ChatGPT API Python入門: 環境構築から実装、運用まで徹底解説

pip install openai

from openai import OpenAI
client = OpenAI()

completion = client.chat.completions.create(
    model="gpt-4",  # モデルは環境に合わせて
    messages=[
        {"role": "user", "content": "Hello!"}
    ]
)
print(completion.choices[0].message.content)

**室谷**: このパターン、ChatGPT APIのPythonコードにはよく登場します。サードパーティのリトライライブラリ使うと、さらに簡潔に書けますね。

### レート制限への対策

**室谷**: 429エラーを食らうと、レスポンスヘッダーに`Retry-After`が返ってきます。それを読んで待つ処理を入れるのが確実です。

**テキトー教師**: 現場でよく聞くのは「制限にかからないようにリクエストを分散させる」工夫。バッチ処理ならあらかじめ間隔を開けて送るのも手です。

**室谷**: コスト管理の観点でも、429でリトライが増えると無駄なトークンが発生します。適切なレート制限対策は、結果的にコスト削減にもつながるんですよね。

**テキトー教師**: そういう意味でも、最初からリトライとレート制限のハンドリングを実装しておくのが大事ですね。

## リアルタイム応答を実現するストリーミング処理

### ストリーミングモードの有効化

**室谷**: ユーザ体験を考えると、ストリーミングは必須ですね。APIの応答を待たせると離脱率が跳ね上がるんで、初期から組み込んだ方がいいです。

**テキトー教師**: たしかに。`stream=True`を渡すだけで、レスポンスがチャンクで返ってくるようになります。最初に戸惑うのは、返ってくるのが通常のJSONじゃなくて、イベントストリームになる点ですね。

**室谷**: コードとしてはこんな感じです。

```python
import openai as oa
cl = oa.OpenAI()
cc = cl.chat.completions.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": "Hello"}],
    stream=True
)
for chunk in cc:
    content = chunk.choices[0].delta.content
    if content:
        print(content, end="")

from flask import Flask, request, jsonify
from openai import OpenAI

app = Flask(__name__)
client = OpenAI()  # 環境変数から自動読み込み

import asyncio
@app.route('/chat', methods=['POST'])
async def chat():
    data = request.json
    response = await client.responses.create(
        model="gpt-5.5",
        input=data['message']
    )
    return jsonify({'reply': response.output_text})