OpenAI API Python入門｜Responses APIのコピペ集

Python から OpenAI のモデルを呼ぶには、pip install openai で SDK を入れ、client.responses.create() を使います。 返答の文字は response.output_text で取り出せます。Responses API は、OpenAI が新しいプロジェクトに勧めている API です（Chat Completions も引き続き使えます）。

from openai import OpenAI

client = OpenAI()  # 環境変数 OPENAI_API_KEY を読む
response = client.responses.create(
    model="gpt-6-luna",
    input="Responses APIを一言で説明して",
)
print(response.output_text)

確認環境：openai 3.29.0（pip の最新版）・pydantic 2.14.1・Python 3.11.15（Linux）。SDK が送る URL と JSON、受け取ったときの取り出し方、ストリームのイベント、例外の種類と再試行の回数は、base_url を手元の擬似エンドポイント（Responses API の応答の形を返す小さな HTTP サーバー）に向けて確かめました。再試行の既定値は SDK のソース（_constants.py・_base_client.py）で確かめました。モデル名・料金・仕様は OpenAI の公式ドキュメントに基づきます（確認日 2026年10月12日）。

最初に用意するもの

pip install openai
export OPENAI_API_KEY="sk-..."   # Windows PowerShell は $env:OPENAI_API_KEY="sk-..."

API キーが見つからないと、OpenAI() を作った時点で止まります。手元では次の文でした。

openai.OpenAIError: Missing credentials. Please pass an `api_key`, `workload_identity`, `admin_api_key`, or set the `OPENAI_API_KEY` or `OPENAI_ADMIN_KEY` environment variable.

キーをコードに直書きしない方法は、関連記事「.envの使い方と注意点｜APIキーを安全に管理する方法」で扱っています。

モデルと料金（2026年10月12日に公式ドキュメントで確認）

モデルのページでは、迷ったら gpt-6-astra、性能と費用の釣り合いなら gpt-6.1-sol、件数が多く費用を抑えたい処理なら gpt-6-luna を勧めています。料金は 100万トークンあたりの Standard の値（短いコンテキスト）です。

長いコンテキストのプロンプトは単価が上がります（例：gpt-6-luna は入力 $0.20・出力 $0.75）。料金ページには、モデルのトークンについての無料枠の記載はありませんでした。本文のコードは、安い gpt-6-luna で書いています。

最小コード

response.output_text は、output の中にある文字（output_text）を全部つなげた便利プロパティです。 文字が1つも無いときは空文字になります（SDK のソースで確認）。

from openai import OpenAI

client = OpenAI()
response = client.responses.create(model="gpt-6-luna", input="こんにちは")

print(response.output_text)          # 返答の文字
print(response.id)                   # resp_... 会話を続けるときに使う
print(response.status)               # completed / incomplete など
print(response.usage.input_tokens, response.usage.output_tokens)
print(response._request_id)          # x-request-id（問い合わせ用）

擬似エンドポイントで受けたとき、SDK は次の URL と JSON を送っていました。

POST /v1/responses
{"model":"gpt-6-luna","input":"こんにちは"}

レスポンスの中身

output[0] が文字とは限りません。推論するモデルは、先頭に reasoning の項目が入ることがあります。文字は output_text で取るのが確実です。

instructions と主な引数

instructions は Chat Completions の system メッセージにあたります。 input とは別の引数です。

response = client.responses.create(
    model="gpt-6-luna",
    instructions="あなたは社内ヘルプデスクです。100文字以内で答えます。",
    input="VPNにつながりません",
    max_output_tokens=300,
)

POST /v1/responses
{"model":"gpt-6-luna","input":"VPNにつながりません","instructions":"あなたは社内ヘルプデスクです。","max_output_tokens":300}

instructions は previous_response_id で続けても引き継がれません。続きのリクエストにも毎回付けます。指示の書き方は、関連記事「システムプロンプトの書き方と例｜エンジニア向けカスタム指示テンプレート」で扱っています。

会話の続け方：previous_response_id と履歴の積み上げ

会話を続ける方法は2つあります。 OpenAI 側に保存した前の返答を ID で指す方法と、自分で履歴を持って毎回送る方法です。

A. previous_response_id で続ける

first = client.responses.create(model="gpt-6-luna", input="私の名前は山田です。")
second = client.responses.create(
    model="gpt-6-luna",
    previous_response_id=first.id,
    input="私の名前は？",
)
print(second.output_text)

送られるのは新しい質問と ID だけです。

{"model":"gpt-6-luna","input":"私の名前は？","previous_response_id":"resp_001"}

B. input に履歴を積み上げる

history = [{"role": "user", "content": "私の名前は山田です。"}]
r = client.responses.create(model="gpt-6-luna", input=history, store=False)
history += r.output                      # 返答の項目をそのまま足す
history.append({"role": "user", "content": "私の名前は？"})
r = client.responses.create(model="gpt-6-luna", input=history, store=False)
print(r.output_text)

2回目は、返答の項目（type: message）がそのまま入って送られていました。

{"model":"gpt-6-luna","input":[{"role":"user","content":"私の名前は山田です。"},{"id":"msg_001","content":[{"annotations":[],"text":"こんにちは。ご用件をどうぞ。","type":"output_text"}],"role":"assistant","status":"completed","type":"message"},{"role":"user","content":"私の名前は？"}],"store":false}

A でも料金は安くなりません。 会話の状態のガイドには、previous_response_id を使っても前の入力が課金される旨が書かれています。長い会話は B で前半を削るほうが、トークンを抑えやすくなります。セッションや端末をまたいで会話を持ちたいときは、client.conversations.create() で作る Conversations API もあります（会話オブジェクトは 30日の保存期限の対象外とドキュメントにあります）。

トークンの数え方は、関連記事「トークンとは｜生成AIの数え方・日本語の文字数目安と節約方法」で扱っています。

ストリーミング：イベントの種類

stream=True を付けると、返り値を for で回してイベントを順に受け取れます。 文字の断片は response.output_text.delta の delta に入ります。

stream = client.responses.create(model="gpt-6-luna", input="Responses APIを説明して", stream=True)
for event in stream:
    if event.type == "response.output_text.delta":
        print(event.delta, end="", flush=True)
    elif event.type == "response.completed":
        print()
        print(event.response.usage)

擬似エンドポイントから文字を2つに分けて返したとき、SDK は次の順でイベントを返しました。

response.created
response.in_progress
response.output_item.added
response.content_part.added
response.output_text.delta   Responses APIは
response.output_text.delta   OpenAIの新しいAPIです。
response.output_text.done
response.content_part.done
response.output_item.done
response.completed

SDK の型には、ほかに推論の要約（response.reasoning_summary_text.delta）や、web 検索・ファイル検索などのツールのイベントもあります。

最後の返答もまとめて欲しいとき：responses.stream()

with client.responses.stream(...) を使うと、イベントを回したあとに get_final_response() で組み立て済みの返答が取れます。

with client.responses.stream(model="gpt-6-luna", input="Responses APIを説明して") as stream:
    for event in stream:
        if event.type == "response.output_text.delta":
            print(event.delta, end="", flush=True)
    final = stream.get_final_response()
print()
print(final.output_text)   # Responses APIはOpenAIの新しいAPIです。

関数の引数もストリームでは分かれて届きます。{"city": と "東京"} に分けて返したとき、response.function_call_arguments.done の arguments には {"city": "東京"} がつながって入っていました。

構造化出力：Pydantic のクラスで受け取る

responses.parse() に Pydantic のクラスを text_format で渡すと、output_parsed にそのクラスのオブジェクトが入ります。 JSON の文字列を自分で json.loads しなくて済みます。

from openai import OpenAI
from pydantic import BaseModel

class CalendarEvent(BaseModel):
    name: str
    date: str
    participants: list[str]

client = OpenAI()
response = client.responses.parse(
    model="gpt-6-luna",
    input=[{"role": "user", "content": "金曜に佐藤さんと鈴木さんと定例会議"}],
    text_format=CalendarEvent,
)
event = response.output_parsed
print(event.name, event.participants)

SDK はクラスを JSON Schema に変えて、text.format に入れて送っていました。strict: true と additionalProperties: false が自動で付きます。

"text":{"format":{"type":"json_schema","strict":true,"name":"CalendarEvent","schema":{"properties":{"name":{"title":"Name","type":"string"},"date":{"title":"Date","type":"string"},"participants":{"items":{"type":"string"},"title":"Participants","type":"array"}},"required":["name","date","participants"],"title":"CalendarEvent","type":"object","additionalProperties":false}}}

手元で分かったこと：

ドキュメントは、スキーマを強制しない「JSON mode」より、Structured Outputs を勧めています。辞書でスキーマを書くときは text={"format": {"type": "json_schema", "name": ..., "schema": ..., "strict": True}} を create() に渡します。方式ごとの違いは、関連記事「LLMの構造化出力とJSON｜4方式の違いとPydantic検証の実行結果」で扱っています。Pydantic 自体は、関連記事「Pydantic v2の使い方｜BaseModelとバリデーションをエラー例で解説」で扱っています。

function calling：ツールの往復

モデルは関数を実行しません。 function_call の項目で「この名前の関数を、この引数で呼びたい」と返すので、自分で実行し、結果を function_call_output として call_id つきで送り返します。

1. tools に関数の名前・説明・引数の JSON Schema を書いて create
2. response.output の中の type == "function_call" を探し、arguments（JSON 文字列）を json.loads して実行
3. 返答の項目と function_call_output を input に足して、もう一度 create

import json
from openai import OpenAI

client = OpenAI()

def get_weather(city: str) -> dict:
    return {"city": city, "weather": "晴れ"}   # 本当は天気APIを呼ぶ

FUNCS = {"get_weather": get_weather}
tools = [{
    "type": "function",
    "name": "get_weather",
    "description": "都市名を受け取り、今日の天気を返す",
    "parameters": {
        "type": "object",
        "properties": {"city": {"type": "string", "description": "都市名"}},
        "required": ["city"],
        "additionalProperties": False,
    },
    "strict": True,
}]

input_items = [{"role": "user", "content": "東京の天気は？"}]
while True:
    response = client.responses.create(model="gpt-6-luna", input=input_items, tools=tools)
    calls = [item for item in response.output if item.type == "function_call"]
    if not calls:
        break
    input_items += response.output               # function_call の項目も履歴に入れる
    for call in calls:
        result = FUNCS[call.name](**json.loads(call.arguments))
        input_items.append({
            "type": "function_call_output",
            "call_id": call.call_id,
            "output": json.dumps(result, ensure_ascii=False),
        })

print(response.output_text)

擬似エンドポイントで function_call を返したとき、取り出せた値と、2回目に送られた input です。

call: get_weather call_abc123 '{"city": "東京"}'

"input":[{"role":"user","content":"東京の天気は？"},
 {"arguments":"{\"city\": \"東京\"}","call_id":"call_abc123","name":"get_weather","type":"function_call","id":"fc_001","status":"completed"},
 {"type":"function_call_output","call_id":"call_abc123","output":"{\"city\": \"東京\", \"weather\": \"晴れ\"}"}]

仕組みの全体は、関連記事「Function Calling（tool use）の仕組みとPython実装」で扱っています。

画像入力

画像は input_image で渡します。 URL か、base64 の data URL（data:image/png;base64,...）か、Files API にあげたファイルの ID を使えます。

import base64
from pathlib import Path

b64 = base64.b64encode(Path("screen.png").read_bytes()).decode()
response = client.responses.create(
    model="gpt-6-luna",
    input=[{
        "role": "user",
        "content": [
            {"type": "input_text", "text": "この画面のエラーの原因を推測して"},
            {"type": "input_image", "image_url": f"data:image/png;base64,{b64}"},
            # URL なら {"type": "input_image", "image_url": "https://example.com/a.png"}
        ],
    }],
)
print(response.output_text)

SDK は data URL をそのまま JSON の文字列として送っていました（Bedrock の boto3 のようにバイト列を自動で base64 にする仕組みは無いため、自分で変換します）。

ドキュメントには「low が high より常にトークンが少ないとは限らない」との注意もあります。

Chat Completions との対応表

移行ガイドでは「Chat Completions は引き続きサポートされるが、新しいプロジェクトには Responses を勧める」とされています。

手元では、同じクライアントで client.chat.completions.create(model=..., messages=[...]) が POST /v1/chat/completions に送られ、choices[0].message.content で文字が取れました。

エラーと再試行

よく出る例外

例外はすべて openai.APIError の子です。HTTP の応答があるものは APIStatusError の子で、status_code・code・request_id を持ちます。

エラーコードのページでは、429 にも種類があります。rate_limit_exceeded のほか、credit_balance_exhausted（前払いクレジットの使い切り）や支出上限のときは、再試行しても戻らないと書かれています。e.code で見分けます。

import openai
from openai import OpenAI

client = OpenAI()
try:
    response = client.responses.create(model="gpt-6-luna", input="こんにちは")
except openai.AuthenticationError as e:
    print("キーを確かめる:", e.status_code, e.code)
except openai.RateLimitError as e:
    if e.code == "credit_balance_exhausted":
        print("クレジットを追加する")
    else:
        print("混雑。あとで再試行:", e.request_id)
except openai.BadRequestError as e:
    print("引数の誤り:", e.message)
except openai.APIConnectionError as e:
    print("接続できない:", e)

擬似エンドポイントで返したときの例外です。

再試行の既定値（SDK のソースで確認）

openai 3.29.0 は、既定で最大2回まで自動で再試行します。 _constants.py の値です。

擬似エンドポイントで同じエラーを返し続けたときの結果です。

再試行のたびに、リクエストヘッダ x-stainless-retry-count が 0・1・2 と増えていました。回数と時間は、クライアントごとか1回ごとに変えられます。

client = OpenAI(max_retries=5, timeout=60.0)

# この1回だけ変える
response = client.with_options(max_retries=0, timeout=20).responses.create(
    model="gpt-6-luna", input="こんにちは",
)

429 の考え方と自前の再試行は、関連記事「LLM APIの429・529エラー対処｜リトライ実装とエラー一覧」で扱っています。待ち時間の決め方は、関連記事「指数バックオフとは？リトライ間隔の決め方とジッターの実装」で扱っています。

Claude API・Bedrock Converse との書き方の対応表

同じことを、OpenAI の Responses API、Anthropic SDK の Claude API、Amazon Bedrock の Converse API で書くときの対応です。

Anthropic SDK 1.13.0 の messages.create は max_tokens が必須の引数で、DEFAULT_MAX_RETRIES は 2 でした。Bedrock の回数は、関連記事「Bedrock Python入門｜Converse APIでClaudeを呼ぶ」で確かめた値です。Claude API の書き方は、関連記事「Claude API Python入門｜Anthropic SDKコピペレシピ集」で扱っています。Google の Gemini は、関連記事「Gemini API Python入門｜google-genaiのコピペ集」で扱っています。手元の PC で動かすローカル LLM は、関連記事「Ollamaの使い方｜ローカルLLMのコマンド一覧とAPIの呼び方」で扱っています。

よくある質問

Q. 非同期（async）で呼べますか。 A. from openai import AsyncOpenAI で作ったクライアントで、await client.responses.create(...) と書けます。引数は同じです。

Q. base_url は何に使いますか。 A. 送り先を変える引数です。OpenAI 互換の API を持つサーバー（例：Ollama の /v1）や、社内のプロキシに向けるときに使います。環境変数 OPENAI_BASE_URL でも指定できます。

Q. 返答が途中で切れます。 A. status が incomplete なら、incomplete_details に理由が入ります。max_output_tokens が小さいと起きます。推論するモデルは、推論のトークンも上限に含まれます。

Q. 料金を抑えるには？ A. 安いモデル（gpt-6-luna）を選ぶ、履歴を短くする、同じ前置きを繰り返してキャッシュ入力の単価を使う、などの方法があります。考え方は関連記事「LLM APIのコスト削減方法｜キャッシュとバッチの仕組みと計算例」で扱っています。

Q. 保存されたくないデータを送るときは？ A. store=False を付けると、返答は OpenAI 側に保存されません。そのかわり previous_response_id で続けられないので、履歴を自分で積み上げます。

まとめ

• pip install openai → client.responses.create(model=..., input=...) → response.output_text
• システム指示は instructions。続きのリクエストにも毎回付ける
• 会話は previous_response_id（手軽）か 履歴の積み上げ（store=False にできる）。どちらも前の入力は課金される
• ストリームは stream=True で response.output_text.delta を拾う。最後の返答も欲しいなら responses.stream()
• 構造化出力は responses.parse(text_format=Pydanticのクラス) → output_parsed
• 関数は function_call の arguments を json.loads し、call_id つきの function_call_output で返す
• 再試行は既定で 2回（429・408・409・5xx・接続エラー）。クレジット切れの 429 は再試行では戻らない

参考・出典

確認日はいずれも 2026年10月12日です。

• OpenAI API ドキュメント「Developer quickstart」：https://developers.openai.com/api/docs/quickstart
• OpenAI API ドキュメント「Models」：https://developers.openai.com/api/docs/models
• OpenAI API ドキュメント「Pricing」：https://developers.openai.com/api/docs/pricing
• OpenAI API ドキュメント「Conversation state」：https://developers.openai.com/api/docs/guides/conversation-state
• OpenAI API ドキュメント「Streaming API responses」：https://developers.openai.com/api/docs/guides/streaming-responses
• OpenAI API ドキュメント「Structured model outputs」：https://developers.openai.com/api/docs/guides/structured-outputs
• OpenAI API ドキュメント「Function calling」：https://developers.openai.com/api/docs/guides/function-calling
• OpenAI API ドキュメント「Images and vision」：https://developers.openai.com/api/docs/guides/images-vision
• OpenAI API ドキュメント「Migrate to the Responses API」：https://developers.openai.com/api/docs/guides/migrate-to-responses
• OpenAI API ドキュメント「Error codes」：https://developers.openai.com/api/docs/guides/error-codes
• PyPI「openai」：https://pypi.org/project/openai/
• GitHub「openai/openai-python」：https://github.com/openai/openai-python

株式会社RJC ― SI事業・SES事業・AI駆動開発。RJCは一緒に成長を楽しめる会社です。