Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
frank-andrade.medium.com18. Januar 2023 · Q010159

A Simple Guide to OpenAI API with Python

frank-andrade.medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht erklärt anhand von Python-Beispielen, wie die damalige OpenAI-API für Text- und Codevervollständigung sowie Bildgenerierung genutzt werden kann, und behandelt API-Schlüssel, Prompts und einige Parameter. Die Beispiele sind punktuell; systematische Tests oder eine Prüfung der späteren Aktualität und Ausführbarkeit enthält der Artikel nicht.

Mittel

Der Artikel führt anhand von Python-Beispielen in drei damalige OpenAI-API-Anwendungen ein: Textvervollständigung, Codevervollständigung und Bildgenerierung. Er beschreibt zunächst, wie ein API-Schlüssel erzeugt und über `OPENAI_API_KEY` verfügbar gemacht wird, und nennt die Installation des Python-Pakets `openai`.

Für eine Stimmungsanalyse eines Tweets zeigt der Autor einen Completion-Aufruf mit `text-davinci-003`, der den Beispieltext als negativ einordnet. Er erläutert unter anderem Prompt, Modell, Tokenlimit und Temperatur. Ein weiteres Beispiel verwendet `code-davinci-002`, um Python-Code für zufällige Wettertemperaturen in Los Angeles zu erzeugen. Als Prompt-Tipps empfiehlt der Bericht, Sprache und Bibliotheken anzugeben und Funktionen zu kommentieren. Schließlich zeigt er einen DALL·E-Aufruf, der aus einer detaillierten Beschreibung ein Katzenbild erzeugt, und erwähnt auch Bildbearbeitung und Variationen.

Der Artikel vermittelt ausgewählte Anwendungsbeispiele, aber keine vollständige API-Dokumentation. Er präsentiert einzelne Ausgaben ohne systematische Tests oder Qualitätsbewertung. Ob die gezeigten Modellnamen und Codeaufrufe später weiterhin aktuell oder ausführbar sind, wird im Bericht nicht geprüft.

Ausführlich lesen

Der Bericht ist ein praktischer Einstieg in die damalige OpenAI-API mit Python. Er stellt Textvervollständigung, Codevervollständigung und Bildgenerierung anhand kurzer Beispiele vor. Zu Beginn empfiehlt der Autor, im OpenAI-Konto einen API-Schlüssel zu erzeugen, ihn sicher zu speichern und über die Umgebungsvariable `OPENAI_API_KEY` bereitzustellen. Für die Python-Beispiele soll das Paket `openai` installiert werden.

Bei der Textvervollständigung nutzt das Beispiel den Completion-Endpunkt mit `text-davinci-003`. Eine Aufforderung soll einen Tweet als positiv, neutral oder negativ einordnen; für den Satz, dass der Verfasser den neuen Batman-Film nicht mochte, zeigt die abgedruckte Antwort „Negative“. Der Bericht erläutert dabei Modellkennung, Prompt, maximale Tokenzahl und Temperatur. Laut seiner Beschreibung beeinflusst die Temperatur, wie variabel die Ausgabe ausfällt: Niedrigere Werte sollen stärker festgelegte Antworten begünstigen, höhere mehr Risiko beziehungsweise Kreativität. Außerdem erwähnt der Text, dass sich mit Completion Text einfügen und über einen Edit-Endpunkt bearbeiten lasse.

Für Codevervollständigung zeigt der Autor einen Prompt, der Python-Code für ein Array mit Wettertemperaturen in Los Angeles anfordert. Das Beispiel verwendet `code-davinci-002`; die gezeigte Ausgabe erzeugt mit NumPy eine Funktion, die Zufallswerte zwischen 14 und 20 zurückgibt. Der Autor empfiehlt, Sprache und Bibliotheken im Prompt zu nennen und Kommentare in Funktionen einzusetzen. Für weitere Beispiele verweist er auf Playground und Dokumentation.

Der dritte Abschnitt beschreibt Bildgenerierung mit DALL·E. Ein ausführlicher Prompt fordert das Bild einer flauschigen weißen Katze mit blauen Augen in einem Blumenkorb an. Der Code ruft den Bildgenerierungs-Endpunkt auf, fordert ein Bild im Format 1024 × 1024 an und gibt die zurückgelieferte URL aus. Der Bericht erwähnt außerdem Endpunkte zum Bearbeiten eines Bildes und zum Erzeugen von Variationen.

Als Ergebnis bietet der Artikel konkrete, illustrative Codebeispiele und erklärt einige zugehörige Parameter und Anwendungsmöglichkeiten. Seine Grenzen sind erkennbar: Er führt nur drei ausgewählte Aufgaben vor und beansprucht keine vollständige API-Übersicht. Die Ausgaben werden anhand einzelner Beispiele gezeigt; systematische Tests, Qualitätsvergleiche oder eine ausführliche Bewertung der Grenzen der Modelle enthält der Bericht nicht. Die Codebeispiele und Modellnamen geben den Stand wieder, den der Artikel beschreibt; der Text selbst prüft nicht, ob sie zu einem späteren Zeitpunkt noch aktuell oder ausführbar sind.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Einordnung bezieht sich auf die drei angegebenen Sammelfragen; Teilfragen wurden nicht angegeben. Luna hat alle drei Fragen mit Stufe 3 bewertet, was der Bericht nicht stützt, da er die Fragen nicht behandelt.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Ankündigung, dass ChatGPT später in die OpenAI-API kommen soll, als Anlass des Artikels
  • Die Beschreibung von Codex als GPT-3-Nachfolger, der auf natürlicher Sprache und Milliarden Codezeilen trainiert wurde

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Fähigkeiten messen
Unabhängig prüfen
Tempo und Grenzen
Vertrauen in Modelle
  1. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 28 %Hintergrund, keine Belege
    • JEV 30 %Hintergrund, keine Belege
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung kein Bezug
  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 53 %Hintergrund, keine Belege
    • JEV 26 %Hintergrund, keine Belege
    • amos 55 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 53 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Agenten und vernetzte Systeme
  1. SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
    • clef 100 %kein Bezug
    • Luna 35 %Hintergrund, keine Belege
    • JEV 35 %gleiches Oberthema, hilft nicht
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Modelle teilen und schützen
Beteiligung und Gemeinwohl
Information und Öffentlichkeit

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →