Responses

OpenAI Responses 接口，Codex 等工具使用它。

与 OpenAI Responses API 兼容的接口，是 OpenAI 新一代的统一接口。Codex 等工具只支持这个接口。

POST https://tokenfunc.com/v1/responses

cURL

curl https://tokenfunc.com/v1/responses \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer sk-xxxxxxxxxxxxxxxx" \
  -d '{
    "model": "gpt-5",
    "instructions": "你是一个乐于助人的助手。",
    "input": "用一句话解释什么是 HTTP。"
  }'

Python

from openai import OpenAI

client = OpenAI(base_url="https://tokenfunc.com/v1", api_key="sk-xxxxxxxxxxxxxxxx")

resp = client.responses.create(
    model="gpt-5",
    instructions="你是一个乐于助人的助手。",
    input="用一句话解释什么是 HTTP。",
)
print(resp.output_text)

Node.js

import OpenAI from 'openai'

const client = new OpenAI({ baseURL: 'https://tokenfunc.com/v1', apiKey: 'sk-xxxxxxxxxxxxxxxx' })

const resp = await client.responses.create({
  model: 'gpt-5',
  instructions: '你是一个乐于助人的助手。',
  input: '用一句话解释什么是 HTTP。',
})
console.log(resp.output_text)

请求参数

200

{
  "id": "resp_abc123",
  "object": "response",
  "status": "completed",
  "model": "gpt-5",
  "output": [
    {
      "type": "message",
      "role": "assistant",
      "content": [
        {
          "type": "output_text",
          "text": "HTTP 是浏览器和服务器之间传输网页等数据的通信协议。"
        }
      ]
    }
  ],
  "usage": { "input_tokens": 25, "output_tokens": 22, "total_tokens": 47 }
}

SDK 提供的 output_text 会把所有文字输出拼接好，直接读取即可。

响应字段

流式输出

stream: true 时返回一系列事件，常用的有 response.output_text.delta（文字增量）和 response.completed（结束，含最终用量）。

cURL

curl https://tokenfunc.com/v1/responses \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer sk-xxxxxxxxxxxxxxxx" \
  -N \
  -d '{"model": "gpt-5", "input": "写一首关于秋天的四行短诗", "stream": true}'

Python

stream = client.responses.create(model="gpt-5", input="写一首关于秋天的四行短诗", stream=True)
for event in stream:
    if event.type == "response.output_text.delta":
        print(event.delta, end="", flush=True)

Node.js

const stream = await client.responses.create({
  model: 'gpt-5',
  input: '写一首关于秋天的四行短诗',
  stream: true,
})
for await (const event of stream) {
  if (event.type === 'response.output_text.delta')
    process.stdout.write(event.delta)
}

调用示例

多轮对话

把完整的对话历史放进 input 数组即可，每条是 role + content：

cURL

curl https://tokenfunc.com/v1/responses \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer sk-xxxxxxxxxxxxxxxx" \
  -d '{
    "model": "gpt-5",
    "input": [
      {"role": "user", "content": "Redis 和 Memcached 怎么选？"},
      {"role": "assistant", "content": "需要丰富数据结构或持久化选 Redis，只做简单缓存选 Memcached。"},
      {"role": "user", "content": "如果需要持久化呢？"}
    ]
  }'

Python

history = [{"role": "user", "content": "Redis 和 Memcached 怎么选？"}]
resp = client.responses.create(model="gpt-5", input=history)

history.append({"role": "assistant", "content": resp.output_text})
history.append({"role": "user", "content": "如果需要持久化呢？"})
resp = client.responses.create(model="gpt-5", input=history)
print(resp.output_text)

思考强度

推理模型用 reasoning.effort 控制思考强度，取值 none / minimal / low / medium / high / xhigh / max（各模型支持的取值不同），越高越慢、输出 Token 越多：

cURL

curl https://tokenfunc.com/v1/responses \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer sk-xxxxxxxxxxxxxxxx" \
  -d '{
    "model": "gpt-5",
    "input": "设计一个短链接服务的数据库表结构",
    "reasoning": {"effort": "low"}
  }'

Python

resp = client.responses.create(
    model="gpt-5",
    input="设计一个短链接服务的数据库表结构",
    reasoning={"effort": "low"},
)
print(resp.output_text)

与 Chat Completions 怎么选

用 Codex 等只支持 Responses 的工具：只能用这个接口。
自己写代码：两者都可以。Chat Completions 支持的模型更多、生态更成熟，没有特别需求时优先用它。