レスポンスの作成

from openai import OpenAI
import json
import os
import random

# クライアントを初期化します。
client = OpenAI(
    # 環境変数が設定されていない場合は、次のように置き換えます: api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # {WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
)
# ユーザーの質問をシミュレートします。
USER_QUESTION = "北京の天気はどうですか？"
# ツールのリストを定義します。
tools = [
    {
        "type": "function",
        "name": "get_current_weather",
        "description": "特定の都市の天気を取得するのに役立ちます。",
        "parameters": {
            "type": "object",
            "properties": {
                "location": {
                    "type": "string",
                    "description": "北京や杭州などの都市または地区。",
                }
            },
            "required": ["location"],
        },
    }
]

# 天気クエリツールをシミュレートします。
def get_current_weather(arguments):
    weather_conditions = ["sunny", "cloudy", "rainy"]
    random_weather = random.choice(weather_conditions)
    location = arguments["location"]
    return f"今日の {location} は {random_weather} です。"

# モデルのレスポンス関数をラップします。
def get_response(input_data):
    response = client.responses.create(
        model="qwen3.8-max",
        input=input_data,
        tools=tools,
    )
    return response

# 対話のコンテキストを維持します。
conversation = [{"role": "user", "content": USER_QUESTION}]

response = get_response(conversation)
function_calls = [item for item in response.output if item.type == "function_call"]
# ツール呼び出しが必要ない場合は、コンテンツを直接出力します。
if not function_calls:
    print(f"最終的なアシスタントのレスポンス: {response.output_text}")
else:
    # ツール呼び出しループに入ります。
    while function_calls:
        for fc in function_calls:
            func_name = fc.name
            arguments = json.loads(fc.arguments)
            print(f"ツール [{func_name}] を引数で呼び出し中: {arguments}")
            # ツールを実行します。
            tool_result = get_current_weather(arguments)
            print(f"ツールが返した結果: {tool_result}")
            # ツール呼び出しとその結果をペアとしてコンテキストに追加します。
            conversation.append(
                {
                    "type": "function_call",
                    "name": fc.name,
                    "arguments": fc.arguments,
                    "call_id": fc.call_id,
                }
            )
            conversation.append(
                {
                    "type": "function_call_output",
                    "call_id": fc.call_id,
                    "output": tool_result,
                }
            )
        # 完全なコンテキストでモデルを再度呼び出します。
        response = get_response(conversation)
        function_calls = [
            item for item in response.output if item.type == "function_call"
        ]
    print(f"最終的なアシスタントのレスポンス: {response.output_text}")

import os
from openai import OpenAI

client = OpenAI(
    # 環境変数を設定していない場合は、次の行を次のように置き換えます: api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/compatible-mode/v1",
)

response = client.responses.create(
    model="qwen3.5-ocr",
    input=[
        {
            "role": "user",
            "content": [
                {
                    "type": "input_file",
                    "file_url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20260616/qmycjl/1506.02640v5.pdf",
                },
                {
                    "type": "input_text",
                    "text": "ファイル内のすべてのテキストを読み取ってください。",
                },
            ],
        }
    ],
    extra_body={
        "ocr_options": {"task": "document_parsing"}
    },
)

print(response.output_text)

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    # {WorkspaceId} を実際のワークスペース ID に置き換えてください。URL はリージョンによって異なります。
    base_url="https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1",
    # default_headers を介してセッションキャッシュを有効にします。
    default_headers={"x-dashscope-session-cache": "enable"}
)

# キャッシュ作成をトリガーするために 1024 トークンを超える長いテキストを構築します。
# そうでない場合、キャッシュは累積コンテキストが 1024 トークンを超えたときにトリガーされます。
long_context = "人工知能 (AI) は、人間の知能をシミュレート、拡張、拡大できる理論、方法、技術、および応用システムを研究開発することに専念するコンピュータサイエンスの主要な分野です。" * 50

# 最初のターン
response1 = client.responses.create(
    model="qwen3.8-max",
    input=long_context + "\n\nこのコンテキストに基づいて、機械学習におけるランダムフォレストアルゴリズムを簡単に紹介してください。",
)
print(f"最初のレスポンス: {response1.output_text}")

# 2番目のターン: previous_response_id を使用してコンテキストをリンクします。キャッシュはサーバーによって自動的に処理されます。
response2 = client.responses.create(
    model="qwen3.8-max",
    input="それと GBDT の主な違いは何ですか？",
    extra_body={"previous_response_id": response1.id}
)
print(f"2番目のレスポンス: {response2.output_text}")

# キャッシュヒットステータスを確認します。
usage = response2.usage
print(f"入力トークン数: {usage.input_tokens}")
print(f"キャッシュされたトークン数: {usage.prompt_tokens_details.cached_tokens}")