Інтеграція OpenAI API: GPT-4o, o1, o3 — під капотом

Інтеграція OpenAI API: GPT-4o, o1, o3 — під капотом

Нещодавно на проєкті з десятками тисяч запитів на добу команда вперлася в бюджет через використання однієї моделі для всіх завдань. Після міграції на комбінацію GPT-4o, o3-mini та GPT-4o-mini вдалося знизити вартість у 3 рази без втрати якості. Розберемо, як обирати моделі, налаштовувати клієнт з ретраями та впроваджувати structured outputs. Наш досвід — 5 років у AI-інтеграціях і понад 50 завершених проєктів — дозволяє гарантувати uptime 99.9%.

Які моделі обирати і чому новачки помиляються

OpenAI пропонує сімейство моделей з різною архітектурою. GPT-4o — універсальний мультимодальний солдат: приймає текст і зображення, видає структуровані відповіді, працює швидко. Для глибоких міркувань (математичні доведення, алгоритмічний код) використовуйте o1 та o3-mini — вони витрачають більше часу на chain-of-thought. Для high-load сценаріїв з простими завданнями (наприклад, класифікація) беріть GPT-4o-mini: його latency p99 у 2 рази нижчий, а cost на токен — майже в 10 разів менше.

Типова помилка — використовувати єдину модель для всього. GPT-4o-mini справляється з 80% завдань, але багато хто ставить GPT-4o скрізь, переплачуючи. Нижче — порівняння для трьох типових сценаріїв.

Як ми налаштовуємо клієнт і обробляємо помилки

Використовуємо офіційний SDK openai та Pydantic для схем. Огортаємо всі виклики в retry з exponential backoff (tenacity) — при 429 або 5xx чекаємо зі збільшеною паузою. Нижче — робочий приклад для синхронного та асинхронного режимів:

from openai import OpenAI, AsyncOpenAI
from pydantic import BaseModel

client = OpenAI()  # Використовує OPENAI_API_KEY з env
async_client = AsyncOpenAI()

# Синхронний виклик з ретраєм
from tenacity import retry, stop_after_attempt, wait_exponential

@retry(stop=stop_after_attempt(3), wait=wait_exponential(multiplier=1, min=4, max=10))
def chat(prompt: str, model: str = "gpt-4o") -> str:
    response = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": prompt}],
        temperature=0.1,
    )
    return response.choices[0].message.content

# Структурований вивід
class Extraction(BaseModel):
    name: str
    amount: float
    currency: str

def extract_structured(text: str) -> Extraction:
    response = client.beta.chat.completions.parse(
        model="gpt-4o",
        messages=[{"role": "user", "content": f"Витягни дані: {text}"}],
        response_format=Extraction,
    )
    return response.choices[0].message.parsed

# Streaming
def stream_response(prompt: str):
    with client.chat.completions.stream(
        model="gpt-4o",
        messages=[{"role": "user", "content": prompt}],
    ) as stream:
        for chunk in stream.text_stream:
            yield chunk

# Vision (GPT-4o)
def analyze_image(image_url: str, question: str) -> str:
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[{
            "role": "user",
            "content": [
                {"type": "image_url", "image_url": {"url": image_url}},
                {"type": "text", "text": question}
            ]
        }]
    )
    return response.choices[0].message.content

Чому важливо структурувати відповіді?

Без схеми API повертає вільний текст — його складно парсити та валідувати. Ми використовуємо response_format з Pydantic для гарантії формату. Це скорочує час обробки на бекенді та виключає помилки парсингу. Приклад для вилучення сутностей вже показано вище.

Як працюють o1/o3 для задач міркування?

Ці моделі не підтримують system prompt, temperature (фіксовані) та streaming. Зате дозволяють налаштувати reasoning_effort (low/medium/high). Ми застосовуємо їх для вузьких задач: верифікація коду, доведення, логічні ланцюжки. Приклад:

# o1 не підтримує system prompt, temperature, streaming
def reason_with_o1(problem: str) -> str:
    response = client.chat.completions.create(
        model="o3-mini",
        messages=[{"role": "user", "content": problem}],
        reasoning_effort="high",
    )
    return response.choices[0].message.content

Ембедінги та семантичний пошук

Для RAG-систем використовуємо text-embedding-3-small (1536 вимірів). Він дешевий і ефективний. Зберігаємо вектори в Qdrant або pgvector. Приклад:

def get_embeddings(texts: list[str]) -> list[list[float]]:
    response = client.embeddings.create(
        model="text-embedding-3-small",
        input=texts,
    )
    return [item.embedding for item in response.data]

Що входить у роботу під ключ

• Налаштування клієнта з ретраями, логуванням та моніторингом (включаючи алерти по latency p99).
• Вибір оптимальної моделі під кожне завдання (вартість/якість).
• Впровадження structured outputs з Pydantic.
• Інтеграція ембедінгів та векторної БД (RAG).
• Документація по API та навчання команди.
• Гарантія uptime 99.9% (наша відповідальність). Понад 50 проєктів за 5 років — статистика, якій можна довіряти.

Строки та як почати

• Базова інтеграція chat completions: 0.5–1 день.
• Structured outputs + інструменти: 2–3 дні.
• Retry logic + cost management: 1–2 дні.
• Повний RAG-пайплайн: до 5 днів.

Зв'яжіться з нами — оцінимо ваш проєкт за 1 годину. Ми гарантуємо прозорий код і повну документацію. Отримайте консультацію прямо зараз.

—

[Детальніше про chain-of-thought](https://en.wikipedia.org/wiki/Chain-of-thought_prompting) та Official OpenAI API docs.)

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.