Tutoriel de l'API GPT-6 Astra : Créez votre première application avec l'API Responses
Créez votre première application GPT-6 Astra avec l'API Responses, les contrôles de raisonnement, la sortie structurée, les outils, l'état de la conversation et les garde-fous de production.
La manière la plus propre de construire avec GPT-6 Astra est l'API Responses. OpenAI prend en charge Chat Completions pour les requêtes Astra de base, mais ses directives actuelles sur les modèles indiquent que l'appel d'outils nécessite Responses. Cela fait de Responses le choix pratique par défaut pour les nouvelles applications qui ont besoin de recherche web ou de fichiers, de fonctions personnalisées, d'utilisation de l'ordinateur, de génération d'images, de sorties structurées ou d'état multi-tours.
Ce tutoriel construit un petit « réviseur de brief créatif ». Il accepte un brief créatif, identifie les décisions manquantes et renvoie un résultat structuré qu’une autre interface peut utiliser. La même architecture fonctionne pour les assistants de recherche, les outils de codage et les flux de travail documentaires.
Les exemples sont volontairement restreints. L'authentification, les versions du SDK et l'accès aux produits peuvent changer, alors comparez les détails d'implémentation avec la documentation officielle de l'API Responses avant le déploiement.
Ce dont vous avez besoin avant de commencer
Vous avez besoin d'un projet API OpenAI avec facturation et accès à gpt-6-astra. Les abonnements ChatGPT et la facturation API sont distincts. La page du modèle Astra ne mentionne actuellement aucun support API gratuit.
Pour Node.js, installez le SDK OpenAI actuel via votre gestionnaire de paquets habituel et placez la clé API dans une variable d'environnement côté serveur. Ne l'intégrez pas dans du code navigateur et ne la commitez pas dans un dépôt.
Notre première requête ne nécessite que trois champs :
SORTIE UNIQUEMENT DE LA TRADUCTION :
import OpenAI from "openai";
const client = new OpenAI();
const response = await client.responses.create({
model: "gpt-6-astra",
raisonnement : { effort : "moyen" },
input: "Examinez ce résumé : Un coursier trouve une lettre adressée à demain."
});
console.log(response.output_text);
output_text est une propriété pratique pour le texte collecté à partir de la réponse. Une application de production devrait également inspecter le statut de la réponse, les erreurs et l'utilisation plutôt que de supposer que chaque appel s'est terminé normalement.
Comprendre la forme de la requête
model
Utilisez l'identifiant exact du modèle gpt-6-astra. Ne devinez pas un alias ou un instantané daté qui n'est pas listé dans le catalogue officiel.
input
L'entrée peut être une chaîne de caractères ou un contenu structuré. Astra accepte les entrées texte et image. Elle produit du texte nativement ; l'audio et la vidéo ne sont pas des modalités de modèle prises en charge sur la page actuelle du modèle.
raisonnement
Le champ reasoning.effort contrôle le niveau de raisonnement appliqué par le modèle. Astra prend en charge les niveaux low, medium, high, xhigh et max. Il ne prend pas en charge none ; OpenAI indique que ce paramètre renvoie une erreur HTTP 400.
Commencez par un réglage moyen pour l'évaluation. Comparez les paramètres inférieurs et supérieurs sur les mêmes tâches plutôt que de supposer qu'un raisonnement plus poussé est toujours économique.
Utilisez le résultat en aval : Une fois que votre application a produit un script approuvé ou un brief de plan, les créateurs peuvent le transférer dans Elser AI pour la conception de personnages, le storyboard, la génération de scènes et le montage. Il s'agit d'un transfert de flux de travail, et non d'une revendication d'intégration native.
Donner au modèle un véritable contrat de sortie
Un paragraphe simple est difficile à valider. Notre relecteur doit renvoyer un objet stable contenant un résumé, les décisions manquantes et si le brief est prêt pour le storyboard.
Avec les sorties structurées, définissez un schéma JSON sous text.format :
SORTIE UNIQUEMENT DE LA TRADUCTION :
const briefSchema = {
type: "objet",
propriétés : {
logline : { type : "string" } ,
missing_decisions: {
type: "tableau",
items: { type: "string" }
},
ready_for_storyboard: { type: "boolean" }
},
requis : ["logline", "missing_decisions", "ready_for_storyboard"],
propriétés supplémentaires : false
};
const réponse = await client.responses.create({
model: "gpt-6-astra",
raisonnement : { effort : "moyen" },
instructions: [
"Examiner les briefs créatifs pour vérifier leur état de préparation à la production.",
"N'inventez pas de décisions manquantes concernant le budget, les droits, l'audience ou la durée."
].join(" "),
"Un coursier trouve une lettre adressée à demain."
texte : {
format: {
type: "json_schema",
name: "brève_revue",
strict: true,
schéma : brefSchéma
}
}
});
const review = JSON.parse(response.output_text);
La validité du schéma ne garantit pas la qualité factuelle ou créative. Validez également les règles métier requises. Par exemple, ready_for_storyboard doit être faux lorsque les contraintes de durée, de public ou de droits sont absentes.
Ajouter une fonction personnalisée
Supposons que les enregistrements de personnages approuvés résident dans votre base de données. Laissez Astra demander l'enregistrement plutôt que de coller l'intégralité du catalogue dans chaque invite.
Conceptuellement, définissez un outil de fonction avec un nom, une description, un schéma de paramètres strict et votre logique d'exécution. Lorsque la réponse contient un appel de fonction :
- analyser et valider ses arguments ;
- autoriser l'accès pour l'utilisateur actuel ;
- exécutez la fonction dans votre application ;
- retourner un
function_call_outputen utilisant lecall_idoriginal ; - poursuivez la conversation des Réponses.
Le modèle n'exécute pas votre fonction de base de données. C'est votre code qui le fait. Les descriptions d'outils guident la sélection ; elles ne constituent pas une frontière de sécurité.
GPT-6 Astra prend également en charge l'appel asynchrone d'outils. Définir async: true sur une fonction éligible ou un outil personnalisé permet au modèle de poursuivre un travail indépendant pendant que votre application exécute l'outil. Lorsque la tâche se termine, envoyez son résultat dans une demande ultérieure de Réponses avec l'ID d'appel d'origine. Cela diffère du mode arrière-plan : l'appel asynchrone d'outils modifie si le modèle attend un résultat d'outil, tandis que le mode arrière-plan concerne la génération de réponse elle-même.
Maintenir l'état multi-tour
Pour un suivi rapide, transmettez l'ID de la réponse précédente :
const first = await client.responses.create({
model: "gpt-6-astra",
raisonnement : { effort : "moyen" },
"Examinez ce brief de production en six plans : ..."
});
const revised = await client.responses.create({
model: "gpt-6-astra",
previous_response_id: first.id,
raisonnement : { effort : "moyen" },
input: "Révisez la critique pour une vidéo verticale de 30 secondes."
});
Les documents OpenAI store: true et les réponses précédentes comme un moyen de préserver l'état. Les organisations ayant des exigences de conservation différentes devraient examiner les options disponibles sans état et de raisonnement chiffré plutôt que de copier aveuglément un modèle de persistance.
N'envoyez pas indéfiniment un historique de conversation non contrôlé. Les contextes longs augmentent le coût, peuvent contenir des instructions obsolètes et risquent de franchir le seuil de prix supérieur au-dessus de 272 000 tokens d'entrée.
Modifier l'effort de raisonnement en cours de conversation
Astra prend en charge les éléments configuration_update en mode standard, mono-agent. Ils peuvent augmenter ou réduire l'effort de raisonnement tout en préservant le préfixe de prompt au niveau de la requête pour la mise en cache.
Par exemple, commencez une revue de routine à faible effort, puis escaladez l’analyse des échecs :
const next = await client.responses.create({
model: "gpt-6-astra",
previous_response_id: first.id,
raisonnement : { effort : "faible" },
input: [
{ type: "configuration_update", reasoning: { effort: "high" } }
{
role : "utilisateur",
content: "Trouvez les défauts de continuité et proposez les plus petites réparations."
}
]
});
Le guide officiel de raisonnement note des limites de compatibilité : les mises à jour de configuration sont réservées à Astra, s'appliquent en mode agent unique standard, ne peuvent pas être adjacentes dans l'historique et ne se combinent pas avec la compaction ou la troncature automatique. Lisez le guide actuel avant de les adopter largement.
Ajoutez des images avec soin
L'entrée d'image peut aider le réviseur à comparer une image de storyboard avec un brief de personnage. Fournissez du texte et un élément input_image dans l'entrée structurée. Demandez au modèle de séparer les observations visibles des inférences.
Par exemple, demandez une liste de contrôle couvrant la coiffure, le côté des accessoires, la palette et la construction du costume. Ne lui demandez pas de déduire la personnalité à partir de l'apparence ni de traiter de petits détails visuels comme certains lorsque l'image n'est pas claire.
Si le résultat est destiné à la production, laissez une personne approuver les règles d'identité avant de les enregistrer dans Elser AI. L'analyse visuelle peut réduire le travail de révision ; elle ne le remplace pas.
Gérer les erreurs et les réponses incomplètes
Le code de production doit gérer plus que les pannes réseau. Vérifiez :
- erreurs d'authentification et d'accès au projet ;
- HTTP 400 en raison de champs non pris en charge ou de valeurs de raisonnement ;
- limites de débit ;
- réponses incomplètes causées par les limites de sortie ;
- échecs de validation des arguments d'appel d'outil ;
- les tâches externes expirées ;
- sortie valide selon le schéma mais sémantiquement inutilisable ;
- annulation par l'utilisateur et limites de temps.
Utilisez des tentatives limitées avec backoff pour les échecs véritablement transitoires. Ne réessayez pas les requêtes invalides inchangées. Enregistrez les identifiants de requête, le modèle, la latence, l'utilisation des tokens et les résultats des outils sans stocker inutilement du contenu sensible.
Paramètres à éviter avec Astra
Les directives actuelles de migration vers Astra d'OpenAI indiquent de supprimer temperature, top_p et top_logprobs. Les requêtes Chat Completions doivent également supprimer logprobs, tandis que les requêtes Responses doivent omettre message.output_text.logprobs de include.
Les exemples copiés à partir de références d'API génériques peuvent afficher des champs acceptés par d'autres modèles. Les instructions spécifiques au modèle régissent votre requête Astra.
Testez l'application, pas seulement le modèle
Créez un petit ensemble d'évaluation contenant :
- briefs complets ;
- briefs sans durée ou audience manquante ;
- détails de personnage conflictuels ;
- une instruction malveillante à l'intérieur d'un document téléchargé ;
- une image aux détails ambigus ;
- un appel de fonction qui devrait être refusé ;
- un très long briefing près de votre limite de coût.
Mesurez le taux d'acceptation au premier passage, la validité des sorties structurées, les affirmations non étayées, le succès des outils, la latence, le coût en tokens et le temps de correction humaine. Effectuez un test d'intrusion sur la boucle complète des outils, car les autorisations et les données externes créent des risques que l'invite textuelle de base ne peut pas résoudre.
De la sortie API à l'animation
Le réviseur d'échantillons crée une frontière nette entre le raisonnement et le rendu. Il peut renvoyer une logline validée, les décisions manquantes et l'état de préparation du storyboard. Un service de production pourrait étendre le schéma avec des verrous de personnages, des plans minutés et des règles de continuité.
Après approbation, utilisez Elser AI pour construire le personnage et le storyboard, générer les assets de scène, ajouter la voix ou la musique et assembler le montage final. Gardez la version du résultat API afin que les modifications de production restent traçables.
Questions Fréquemment Posées
Quelle API devrais-je utiliser pour GPT-6 Astra ?
Utilisez l'API Responses pour les nouveaux projets et pour les appels d'outils. Les requêtes de base de Chat Completions sont prises en charge, mais l'appel d'outils Astra nécessite Responses.
Quel est l'identifiant du modèle GPT-6 Astra ?
Utilisez gpt-6-astra.
Puis-je régler la température pour GPT-6 Astra ?
Les directives actuelles de migration d'OpenAI indiquent de supprimer temperature, top_p et top_logprobs.
Est-ce que GPT-6 Astra prend en charge la sortie JSON ?
Oui. Les sorties structurées sont prises en charge. Définissez et validez un schéma JSON approprié plutôt que de vous fier à une instruction de formatage informelle.
Est-ce que GPT-6 Astra peut appeler les fonctions de mon application ?
Oui. Le modèle peut demander un appel de fonction, mais votre application valide les autorisations, exécute le code et renvoie le résultat.
GPT-6 Astra est-il disponible sur le niveau gratuit de l'API ?
La page du modèle actuel indique que le niveau Gratuit n'est pas pris en charge.
Conclusion
Une application GPT-6 Astra fiable commence par l'API Responses, un paramètre de raisonnement explicite et un contrat de sortie que votre logiciel peut valider. Ajoutez des outils uniquement avec autorisation et observabilité, maintenez l'état de la conversation borné et testez les échecs aussi soigneusement que les entrées idéales.
Pour les systèmes créatifs, utilisez Astra pour rendre le brief précis et révisable. Transférez ensuite le script accepté et les données de prise de vue dans Elser AI pour la production visuelle.
Sources officielles
- Page du modèle GPT-6 Astra
- Guide du modèle GPT-6 Astra
- Migrer vers l'API Responses
- Appel d'outil asynchrone
- Modèles de raisonnement
Détails techniques vérifiés par rapport à la documentation officielle d'OpenAI le 4 septembre 2026. Testez les exemples par rapport au SDK actuel avant une utilisation en production.
