在 Python 中处理来自 OpenAI API 的响应涉及解析返回的数据结构、提取相关信息以及实现错误处理。当您向 API 发出请求时（例如，使用 openai.ChatCompletion.create），该响应是一个类似 Python 字典的对象。 您需要的主要内容通常嵌套在 choices 下，其中包含生成的文本或消息。 例如，发送聊天请求后，您可以使用 response.choices[0].message.content 访问模型的输出。 在继续操作之前，请务必检查响应是否包含有效数据，因为网络错误或 API 限制可能会导致意外的响应。
除了提取主要输出之外，您还应该处理元数据和潜在的错误。 该响应包括诸如令牌使用量（response.usage.total_tokens）之类的详细信息，这有助于跟踪成本和使用限制。 如果 API 返回错误（例如，无效的 API 密钥或超出速率限制），它会引发异常，因此请将您的 API 调用包装在 try-except 块中。 例如，捕获服务器端问题的 openai.error.APIError 或速率限制的 openai.error.RateLimitError。 此外，流式请求的响应行为有所不同：您将使用类似于 for chunk in response: 的循环迭代处理块并随着内容的到达聚合内容，而不是单个响应对象。
为了确保可靠性，请验证响应结构并实施重试。 例如，在访问其内容之前，检查 response.choices 是否存在且不为空。 使用诸如 tenacity 之类的库来为诸如网络超时之类的瞬时错误添加重试逻辑。 这是一个基本的重试示例
from tenacity import retry, stop_after_attempt, wait_exponential
@retry(stop=stop_after_attempt(3), wait=wait_exponential(multiplier=1, min=2, max=10))
def safe_api_call():
return openai.ChatCompletion.create(...)
记录响应和错误对于调试也至关重要。 最后，测试边缘情况，例如空输入或最大令牌限制，以确保您的代码可以优雅地处理部分或截断的输出（例如，检查 response.choices[0].finish_reason 中是否有 "length" 来检测令牌限制）。 通过构建您的代码以预测这些情况，您将构建更具弹性的集成。