О библиотеке openai для Python

Для того чтобы работать с API OpenAI на языке программирования Python, есть специальная библиотека, которая называется openai. В этом видео познакомимся с ней: посмотрим, что в неё входит и что она умеет. Это обзорное видео перед практическими шагами.

Зачем нужна библиотека openai

Для начала разберёмся, что это за пакет и обязательно ли его использовать. Обращаться к API OpenAI можно двумя способами.

Первый - писать программу без сторонних пакетов, напрямую через библиотеку requests. В этом случае весь код пишется вручную: нужно самому указывать все URL-адреса, заголовки, передавать тело запроса в нужном формате (словарь по документации) и выполнять остальные требования API для стабильной работы. Начать работать с API OpenAI по документации вполне можно и так.

Второй - готовый SDK, обёртка над HTTP-запросами, которая называется openai. Это Python-пакет, который мы устанавливаем в своё виртуальное окружение, и дальше работаем с API OpenAI в более облегчённом формате. Преимущество в том, что кода становится меньше: все особенности работы с API OpenAI в библиотеке уже учтены, и остаётся только применять её готовые методы и конструкции.

Чаще всего никто не пишет запросы вручную через requests, в большинстве случаев используют именно эту библиотеку. Бывают отдельные случаи: например, API обновился, а библиотека ещё не поддерживает новый метод. Тогда можно сделать отдельный запрос через requests, но в остальном лучше пользоваться готовым решением.

Установка и API ключ

Чтобы начать использовать библиотеку, её нужно установить в Python-проект, в виртуальное окружение. Ставим два пакета:

pip install openai python-dotenv

Также важно задать переменную окружения с ключом. В Windows это делается такой командой:

setx OPENAI_API_KEY "ваш_ключ"

Обратите внимание, как пишется название: OPENAI_API_KEY - это название по умолчанию. Если ключ лежит в переменной с таким именем, объект клиента можно создавать без аргументов:

from openai import OpenAI

client = OpenAI()

Если же вы назовёте переменную окружения по-другому, например MY_KEY, то ключ нужно будет передать явно, отдельным аргументом api_key:

import os
from openai import OpenAI

client = OpenAI(api_key=os.environ["MY_KEY"])

Кроме того, ключ можно хранить не в переменных окружения самой системы, а в переменных окружения проекта, в файле .env. Практический пример этого посмотрим в следующих видео, сейчас просто база.

Класс OpenAI и клиент

Итак, у нас есть пакет (библиотека) openai, и в нём есть класс OpenAI. Когда мы пишем Python-скрипт, мы этот класс импортируем. Внутри библиотеки есть несколько основных классов, но для пробного запроса достаточно одного OpenAI. Если понадобятся другие, их просто перечисляют в импорте через запятую.

client - это экземпляр класса, объект, который создаётся на основе импортированного класса. У этого объекта есть свойства и методы, сейчас посмотрим, что там внутри.

Кроме OpenAI, в библиотеке можно импортировать:

• другие клиенты - асинхронный AsyncOpenAI, AzureOpenAI;
• специальные классы для работы с ошибками;
• классы для настроек, типы ответов и так далее.

Это уже тонкости работы, важно понимать, что класс OpenAI в этой библиотеке не единственный.

Первый запрос: responses.create

Как выглядит первый запрос к API OpenAI? У клиента, которого мы создали, есть раздел responses, а в нём метод create. Это базовый метод, чтобы отправить обращение к API OpenAI и получить ответ.

response = client.responses.create(
    model="gpt-5-nano",
    instructions="Отвечай кратко",
    input="Что такое API?",
)
print(response.output_text)

У него два обязательных параметра:

• model - модель, к которой вы обращаетесь;
• input - сам запрос.

Также можно передать системные инструкции в instructions, например «Отвечай кратко», - они будут учитываться вместе с основным запросом. Текст ответа получаем через свойство output_text. Это мы посмотрим уже в практическом видео. Есть и другие аргументы, которые здесь не указаны, их можно посмотреть в документации.

Старый способ: chat.completions

Важный момент: если будете смотреть видео или читать документацию, то увидите, что к API OpenAI обращаются двумя способами. Есть старый способ, который использовался в ранних версиях:

response = client.chat.completions.create(
    model="gpt-5-nano",
    messages=[
        {"role": "system", "content": "Отвечай кратко"},
        {"role": "user", "content": "Что такое API?"},
    ],
)
print(response.choices[0].message.content)

Он по-прежнему поддерживается, и его можно использовать в своих проектах. Но новый метод короче и читается намного нагляднее. На старом мы останавливаться не будем: для единообразия лучше писать в новом стандарте API этого пакета.

Разделы клиента

Итого: мы импортировали класс OpenAI, создали на его основе объект client. У этого объекта есть разделы, например responses, а у разделов - методы и свойства. Такая иерархическая структура у пакета.

Какие ещё есть разделы:

• responses - основной раздел, запросы и ответы модели;
• chat.completions - прежний API диалога, устаревший, мы его не используем;
• embeddings - векторы для поиска;
• images - генерация картинок;
• audio - речь в текст и обратно;
• другие, более специфичные разделы, которые можно разбирать отдельно.

Для каждой задачи - работы с картинками, аудио, файлами и так далее - в пакете есть свой раздел.

Методы раздела responses

Раздел responses, пожалуй, самый основной. В нём есть такие методы:

• create - отправляет запрос и получает ответ от LLM-модели;
• parse - ответ сразу в виде объекта Pydantic;
• stream - ответ по частям, по мере генерации;
• retrieve, delete - с ними разберёмся немного позже.

Сейчас важно понять саму идею и архитектуру: как всё устроено и как импортируется. Дальше переходим к практике и посмотрим, как это использовать в реальном программном проекте.