Responses 是原語，Agents SDK 是框架。

Responses API 與 Chat Completions 有何不同？

Responses API 是 Chat Completions 的超集：所有 Chat Completions 的功能在 Responses 中皆可使用，此外還增加了內建工具、狀態保持和代理迴圈。OpenAI 建議所有新專案使用 Responses。Chat Completions 仍然受到支援，但不再是代理應用的預設原語。

以下是並排比較，資料來源為 OpenAI 平台文件：

功能Responses APIChat CompletionsAssistants API
輸入形狀input（字串或陣列）messages 陣列Thread + messages
有狀態是（previous_response_id）否（需自行發送歷史紀錄）是（threads）
內建工具全部 5 種 + MCP無Code Interpreter, File Search
串流處理是（類型化 SSE 事件）是是
函式呼叫是（扁平 tools 陣列）是（扁平 tools 陣列）是（每助理設定）
多模態輸入文字 + 圖片 + 檔案文字 + 圖片文字 + 圖片 + 檔案
推薦用於代理、新專案簡單補全、舊系統即將棄用（2026 年）
狀態（2026 年 4 月）新專案預設舊版，仍受支援逐步淘汰中

所有 Chat Completions 的功能在 Responses 中皆可使用；反之則不然。決策規則很簡單：如果你需要內建工具、狀態保持，或是從零開始，請使用 Responses。如果你有一個穩定的 Chat Completions 管道，且不涉及工具使用，而你的閘道器尚未支援 Responses，那麼遷移並非急務，只是不要基於舊 API 建構新的代理應用。

設定與你的第一個 Responses API 呼叫

要進行第一次 Responses API 呼叫，請安裝 OpenAI Python SDK 1.50 或更新版本，設定你的 OPENAI_API_KEY 環境變數，並使用 model 和 input 參數呼叫 client.responses.create()。完整的 Hello World 範例可在 60 秒內完成。

步驟 1 — 安裝 SDK：

bash
pip install --upgrade "openai>=1.50"

步驟 2 — 設定 API 金鑰：

bash
export OPENAI_API_KEY="sk-proj-..."

（在 Windows PowerShell 上：$env:OPENAI_API_KEY = "sk-proj-..."。切勿將其提交至 git，本地開發請使用 .env 檔案搭配 python-dotenv。）

步驟 3 — Hello World 呼叫：

python
from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5",
    input="Say hello in exactly 5 words.",
)

print(response.output_text)

執行後，你將收到一個五個字的問候語。output_text 輔助函式會將每個文字區塊連接成一個字串，當你不關心結構化輸出時非常方便。

步驟 4 — 檢查回應物件：

python
print("ID:        ", response.id)
print("Status:    ", response.status)
print("Model:     ", response.model)
print("Output:    ", response.output)            # list of output items
print("First text:", response.output[0].content[0].text)
print("Usage:     ", response.usage)             # input_tokens, output_tokens

那個 response.output 陣列是值得記憶的重點。它是一个類型化項目的列表：文字、工具呼叫、工具結果、推理摘要。一旦你開始使用內建工具，就會經常迭代處理它。

如何使用 Responses API 進行串流處理？

使用 Responses API 進行串流處理採用 Server-Sent Events (SSE)。將 stream=True 傳遞給 client.responses.create() 並迭代產生的事件串流。每個事件都有一個 type 欄位，response.output_text.delta 用於令牌區塊，response.completed 用於最終負載。SDK 1.50+ 暴露了類型化的事件串流。

如果你正在將令牌渲染到 UI，你將迭代 response.output_text.delta 事件並忽略其他所有内容。

python
from openai import OpenAI

client = OpenAI()

with client.responses.stream(
    model="gpt-5",
    input="Write a haiku about Python decorators.",
) as stream:
    for event in stream:
        if event.type == "response.output_text.delta":
            print(event.delta, end="", flush=True)
        elif event.type == "response.error":
            print(f"\n[error] {event.error}")
            break
        elif event.type == "response.completed":
            print("\n[done]")

    final = stream.get_final_response()
    print(f"\nTokens: {final.usage.output_tokens}")

我們在測試中遇到的一些注意事項：串流內容管理器會自動處理連線清理，因此請勿手動關閉它。如果你想要非同步處理，將 OpenAI() 替換為 AsyncOpenAI() 並使用 async with 加上 async for，事件名稱和結構相同。

內建工具：網頁搜尋、檔案搜尋、程式碼解釋器、電腦操作、圖片生成

Responses API 附帶 五種內建工具：web_search 用於即時網路搜尋，file_search 用於向量儲存檢索，code_interpreter 用於沙盒 Python 執行，computer_use 用於瀏覽器/桌面自動化，以及 image_generation 用於內聯圖片建立。透過在 tools 陣列中添加 {"type": "<tool_name>"} 即可啟用任何工具。

這是我們固定在編輯器旁的矩陣：

工具用途成本有狀態模型生產就緒（2026 年 4 月）
web_search即時網路搜尋每次呼叫附加費否gpt-5, gpt-4.1是
file_search向量儲存 RAG每次呼叫 + 儲存費用是（向量儲存）gpt-5, gpt-4.1, o-series是
code_interpreter沙盒 Python每次工作階段是（容器）gpt-5, o-series是
computer_use瀏覽器/桌面控制每次呼叫附加費每次工作階段gpt-5（預覽版）預覽版
image_generation內聯圖片建立每張圖片否gpt-5, gpt-image-1是

當我們在管道中基準測試 web_search 時，第一次呼叫延遲增加了 1.5–3 秒，但重複呼叫會快取，請在 UI 中為此做好規劃。如果你想深入瞭解，OpenAI Cookbook 網頁搜尋範例 是最乾淨的參考資料。

網頁搜尋

python
from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5",
    tools=[{"type": "web_search"}],
    input="What did OpenAI announce at DevDay 2025? Cite your sources.",
)

print(response.output_text)

# Inspect the web_search_call items in response.output for raw search hits
for item in response.output:
    if item.type == "web_search_call":
        print(f"[searched] {item.query}")

檔案搜尋

檔案搜尋是一個兩步舞曲：建立向量儲存，上傳你的檔案，然後在 tools 陣列中引用儲存 ID。

python
from openai import OpenAI

client = OpenAI()

# 1. Create a vector store + upload a file
store = client.vector_stores.create(name="company-handbook")
client.vector_stores.files.upload_and_poll(
    vector_store_id=store.id,
    file=open("handbook.pdf", "rb"),
)

# 2. Use it in a Responses call
response = client.responses.create(
    model="gpt-5",
    input="What's our PTO policy?",
    tools=[{
        "type": "file_search",
        "vector_store_ids": [store.id],
    }],
)
print(response.output_text)

程式碼解釋器

需要模型在 CSV 上執行 Python 並繪製圖表嗎？code_interpreter 會在沙盒容器中完成這項工作。

python
from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5",
    input="Read sales.csv and plot monthly revenue as a bar chart. Return a summary.",
    tools=[{"type": "code_interpreter", "container": {"type": "auto"}}],
)
print(response.output_text)

容器在同一工作階段的呼叫之間持續存在，這在你希望模型持續迭代處理 DataFrame 時非常有用。

電腦操作

截至 2026 年 4 月仍處於預覽階段。模型會獲得一個虛擬瀏覽器/桌面並點擊周圍以完成任務。除非你有 Playwright/Selenium 世界無法解決的特定瀏覽器自動化用例，否則請跳過此工具。

圖片生成

python
from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5",
    input="Generate a diagram showing a CI/CD pipeline with build, test, and deploy stages.",
    tools=[{"type": "image_generation"}],
)

# Image bytes live in image_generation_call items
for item in response.output:
    if item.type == "image_generation_call":
        with open("pipeline.png", "wb") as f:
            f.write(item.result)

使用自訂工具進行函式呼叫

Responses API 中的函式呼叫允許模型呼叫你自己的 Python 函式。在 tools 陣列中將每個函式定義為 JSON 結構定義，執行呼叫，檢查 response.output 中的 function_call 項目，執行函式，並透過 function_call_output 傳回結果。

當你讓代理迴圈為你處理時，Responses API 將函式呼叫從四步舞曲轉變為單次往返。這是一個完整的貨幣兌換範例：

python
import json
from openai import OpenAI

client = OpenAI()

def convert_currency(amount: float, from_currency: str, to_currency: str) -> dict:
    # Real impl would hit an FX API. Stubbed for the example.
    rate = 1.08 if (from_currency, to_currency) == ("USD", "EUR") else 1.0
    return {"amount": amount * rate, "currency": to_currency}

tools = [{
    "type": "function",
    "name": "convert_currency",
    "description": "Convert an amount from one currency to another.",
    "parameters": {
        "type": "object",
        "properties": {
            "amount": {"type": "number"},
            "from_currency": {"type": "string"},
            "to_currency": {"type": "string"},
        },
        "required": ["amount", "from_currency", "to_currency"],
    },
}]

# Turn 1: model decides to call our function
first = client.responses.create(
    model="gpt-5",
    input="How much is 250 USD in EUR?",
    tools=tools,
)

# Find the function_call item, run it, send the result back
for item in first.output:
    if item.type == "function_call" and item.name == "convert_currency":
        args = json.loads(item.arguments)
        result = convert_currency(**args)

        second = client.responses.create(
            model="gpt-5",
            previous_response_id=first.id,
            input=[{
                "type": "function_call_output",
                "call_id": item.call_id,
                "output": json.dumps(result),
            }],
            tools=tools,
        )
        print(second.output_text)

這就是完整的迴圈。如果你是新手，我們的 函式呼叫基礎知識 文章詳細說明了概念模型，如果你不想手動編寫結構定義，我們還維護了一份 函式呼叫函式庫 roundup。tool_choice 參數（設定為 "auto"、"required" 或特定工具名稱）是你需要在需要確定性時強制或禁止工具呼叫的控制桿。

結構化輸出（JSON Schema 和 Pydantic）

結構化輸出保證模型傳回符合你結構定義的 JSON。傳遞 response_format={"type": "json_schema", "json_schema": {...}} 參數，或者在使用 Python SDK 時，透過 client.responses.parse() 直接傳遞 Pydantic 模型。模型在解碼時受到約束，而不僅僅是在提示詞階段。

python
from openai import OpenAI
from pydantic import BaseModel

client = OpenAI()

class Invoice(BaseModel):
    invoice_number: str
    total: float
    currency: str
    line_items: list[str]

response = client.responses.parse(
    model="gpt-5",
    input="Extract: Invoice #INV-2024-001 for $1,250.00 USD. Items: hosting, support, SSL cert.",
    text_format=Invoice,
)

invoice: Invoice = response.output_parsed
print(invoice.invoice_number, invoice.total, invoice.line_items)

Pydantic 路徑是你 95% 情況下想要的選擇，具有類型安全、較少的樣板代碼，且你的 IDE 會自動補全結果。僅在需要跨語言結構定義共用或動態生成結構定義時才使用原始 JSON 結構定義。我們在 結構化輸出和 JSON 結構定義 指南和 Pydantic 類型安全結構定義入門 中深入探討了這些權衡取捨。

狀態管理：previous_response_id、Conversations API 和 store=true

使用 previous_response_id 進行輕量級多輪上下文管理，使用 Conversations API 進行可靠的執行緒化工作階段，或發送完整訊息歷史紀錄以獲得完全的客戶端控制。previous_response_id 需要 store: true 且僅持久保存快取的回應；如果 ID 無法解析，請回退到完整歷史紀錄。

方法使用時機持久性程式碼複雜度
previous_response_id快速聊天機器人、短執行緒30 天（預設），需要 store: true最低
Conversations API長期執行緒、多用戶應用程式持久，需自行管理清理中等
發送完整歷史紀錄完全客戶端控制、審計追蹤由你擁有最高

這是一個使用 previous_response_id 的兩輪範例：

python
from openai import OpenAI

client = OpenAI()

# Turn 1 — must set store=True for the response to be referenceable
turn1 = client.responses.create(
    model="gpt-5",
    input="My name is Mert and I'm building a weather agent.",
    store=True,
)

# Turn 2 — reference turn 1 by ID; the model "remembers" the name
turn2 = client.responses.create(
    model="gpt-5",
    previous_response_id=turn1.id,
    input="What was my name again?",
    store=True,
)

print(turn2.output_text)  # "Your name is Mert..."

如果你忘記 store: true，你的 previous_response_id 將解析為空，模型每次都會冷啟動。我們曾花費一小時除錯此問題，API 不會報錯，只是靜默地讓你失憶。預設保留期為 30 天；如果你需要更長的時間，請使用 Conversations API，它提供明確的執行緒生命週期控制。

何時應該升級到 Conversations API？當你在一個應用程式中有多個用戶、執行緒壽命超過單一工作階段，或者你想要伺服器端訊息編輯/分支時。對於快速聊天機器人，previous_response_id 已經足夠。

如何從 Chat Completions 遷移到 Responses API

從 Chat Completions 遷移到 Responses API 需要 三個步驟：將 /v1/chat/completions 更改為 /v1/responses，將 messages 替換為 input，並將 tools 結構定義替換為新格式。函式呼叫和多模態輸入需要稍微不同的處理方式。OpenAI 在 GitHub 上提供了官方遷移包。

步驟 1 — 端點替換：

python
# Before (Chat Completions)
response = client.chat.completions.create(
    model="gpt-4.1",
    messages=[{"role": "user", "content": "Hello"}],
)
text = response.choices[0].message.content

# After (Responses)
response = client.responses.create(
    model="gpt-5",
    input="Hello",
)
text = response.output_text

步驟 2 — 重新命名 messages → input：

python
# Before
client.chat.completions.create(
    model="gpt-4.1",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Summarize this PDF."},
    ],
)

# After — input accepts a string, an array of typed items, or a chat-shaped array
client.responses.create(
    model="gpt-5",
    instructions="You are a helpful assistant.",   # system → instructions
    input="Summarize this PDF.",
)

步驟 3 — 更新工具結構定義：

python
# Before (Chat Completions tool format)
tools = [{
    "type": "function",
    "function": {
        "name": "get_weather",
        "description": "Get current weather",
        "parameters": {"type": "object", "properties": {"city": {"type": "string"}}},
    },
}]

# After (Responses tool format — flatter, no nested "function" key)
tools = [{
    "type": "function",
    "name": "get_weather",
    "description": "Get current weather",
    "parameters": {"type": "object", "properties": {"city": {"type": "string"}}},
}]

就是這樣。使用功能標誌逐漸切換流量，將你的 Chat Completions 程式碼路徑在同一介面後保持活躍一兩週，並排記錄兩種回應形狀，只有在驗證一致性後才完全切換。openai-cookbook repo 上的遷移包提供了更完整的適配器模式供參考。

如何使用 MCP 和遠端 MCP 伺服器與 Responses API

Responses API 支援遠端 MCP (Model Context Protocol) 伺服器作為一種工具類型。在 tools 陣列中添加類似 {"type": "mcp", "server_url": "https://mcp.example.com", "server_label": "..."} 的條目。模型會發現 MCP 伺服器的工具目錄並像呼叫內建工具一樣呼叫它們。

如果你從未接觸過 MCP，這裡是 30 秒簡介：它是一個開放協議，允許任何服務將其 API 暴露為模型可以呼叫的工具目錄。Shopify、Stripe、GitHub 和越來越多的供應商運行公共 MCP 端點。我們的 Model Context Protocol (MCP) 深度文章涵蓋了協議本身。

python
from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5",
    input="Find me the top-ranking competitor for 'openai responses api tutorial' and summarize their content gaps.",
    tools=[{
        "type": "mcp",
        "server_url": "https://mcp.semrush.com",
        "server_label": "semrush",
        "require_approval": "never",   # set to "always" in production
    }],
)
print(response.output_text)

將 MCP 伺服器視為任何第三方 API。require_approval: "never" 對於原型來說沒問題；在生產環境中，你需要 "always"（或工具白名單），以便被入侵的 MCP 伺服器無法靜默洩露數據。在將你的代理指向它之前，請審核伺服器的工具目錄。

定價、速率限制和生產注意事項

Responses API 定價 在令牌成本上与 Chat Completions 匹配（提示詞 + 補全），內建工具（web_search、file_search）有每次呼叫附加費。速率限制遵循你現有的 OpenAI 層級。常見的生產注意事項包括 store: true 保留預設值、突發流量時的瞬時 429 錯誤，以及 Azure 變體的功能滯後。

模型系列Responses API內建工具推理努力串流處理成本層級
gpt-5是全部 5 種 + MCPN/A是見 OpenAI 定價
gpt-5-mini是全部 5 種 + MCPN/A是低於 gpt-5
gpt-4.1是web/file/code/imageN/A是中等
o-series (reasoning)是file/codelow/medium/high是每令牌最高
gpt-image-1僅圖片生成工具,,否每張圖片

定價會變動，請務必在撰寫時於 OpenAI 定價頁面 進行驗證。

對於錯誤處理，將呼叫包裝在 try/except openai.RateLimitError 和 try/except openai.APIStatusError 中，並使用 tenacity 進行指數退避：

python
from openai import OpenAI, RateLimitError, APIStatusError
from tenacity import retry, retry_if_exception_type, stop_after_attempt, wait_exponential

client = OpenAI()

@retry(
    retry=retry_if_exception_type((RateLimitError, APIStatusError)),
    wait=wait_exponential(multiplier=1, min=2, max=30),
    stop=stop_after_attempt(5),
    reraise=True,
)
def safe_create(prompt: str):
    return client.responses.create(model="gpt-5", input=prompt)

print(safe_create("Hello").output_text)

我們在暫存環境中一批 20 個平行請求時遇到了瞬時 429 錯誤，帶有指數退避的 tenacity 乾淨地解決了它。我們記錄的錯誤字串是 openai.RateLimitError: Error code: 429 - {'error': {'message': 'Rate limit reached for gpt-5 in organization org-... on requests per min (RPM)'}}。讀一次即可，重試裝飾器會處理其餘部分。

Azure 變體註記： Azure OpenAI 暴露了 Responses API，但比 Sam Altman 控制的發布落後 4–8 週。截至 2026 年 4 月，Azure 上的 MCP 支援僅限預覽版，在發布前請確認 Microsoft Learn 的 Azure OpenAI Responses API 文件。

閘道器相容性： 如果你透過 LiteLLM proxy 代理 OpenAI，Responses API 支援已於 2026 年落地。大多數其他閘道器正在趕上。對於生產發布，你希望在切換流量之前連接 AI 可觀察性和日誌記錄，Responses API 事件比 Chat Completions 更豐富，你會希望記錄每個工具呼叫。

何時不使用 Responses API

對於 低延遲即時音訊（使用 Realtime API）、嵌入向量生成（使用 Embeddings API）和 微調工作流程，請跳過 Responses API。如果你的閘道器/代理尚未支援 Responses（截至 2026 年，大多數透過 LiteLLM 支援），請留在 Chat Completions。

更多誠實的排除條件：

  • 即時語音代理，Realtime API 使用 WebSockets 並專為亞秒級輪換設計。Responses API 串流是 HTTP SSE；對於語音來說會感覺遲緩。
  • 純嵌入向量管道，client.embeddings.create() 更便宜、更快，且是所有向量資料庫整合所期望的。
  • 微調，你透過微調 API 訓練和部署微調模型；你可以隨後透過 Responses 呼叫 它們，但訓練本身不是 Responses 工作流程。
  • 批次 API 作業，如果你以 50% 折扣隔夜處理一百萬個提示詞，Batch API 在價格上仍然勝出。
  • 鎖定的 Chat Completions 語義，如果你的評估用例、可觀察性和提示詞庫都假設 chat.completions.choices[0].message.content，遷移成本是真實存在的。不要僅僅因為它更新就遷移。

如果你的堆疊在 Chat Completions 上運作良好且你沒有建構代理，遷移並非免費，你的 Q2 衝刺可能不需要它。更新並不意味著對你更好，Responses API 是代理的正確原語，而非適用於每個 OpenAI 工作負載。

常見問題

什麼是 OpenAI Responses API？

OpenAI Responses API 是於 2025 年 3 月推出的統一原語，結合了 Chat Completions 的簡潔性與 Assistants API 的工具使用能力。它支援文字和圖片輸入、五種內建工具、函式呼叫、結構化輸出、串流處理，以及透過 previous_response_id 實現的有狀態對話。

OpenAI Responses API 何時發布？

OpenAI 於 2025 年 3 月 11 日宣佈 Responses API，同時發布了其更廣泛的「建構代理的新工具」公告。該 API 自發布以來已普遍可用，Conversations API、MCP 支援和 image_generation 工具在 2025 年和 2026 年初的增量更新中添加。

OpenAI Responses API 是有狀態的嗎？

是的，可選。傳遞 previous_response_id 加上 store: true，模型將在呼叫之間攜帶上下文，而無需你發送完整歷史紀錄。對於更長壽命的執行緒，Conversations API 提供明確的執行緒生命週期管理。你也可以保持無狀態並像 Chat Completions 一樣每輪發送完整歷史紀錄。

Responses API 和 Chat Completions 有什麼區別？

Responses API 是 Chat Completions 的超集。所有 Chat Completions 的功能在 Responses 中皆可使用，此外還有內建工具（web_search、file_search 等）、透過 previous_response_id 實現的狀態保持，以及作為一等公民概念的代理迴圈。OpenAI 建議自 2026 年起所有新專案使用 Responses。

Chat Completions API 已棄用嗎？

沒有。截至 2026 年 4 月，Chat Completions 未棄用，仍然完全受支援。OpenAI 建議新專案使用 Responses，大多數代理風格教學假定使用 Responses。Chat Completions 現在是舊版原語：穩定，但新功能不再首先在此落地。

哪些 OpenAI 模型支援 Responses API？

GPT-5、gpt-5-mini、gpt-4.1 和 o-series 推理模型均支援 Responses API。o-series 添加了 reasoning_effort 參數（low、medium、high）用於擴展思考工作負載。當你啟用 image_generation 工具時，圖片生成在底層通過 gpt-image-1 路由。

如何從 Chat Completions 遷移到 Responses API？

三個步驟：將 client.chat.completions.create() 切換為 client.responses.create()，將 messages 陣列替換為 input（並將系統提示移動到 instructions），並扁平化你的工具結構定義（刪除嵌套的 function 鍵）。OpenAI 在 GitHub 上的遷移包 中有完整的適配器範例。

Responses API 支援串流處理嗎？

是的。將 stream=True 傳遞給 client.responses.create()（或使用 client.responses.stream() 作為內容管理器）並迭代類型化的 Server-Sent Events。你將處理的令牌串流事件是 response.output_text.delta（用於內容）和 response.completed（用於最終負載）。非同步串流透過 AsyncOpenAI 運作。

我可以在 Azure 上使用 Responses API 嗎？

可以。Azure OpenAI 暴露了 Responses API，但功能parity 比 OpenAI 的直接發布落後 4–8 週。截至 2026 年 4 月，Azure 上的 MCP 支援處於預覽階段。在發布到生產環境之前，請檢查 Microsoft Learn 以了解當前 Azure 特定的怪癖。

Responses API 是否與 MCP 伺服器配合使用？

是的，遠端 MCP (Model Context Protocol) 伺服器是一等工具類型。在你的 tools 陣列中添加 {"type": "mcp", "server_url": "...", "server_label": "..."}，模型會發現並呼叫伺服器的工具目錄，就像任何內建工具一樣。在生產環境中使用 require_approval: "always" 以確保安全性。

總結

你現在已經掌握了 Responses API 的全貌：它與 Chat Completions 的不同之處、如何發出第一次呼叫、如何連接內建工具，以及如何通過三個步驟遷移現有的 Chat Completions 專案。以下是一些值得錨定的重點：

  • 先建構，再優化。 從 hello-world 範例開始，添加內建工具，然後使用 previous_response_id 疊加狀態。
  • 逐漸遷移。 使用功能標誌，記錄兩種回應形狀，只有在驗證一致性後才完全切換。
  • 發布 MCP 整合。 這是 2026 年的前沿，大多數供應商正競相暴露 MCP 端點，而 Responses API 是使用它們的最乾淨方式。

在 Techsy，我們幫助團隊發布生產級別的 OpenAI 整合，包括 Responses API 發布和 Chat Completions 遷移。獲取免費諮詢。

由 Techsy 編輯團隊撰寫，自 2024 年以來一直發布 OpenAI 整合的生產工程師。最後更新：2026 年 4 月 25 日。

標籤

openai responses api 教學openai responses apichat completions 遷移function callingmcppython sdk

分享這篇文章

相關文章

更多「%s」主題文章 ai-machine-learning

ai-machine-learning
Jul 20, 2026

2026 年 8 大 AI 網頁爬蟲 API（在我們自己的 Agent 架構上實測）

我們透過自己的 Agent 架構抓取真實 2026 年定價，實測了 8 款 AI 網頁爬蟲 API。Firecrawl、Bright Data、ScrapingBee 等 5 家以上業者，依 LLM 就緒輸出、反爬蟲能力與 MCP 支援進行排名。

9 min read 分鐘閱讀
繼續閱讀
ai-machine-learning
Jul 20, 2026

程式碼提示工程：我們在 Claude Code 與 Cursor 中每日使用的 7 種模式（2026）

大多數「AI 程式碼提示」文章只會給你 50 個可複製的範本。本文將教導我們每天用於運行 16 個代理人的 Claude Code 流水線的 7 種模式，每種模式都附有真實的前後對比，並說明在 2026 年這些模式如何應用於 Claude Code、Cursor 和 Copilot。

11 min read 分鐘閱讀
繼續閱讀
ai-machine-learning
Jul 19, 2026

從 AI PoC 到正式上線：出貨前必過的 12 項檢查清單

一個能運作的 AI 示範並不等同於正式上線系統。這份 12 項檢查清單涵蓋每個 AI 功能上線前必經的三個階段：強化、穩定化與部署，並提供成本上限、速率限制、備援機制與回滾觸發條件的具體門檻。

10 min read 分鐘閱讀
繼續閱讀
查看全部文章
啟動專案

準備好創造點什麼了嗎 非凡體驗？

讓我們將你的願景化為現實。團隊已準備好，助你打造真正有影響力的軟體。

預約 30 分鐘需求討論查看作品

精選上架

Claude 技能

查看全部

  • New Post

    Full SEO blog pipeline: research, brief, write, validate, image, translate, publish to Sanity. Autonomous from start to finish.

  • Content Refresh

    Audit a stale post, find decay drivers, and ship a SERP-aligned refresh without losing existing rankings.

  • SEO Audit

    Site-wide SEO audit with prioritized fix list: technical, on-page, and EEAT signals.

AI 自動化作業

查看全部

  • Security Auditor

    Weekly SCA + IaC scan with prioritized fix PRs.

  • Cold Email Writer

    Generates first-touch emails grounded in one specific public detail.

  • Lead Research Agent

    Enrich an email into a profile, score fit, alert in Slack.

精選上架

Claude 技能

查看全部

  • New Post

    Full SEO blog pipeline: research, brief, write, validate, image, translate, publish to Sanity. Autonomous from start to finish.

  • Content Refresh

    Audit a stale post, find decay drivers, and ship a SERP-aligned refresh without losing existing rankings.

  • SEO Audit

    Site-wide SEO audit with prioritized fix list: technical, on-page, and EEAT signals.

AI 自動化作業

查看全部

  • Security Auditor

    Weekly SCA + IaC scan with prioritized fix PRs.

  • Cold Email Writer

    Generates first-touch emails grounded in one specific public detail.

  • Lead Research Agent

    Enrich an email into a profile, score fit, alert in Slack.

服務項目

  • 企業級解決方案
  • 手機應用程式
  • 網頁應用

解決方案

  • CRM 系統
  • AI 整合應用
  • ERP 整合系統
  • 語音助理代理
  • 工作流程自動化
  • 網路資安

資源庫

  • 部落格
  • 專案作品

社群

  • AI 自動化作業
  • Claude 技能

工具

  • 手機應用程式開發費用計算器
  • OpenAI / LLM API 費率計算器
  • MVP 開發費用計算器
  • 語音 AI 助理費用計算器

關於 TECHSY

  • 瀏覽
  • 合作夥伴
  • 聯絡我們

法律聲明

  • 私隱政策
  • 服務條款
  • Cookies說明

服務項目

  • 企業級解決方案
  • 手機應用程式
  • 網頁應用

解決方案

  • CRM 系統
  • AI 整合應用
  • ERP 整合系統
  • 語音助理代理
  • 工作流程自動化
  • 網路資安

資源庫

  • 部落格
  • 專案作品

社群

  • AI 自動化作業
  • Claude 技能

工具

  • 手機應用程式開發費用計算器
  • OpenAI / LLM API 費率計算器
  • MVP 開發費用計算器
  • 語音 AI 助理費用計算器

關於 TECHSY

  • 瀏覽
  • 合作夥伴
  • 聯絡我們
法律聲明私隱政策服務條款Cookies說明
TECHSY
© 2026 Techsy.保留所有權利。