여러 LLM Provider 들의 SDK 를 사용해보면서 공부를 하려고 한다. 가장 먼저 제일 많이 사용되고 있는 OpenAI 로 시작해보려 한다. OpenAI API 공식문서의 Quickstart 를 기반으로 OpenAI SDK 설치, Response API 를 사용한 채팅, 이미지 분석, agent build 등 다양한 예제를 정리해본다.
1. OpenAI API Key 발급
OpenAI API 를 사용하기 위해서는 먼저 API Key 를 발급받아야 한다. OpenAI 계정을 만들고 billing 을 등록하는 등 과정을 거친 후 API Key 를 발급받을 수 있다.
자세한 과정은 아래 링크를 참고하자.
- https://developers.openai.com/api/docs/quickstart#create-and-export-an-api-key
API Key 를 발급했다면 호스트에서 사용할 수 있도록 환경변수로 등록하거나, .env 파일과 같이 환경변수 파일에 저장하고 프로그램이 읽어가도록 하면 된다. 이때 환경변수의 이름은 OPENAI_API_KEY 으로 저장하면 되는데, 그 이유는 OpenAI SDK 에서는 OPENAI_API_KEY 를 기본 키로 값을 불러와서 사용한다.
2. OpenAI SDK 설치
이제 코드에서 사용할 수 있도록 OpenAI SDK 를 설치해볼 것이다. 이 글에서는 Python 으로 예제를 작성할 것이라서 pip 를 통해 Python 패키지로 설치할 것이다.
$ pip install openai
pip 로 SDK 가 설치되면 아래와 같이 Python 코드에서 모듈을 호출하여 사용할 수 있다.
from openai import OpenAI
...3. OpenAI API 예제
OpenAI API 모듈을 사용하는 여러가지 예제를 작성해보고자 한다.
- 채팅 예제
from dotenv import load_dotenv
from openai import OpenAI
load_dotenv()
client = OpenAI()
response = client.responses.create(
model="gpt-5.4",
input="처음 만난 사람에게 하기 좋은 인사말 하나만 추천해 줘."
)
print(response.output_text)
OpenAI client 를 생성하고 responses API 를 호출하는 예제이다.
.env 파일에 저장된 OPENAI_API_KEY 환경변수를 를 호출하기 위해 load_dotenv() 를 호출한다.
OpenAI client 를 생성하고, client.responses.create 를 통해 API 를 호출하고, API 의 응답 결과에서 output_text 를 추출하여 화면에 출력한다.
안녕하세요, 처음 뵙겠습니다. 잘 부탁드립니다!
코드를 실행하면 input 으로 준 `"처음 만난 사람에게 하기 좋은 인사말 하나만 추천해 줘."` 요청에 대한 응답으로 `"안녕하세요, 처음 뵙겠습니다. 잘 부탁드립니다!"` 이 출력되는 것을 확인할 수 있다.
- 이미지 분석
이미지 URL 이나 파일들, 또는 PDF 문서 등을 모델을 통해서 분석하거나 텍스트를 추출할 수도 있다.
response = client.responses.create(
model="gpt-5",
input=[
{
"role": "user",
"content": [
{
"type": "input_text",
"text": "어떤 그림인지 설명해줘.",
},
{
"type": "input_image",
"image_url": "https://api.nga.gov/iiif/a2e6da57-3cd1-4235-b20e-95dcaefed6c8/full/!800,800/0/default.jpg"
}
]
}
]
)
print(response.output_text)
위 코드는 이미지 url 을 주고 이에 대한 설명을 부탁하고 있다. 해당 url 은 아래 이미지의 링크이다.
코드를 실행하면 아래와 같이 이미지에 대한 설명들이 출력되는 것을 확인할 수 있다.
- 작품: 라 무스메(La Mousmé)
- 화가/연도: 빈센트 반 고흐, 1888년(프랑스 아를)
- 내용: 등받이가 둥근 의자에 소녀가 앉아 있고, 빨강·파랑 줄무늬 상의와 파란 바탕에 주황 점무늬 치마를 입었어요. 손에는 작은 꽃(올레앤더 한 줄기)을 들고 있습니다. 배경은 밝은 연녹색의 평평한 면으로 처리됐습니다.
- 특징: 굵고 빠른 붓질, 강한 보색 대비(빨강–파랑, 파랑–주황), 단순화된 배경과 장식적 무늬가 어우러진 전형적인 후기인상주의적 초상. 제목의 ‘무스메’는 일본 소녀를 뜻하는 말로, 반 고흐의 일본 취향(자포니즘) 영향이 반영돼 있습니다.
- 해석: 소녀와 꽃은 젊음·생기를 상징하며, 반 고흐가 밝은 색채와 패턴 실험을 한 시기의 의욕적인 초상화입니다.
- pdf 파일 분석
이번에는 pdf 파일의 url 을 주고 이에 대한 분석을 요청해보겠다.
response = client.responses.create(
model="gpt-5",
input=[
{
"role": "user",
"content": [
{
"type": "input_text",
"text": "문서를 분석하고 내용을 요약해줘.",
},
{
"type": "input_file",
"file_url": "https://www.berkshirehathaway.com/letters/2024ltr.pdf",
},
],
},
]
)
print(response.output_text)
이전 요청들보다 시간이 좀 걸리긴 했지만 아래와 같이 정확한 분석을 전달해주었다.
다음은 2025년 2월 22일자 워런 버핏의 2024년 버크셔 해서웨이 주주 서한(발췌본) 분석 및 핵심 요약입니다.
한 줄 요약
- 2024년 버크셔는 보험 투자이익과 GEICO의 턴어라운드로 기대 이상 실적을 기록했고, 현금이 많다는 인식과 달리 여전히 자금을 주식(지배/부분지분)에 크게 배분하고 있습니다. 미국 연방 법인세 268억 달러를 납부하는 사상 최대 기록을 세웠고, 일본 상사 5개사 투자를 장기 확대 중입니다. 승계, 보험의 가격징계, 장기 복리와 자본주의에 대한 확고한 철학을 재확인했습니다.
경영 철학·거버넌스
- 실수에 대한 솔직함: 2019~23년 서한에서 “mistake/-error”를 16회 언급. “칭찬은 실명, 비판은 범주” 원칙 재확인. 문제는 미루지 말고 즉시 시정.
- 승계: 94세인 버핏은 곧 그렉 아벨이 CEO로서 서한을 쓰게 될 것이라며, 주주에게 ‘보고서’를 성실히 제공해야 한다는 철학을 공유한다고 강조.
- 인사 철학: 학벌은 보지 않음. 타고난 소질·성향의 비중이 크다고 판단. 피트 리글(포리스트 리버 설립자) 사례로 ‘신뢰·성과 중심’ 접근을 소개.
...
- tools 로 외부 도구 사용
tools 설정을 통해서 모델이 외부 데이터나 함수를 사용할 수 있도록 할 수 있다. built-in tools 인 웹 검색이나 파일 검색, 또는 직접 구현한 API 호출, 코드 실행 등등을 사용할 수 있다.
아래 코드는 web_search 라는 tool 을 사용하는 코드이다. tools 의 인자로 web_search 를 추가하여 API 를 호출했다.
response = client.responses.create(
model="gpt-5",
tools=[{"type": "web_search"}],
input="오늘 서울 날씨 어때?"
)
print(response.output_text)
결과는 아래와 같이 출력됐다.
오늘(2026년 3월 7일 토) 서울은 대체로 맑아요. 현재 기온은 약 1°C(35°F)이고, 낮 최고 6°C(44°F), 아침 최저 -5°C(22°F) 예상입니다.
아침엔 영하권이라 일교차가 커요. 따뜻한 겉옷과 목도리 챙기세요.
이 외에도 file_search 나 커스텀 함수 호출, 원격 MCP 등을 사용할 수 있다.
- stream 응답
서버 응답을 한번에 결과로 받는 것이 아니라 stream 으로 받을 수도 있다.
위에서 오래 걸렸던 pdf 파일 분석 결과를 stream 으로 받아보겠다. stream 설정 방법은 create 함수의 인자로 stream=True 를 주는 것이다.
stream = client.responses.create(
model="gpt-5",
input=[
{
"role": "user",
"content": [
{
"type": "input_text",
"text": "문서를 분석하고 내용을 요약해줘.",
},
{
"type": "input_file",
"file_url": "https://www.berkshirehathaway.com/letters/2024ltr.pdf",
},
],
},
],
stream=True,
)
for event in stream:
print(event)
이 코드를 실행하면 다양한 이벤트가 발생된다. 실시간으로 발생하는 이벤트를 기반으로 화면에 결과를 출력할 수 있다.
이 외에도 WebRTC 나 WebSockets 과 같은 Realtime API 를 사용하여 실시간 통신 기반의 app 을 개발할 수 있다.
- agent 빌드
OpenAI 플랫폼을 이용하여 특정한 동작을 수행하는 agent 를 개발할 수 있다.
agent 기능을 사용하기 위해서는 먼저 openai-agents 패키지를 설치해야 한다.
$ pip install openai-agents
아래 코드는 openai-agents 기능을 사용하여 영어와 스페인어 두가지 언어에 대해서 답변하는 agent 의 예제이다. 영어와 스페인어 각각 agent 를 생성하고 분류 agent 에게 상황에 맞는 agent 를 사용하여 요청에 응답하도록 구성했다.
from agents import Agent, Runner
import asyncio
spanish_agent = Agent(
name="Spanish agent",
instructions="You only speak Spanish.",
)
english_agent = Agent(
name="English agent",
instructions="You only speak English",
)
triage_agent = Agent(
name="Triage agent",
instructions="Handoff to the appropriate agent based on the language of the request.",
handoffs=[spanish_agent, english_agent],
)
async def main():
result = await Runner.run(triage_agent, input="Hola, ¿cómo estás?")
print(result.final_output)
result = await Runner.run(triage_agent, input="Hello World.")
print(result.final_output)
if __name__ == "__main__":
asyncio.run(main())
코드를 실행하면 스페인어와 영어 각각의 요청에 대해 아래와 같은 응답이 오는 것을 확인할 수 있다.
¡Hola! Estoy muy bien, gracias. ¿Y tú, cómo estás?
Hello World! How can I help you today?
[References]
- https://developers.openai.com/api/docs/quickstart
Developer quickstart | OpenAI API
Learn how to use the OpenAI API to generate human-like responses to natural language prompts, analyze images with computer vision, use powerful built-in tools, and more.
developers.openai.com
'AI' 카테고리의 다른 글
| [LLM] LLM Provider 와 OpenAI API (0) | 2026.02.11 |
|---|