🔄 API概要と基本構造
最新APIOpenAI Responses APIは、対話型AIアプリケーション開発を簡素化するために設計されたAPIです。
マルチターン対話：複数のやり取りを1回のAPIコールで完了
ツール呼び出しの統合：Web検索、ファイル検索などを単一のAPI呼び出しから利用可能
ストリーミング応答：大きな応答をリアルタイムで部分的に送信
会話履歴の永続化：OpenAIのサーバー側で会話履歴を保持（30日間）
ℹ️ 注意: エンドポイント: https://api.openai.com/v1/responses
💳 料金体系と利用制限
従量課金Responses APIの料金は使用したトークン数と選択したモデルに基づいて課金されます。
GPT-4.1
入力: $2.00/1M tokens
出力: $8.00/1M tokens
GPT-4.1 mini
入力: $0.40/1M tokens
出力: $1.60/1M tokens
OpenAI o3
入力: $10.00/1M tokens
出力: $40.00/1M tokens
Web検索ツール：$25～$50/1,000回のツール呼び出し
GPT-4oでデフォルト設定の場合：約$35/1k検索
⚡ リクエスト・レスポンスの基本フォーマット
基本構造シンプルなリクエスト例：
{
"model": "gpt-4.1",
"input": "テキスト入力または構造化データ",
"store": true
}
構造化リクエスト例：
{
"model": "gpt-4.1",
"input": [
{ "role": "user", "content": "こんにちは" }
]
}
レスポンス例：
{
"id": "resp_6786a1bec27481909a17d673315b29f6",
"created_at": 1741408624.0,
"model": "gpt-4.1",
"object": "response",
"output": [
{
"id": "msg_67cbc970fd0881908353a4298996b3f6",
"content": [
{
"text": "応答テキスト",
"type": "output_text"
}
],
"role": "assistant",
"type": "message"
}
],
"status": "completed",
"usage": {
"input_tokens": 405,
"output_tokens": 285,
"total_tokens": 690
}
}
🔧 主要パラメーターの詳細
パラメーター必須パラメーターと任意パラメーターで構成されています。
model：使用するモデルを指定（必須）
input：ユーザーからの入力（必須）
store：レスポンスを保存するかどうか（デフォルト: true）
temperature：出力のランダム性を制御（0～2、デフォルト: 1）
top_p：出力の多様性を制御（0～1、デフォルト: 1）
max_output_tokens：出力の最大トークン数
previous_response_id：前回のレスポンスIDを指定して会話を継続
tools：モデルが使用できるツールのリスト
🔍 サポートモデルと特性
モデル選択利用可能なモデルとその特性は以下の通りです：
| モデル | 特性 | 推奨用途 |
|---|---|---|
| GPT-4.1 | 高性能モデル | 複雑な推論、創造的タスク |
| GPT-4.1 mini | バランス型 | 一般的な対話、コンテンツ生成 |
| GPT-4.1 nano | 高速モデル | 高速応答が必要なアプリ |
| OpenAI o3 | 最強の推論 | 複雑な推論、専門的タスク |
| gpt-4o | マルチモーダル | 画像理解を必要とするタスク |
🎛️ temperature/top_pの調整
出力制御temperatureパラメーターは出力のランダム性を制御します：
0：最も確率的に可能性が高い次の単語を選択（同じ入力に同じ出力）
1：バランスの取れたランダム性（デフォルト）
2：非常にランダムな出力（創造性は高いが一貫性が低い）
使い分け方：
一貫した回答が必要な場合： temperature = 0
創造的なコンテンツ生成： temperature = 0.7～1.2
多様な回答が必要な場合： temperature = 1～1.5
📝 ヒント: 通常はtemperatureとtop_pのどちらか一方のみを調整しましょう
🔗 高度な使用パターン
活用法より効果的にResponses APIを活用するための高度な使用パターンを紹介します。
システムメッセージの効果的な活用：モデルの役割や動作を明確に定義
会話履歴管理：previous_response_idを使用した会話の継続
長い会話のコンテキスト管理：トークン最適化と要約技術
ツールの利用：Web検索など外部ツールとの統合
「システムメッセージは明確なロール定義と具体的な指示を含めることで効果を最大化できます」
🛠️ システムメッセージと会話履歴
テクニック効果的なシステムメッセージの基本構造：
{
"model": "gpt-4.1",
"input": [
{
"role": "system",
"content": "あなたはプロフェッショナルな日本語教師です。質問に対して簡潔かつ正確に回答してください。"
},
{
"role": "user",
"content": "「は」と「が」の違いを教えてください。"
}
]
}
会話履歴管理（previous_response_id使用）：
// 最初のレスポンス
response = client.responses.create(
model: "gpt-4.1",
input: "災害時の備えについて教えてください"
)
// 前のレスポンスIDを使用した続きの会話
second_response = client.responses.create(
model: "gpt-4.1",
previous_response_id: response.id,
input: "具体的な持ち出し品リストを挙げて"
)
🔧 ツールの利用とエラーハンドリング
実装テクニックWeb検索ツールの使用例：
const response = await client.responses.create({
model: "gpt-4o-mini",
input: "先週の東京の主要なニュースを教えて",
tools: [
{
type: "web_search",
config: {
search_context_size: "medium",
user_location: {
type: "approximate",
city: "Tokyo",
region: "Tokyo",
country: "Japan"
}
}
}
]
});
エラーハンドリングのベストプラクティス：
適切なステータスコードの確認
リトライロジックの実装
レート制限の管理
例外処理の実装