OpenAI API 활용 - 함수 호출과 Assistant API

OpenAI API를 사용하면 GPT 모델을 애플리케이션에 통합하여 자연어 처리, 코드 생성, 대화형 AI 등을 구현할 수 있습니다.

언제 사용하나요?

• 챗봇, 고객 상담 자동화


• 문서 요약, 번역 서비스


• 코드 생성, 리뷰 자동화


• 데이터 분석 및 인사이트 추출


• RAG(검색 증강 생성) 시스템 구축

API 키 설정

# 환경 변수 설정
export OPENAI_API_KEY="sk-..."

# Python
import openai
openai.api_key = os.getenv("OPENAI_API_KEY")

기본 Chat Completion

from openai import OpenAI

client = OpenAI()

response = client.chat.completions.create(
    model="gpt-4o",
    messages=[
        {"role": "system", "content": "당신은 친절한 AI 어시스턴트입니다."},
        {"role": "user", "content": "Python으로 퀵소트 구현해줘"}
    ],
    temperature=0.7,
    max_tokens=1000
)

print(response.choices[0].message.content)

Function Calling (함수 호출)

GPT가 외부 함수를 호출하도록 지시할 수 있습니다.

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "특정 도시의 현재 날씨를 가져옵니다",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {
                        "type": "string",
                        "description": "도시 이름 (예: 서울, 부산)"
                    }
                },
                "required": ["city"]
            }
        }
    }
]

response = client.chat.completions.create(
    model="gpt-4o",
    messages=[{"role": "user", "content": "서울 날씨 알려줘"}],
    tools=tools,
    tool_choice="auto"
)

# 함수 호출 결과 확인
tool_call = response.choices[0].message.tool_calls[0]
function_name = tool_call.function.name
arguments = json.loads(tool_call.function.arguments)
# {"city": "서울"}

Assistant API (대화 세션 관리)

# 1. Assistant 생성
assistant = client.beta.assistants.create(
    name="코딩 도우미",
    instructions="당신은 Python 전문가입니다.",
    model="gpt-4o",
    tools=[{"type": "code_interpreter"}]
)

# 2. Thread(대화 세션) 생성
thread = client.beta.threads.create()

# 3. 메시지 추가
message = client.beta.threads.messages.create(
    thread_id=thread.id,
    role="user",
    content="피보나치 함수 만들어줘"
)

# 4. 실행
run = client.beta.threads.runs.create(
    thread_id=thread.id,
    assistant_id=assistant.id
)

# 5. 완료 대기 및 결과 확인
while run.status != "completed":
    run = client.beta.threads.runs.retrieve(
        thread_id=thread.id,
        run_id=run.id
    )
    time.sleep(1)

# 6. 응답 가져오기
messages = client.beta.threads.messages.list(thread_id=thread.id)
print(messages.data[0].content[0].text.value)

Embedding (텍스트 벡터화)

# RAG 시스템용 임베딩
response = client.embeddings.create(
    model="text-embedding-3-small",
    input="검색할 텍스트"
)

vector = response.data[0].embedding  # 1536차원 벡터

이미지 생성 (DALL-E)

response = client.images.generate(
    model="dall-e-3",
    prompt="한국 전통 한옥 마을 풍경",
    size="1024x1024",
    quality="standard",
    n=1
)

image_url = response.data[0].url

스트리밍 응답

stream = client.chat.completions.create(
    model="gpt-4o",
    messages=[{"role": "user", "content": "긴 이야기 해줘"}],
    stream=True
)

for chunk in stream:
    if chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="")

비용 최적화 팁

• 간단한 작업은 gpt-4o-mini 사용 (더 저렴)


• max_tokens 제한으로 비용 관리


• 시스템 프롬프트 캐싱 활용


• 배치 API로 대량 요청 시 50% 할인

주요 모델 비교