如何使用 OpenAI Python SDK 构建 GPT-5.6 Sol 应用？

使用 OpenAI Python SDK 构建 GPT-5.6 Sol 应用，推荐从 Responses API 开始：把密钥放进环境变量，以 OpenAI() 创建客户端，再将模型设为 gpt-5.6-sol。一个可用的应用不应止于“成功打印一句话”，还应明确输入边界、流式输出、异常分类、重试策略和密钥保护。下面从最小调用逐步扩展为一个适合继续开发的命令行程序。

先理解调用链

Python 程序并不是在本机运行 GPT-5.6 Sol。SDK 负责把输入、模型名和生成参数序列化为请求，发送到 OpenAI API，再把响应转换成 Python 对象。模型生成的正文可以通过响应对象的 output_text 便捷属性读取；需要边生成边展示时，则使用流式事件。把这几层分开理解，排错会简单很多：认证失败通常属于密钥或项目配置问题，连接失败属于网络链路问题，限流属于配额或并发问题，而内容不符合预期才主要涉及提示词和应用逻辑。

GPT-5.6 Sol 面向复杂专业任务，模型 ID 是 gpt-5.6-sol。它支持 Responses API，也支持流式输出、函数调用和结构化输出。本文选择 Responses API，是因为它能用统一的响应对象承载文本和工具调用，后续增加能力时不必重写整个调用层。

准备 Python 环境与密钥

建议为项目创建独立虚拟环境，避免全局包版本互相影响。以下命令适用于 macOS、Linux 以及常见的类 Unix 终端；Windows 用户可以使用对应的虚拟环境激活命令。

python3 -m venv .venv
source .venv/bin/activate
python -m pip install --upgrade openai

在运行程序的终端中设置环境变量：

export OPENAI_API_KEY="你的 API 密钥"

不要把真实密钥直接写进 Python 文件，也不要提交到 Git。SDK 会自动读取 OPENAI_API_KEY，因此代码无需保存或打印密钥。生产环境应使用部署平台的密钥管理功能，并让开发、测试、生产分别使用不同的项目或凭据，以便控制权限和追踪用量。

完成第一次 Responses API 调用

新建 app.py，写入下面的最小示例：

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.6-sol",
    instructions=(
        "你是一名严谨的中文技术助手。先给结论，再给可执行步骤；"
        "不确定的信息要明确说明。"
    ),
    input="请用三个要点解释 Python 虚拟环境解决了什么问题。",
)

print(response.output_text)

运行 python app.py 即可发起请求。instructions 用来定义跨本次请求生效的行为约束，input 是用户任务。把两者分开，比把所有内容拼成一个长字符串更便于维护。output_text 会聚合响应中的文本输出，适合只关心最终文字的应用；如果应用还要处理工具调用或其他输出项，应遍历响应的结构化内容，而不是假设所有结果都只有一段文本。

最小示例验证了四件事：Python 包能够导入、环境变量可读取、账户可以访问指定模型、响应能够被应用解析。出现问题时，先保持这个示例足够小，确认基础链路后再加入数据库、Web 框架或消息队列，否则多个故障源会混在一起。

封装成可复用的应用函数

真实应用应在入口处校验输入，并把模型调用集中在单独函数中。这样测试代码可以替换调用层，界面层也不会依赖 SDK 返回对象的全部细节。

from openai import OpenAI

client = OpenAI()


def ask(question: str) -> str:
    cleaned = question.strip()
    if not cleaned:
        raise ValueError("问题不能为空")
    if len(cleaned) > 4000:
        raise ValueError("问题过长，请拆分后重试")

    response = client.responses.create(
        model="gpt-5.6-sol",
        instructions="用简体中文回答。结论清楚，示例可执行，不编造事实。",
        input=cleaned,
    )

    answer = response.output_text.strip()
    if not answer:
        raise RuntimeError("模型没有返回可展示的文本")
    return answer


if __name__ == "__main__":
    question = input("请输入问题：")
    print(ask(question))

长度上限不是模型的上下文上限，而是应用自己的产品约束。越早限制无意义或异常大的输入，越容易控制延迟和成本。具体阈值应结合业务数据调整。对于公开服务，还应在服务端做身份认证、请求大小限制与频率限制，不能依赖前端输入框的字符限制。

使用流式输出改善等待体验

较长回答如果等到全部生成后才显示，会让用户误以为程序卡住。设置 stream=True 后，可以按事件读取增量文本：

from openai import OpenAI

client = OpenAI()

stream = client.responses.create(
    model="gpt-5.6-sol",
    instructions="使用简体中文，给出分步骤说明。",
    input="解释如何为一个 Python Web 服务设计健康检查。",
    stream=True,
)

for event in stream:
    if event.type == "response.output_text.delta":
        print(event.delta, end="", flush=True)

print()

流式输出改变的是交付方式，不代表整次响应已经成功完成。终端示例可以直接打印增量内容，Web 应用则通常把事件转发给浏览器，并在结束事件到达后保存完整结果。若连接中途断开，界面应标明回答不完整，避免把半段内容当成最终记录。需要审计的业务还应同时保存请求标识、完成状态和错误类型，但不应把密钥或未经处理的敏感输入写进日志。

按错误类型处理失败

“捕获所有异常然后立即重试”会隐藏程序错误，也可能放大限流。更稳妥的做法是区分连接问题、限流、API 状态错误和本地代码错误。下面给出一个有限次数、指数退避并带少量随机抖动的示例：

import random
import time

from openai import APIConnectionError, APIStatusError, OpenAI, RateLimitError

client = OpenAI(timeout=60.0, max_retries=0)


def generate(prompt: str, attempts: int = 3) -> str:
    for attempt in range(attempts):
        try:
            response = client.responses.create(
                model="gpt-5.6-sol",
                input=prompt,
            )
            return response.output_text
        except (APIConnectionError, RateLimitError):
            if attempt == attempts - 1:
                raise
            delay = (2 ** attempt) + random.uniform(0, 0.5)
            time.sleep(delay)
        except APIStatusError as exc:
            if exc.status_code >= 500 and attempt < attempts - 1:
                time.sleep((2 ** attempt) + random.uniform(0, 0.5))
                continue
            raise

    raise RuntimeError("请求未完成")

这里把 SDK 自动重试关闭，是为了清楚展示应用自己的重试边界，避免两层重试叠加后产生超出预期的请求次数。连接失败、限流和部分服务端错误通常可以短暂退避后重试；认证、权限、参数和输入错误一般不会因等待而自动恢复，应立即返回明确提示并修正配置。对于有副作用的工具调用，还要设计幂等键或业务去重，不能把一次生成请求的重试思路原样套用到付款、发信或写数据库操作上。

把单轮问答扩展成产品

命令行脚本只是验证入口。接入 Web 服务时，建议将代码分为接口层、业务层和模型网关层：接口层负责认证及参数校验，业务层组织上下文和权限规则，模型网关层只负责调用 SDK、超时、重试与观测。模型名也应集中配置，而不是散落在多个路由中。这样需要调整模型或增加灰度策略时，只改一处。

多轮对话不能简单地无限拼接全部历史。应用应决定哪些消息与当前任务有关，并为上下文设置预算。长会话可以保留近期消息，再把较早内容压缩为经过校验的状态摘要。涉及账户资料、内部文档或个人信息时，应先做权限判断和数据最小化，再决定是否把内容发送给模型。

如果输出必须被程序消费，应优先采用结构化输出并用模式校验，不要依靠正则表达式从自然语言中猜字段。需要访问实时数据或执行业务动作时，可以增加函数工具：模型负责选择工具并生成参数，应用负责校验参数、执行授权检查、调用真实服务，再把工具结果交回模型。模型生成的参数不能绕过现有权限体系。

上线前的验证清单

功能验证

至少覆盖空输入、普通中文问题、英文输入、超长输入、包含代码的输入和流式中断。检查回答是否遵守指令，空文本是否被正确处理，界面是否能区分进行中、完成和失败状态。不要用一次演示成功代替测试，应准备一组稳定的代表性问题，对每次提示词或模型配置变更做回归检查。

可靠性与观测

记录请求耗时、成功率、错误类别和重试次数，并为异常增长设置告警。日志中可保存应用生成的关联标识，便于串联前端请求与后端调用；敏感正文应脱敏或避免记录。为每个请求设置合理超时，为服务整体设置并发上限，并在依赖不可用时返回可理解的降级信息。

安全与成本

密钥只存在服务端，浏览器和移动客户端不应直接持有长期 API 密钥。为公开入口增加身份认证、频率限制和滥用防护。成本控制要从输入长度、输出目标、并发和重试次数共同入手；上线前先用代表性流量测量，而不是凭单次请求推断。模型价格、配额和可用能力可能变化，涉及采购或容量规划时应以当前官方控制台和文档为准。

常见问题定位

如果程序提示找不到 openai，先确认运行脚本的 Python 与安装包时使用的是同一个虚拟环境，可用 python -m pip show openai 检查。若提示缺少密钥，确认环境变量是在启动进程的同一终端或部署环境中设置，而不是只写在另一个会话里。

认证或权限错误应检查密钥是否有效、项目配置是否正确，以及当前账户是否能访问目标模型。限流时应降低并发并采用退避，不要快速循环重试。连接超时要分别检查本地网络、代理配置、DNS 和服务端状态。模型返回内容不理想时，先固定一组测试输入，再调整 instructions、上下文组织和输出约束；不要同时修改模型、提示词和业务代码，否则很难判断改动效果来自哪里。

至此，应用已经具备清晰的最小调用、输入校验、流式展示和分类错误处理。下一步可以按业务需要加入结构化输出、工具调用、持久化和评测，但每增加一层能力，都应保留最小调用作为诊断基线，并继续把权限、失败状态和可观测性当作应用逻辑的一部分。