OpenAI GPT‑5 API: Yeni Özelliklerle Uygulamalı

1. Akıl Yürütme Çabası

GPT-5, modelin yanıt vermeden önce ne kadar derin düşündüğünü kontrol etmenizi sağlayan yeni bir akıl yürütme çabası parametresi sunuyor. İhtiyacınıza göre minimal, düşük, orta veya yüksek çaba düzeylerini seçebilirsiniz. 

Minimal çaba, hızlı kodlama veya basit yönergelere uyma gibi hızın kritik olduğu görevler için idealdir; orta ve yüksek ise daha kapsamlı, adım adım akıl yürütmeye olanak tanır. Bu esneklik, gecikme, maliyet ve doğruluk arasında denge kurabileceğiniz anlamına gelir.

Önce OpenAI Python SDK’yı kurun ve API anahtarınızı bir ortam değişkeni olarak ayarlayın:

pip install openai

API anahtarınızı ayarlayın (kendi anahtarınızla değiştirin):

• Linux/macOS: export OPENAI_API_KEY="your_api_key_here"
• Windows (PowerShell): setx OPENAI_API_KEY "your_api_key_here"

Şimdi Response API ile “minimal” akıl yürütme çabasında metin üretelim. Bu, modelin dahili akıl yürütme için token ayırmadan doğrudan yanıt vereceği anlamına gelir.

import os
from openai import OpenAI

client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))

resp = client.responses.create(
    model="gpt-5",
    input="Who is the father of Python?",
    reasoning={"effort": "minimal"},
)

print(resp.output_text)

Çıktı:

Guido van Rossum is known as the father (creator) of Python. He first released Python in 1991.

Modelin isteğinizi nasıl işlediğini anlamak için token kullanım özetini de kontrol edebilirsiniz:

print(f"Input tokens: {resp.usage.input_tokens}")
print(f"  - Cached tokens: {resp.usage.input_tokens_details.cached_tokens}")
print(f"Output tokens: {resp.usage.output_tokens}")
print(f"  - Reasoning tokens: {resp.usage.output_tokens_details.reasoning_tokens}")
print(f"Total tokens: {resp.usage.total_tokens}")

Görüldüğü gibi, çaba minimal olarak ayarlandığında akıl yürütme için sıfır token kullanıldı.

Input tokens: 13
  - Cached tokens: 0
Output tokens: 31
  - Reasoning tokens: 0
Total tokens: 44

Şimdi, modelin dahili akıl yürütmesinin nasıl değiştiğini görmek için akıl yürütme çabasını "yüksek" seviyeye çıkaralım:

resp = client.responses.create(
    model="gpt-5",
    input="Who is the father of Python?",
    reasoning={"effort": "high"},
)

print(resp.output_text)

Çıktı:

Guido van Rossum. He created Python and first released it in 1991.

Token kullanımını yeniden kontrol edin:

print(f"Input tokens: {resp.usage.input_tokens}")
print(f"  - Cached tokens: {resp.usage.input_tokens_details.cached_tokens}")
print(f"Output tokens: {resp.usage.output_tokens}")
print(f"  - Reasoning tokens: {resp.usage.output_tokens_details.reasoning_tokens}")
print(f"Total tokens: {resp.usage.total_tokens}")

Basit bir soru için bile model, yüksek çabada akıl yürütme için 192 token kullandı. Bu, maliyet, hız veya doğruluğu gereksiniminize göre optimize etmek için artık akıl yürütme derinliğini nasıl kontrol edebileceğinizi gösterir.

Input tokens: 13
  - Cached tokens: 0
Output tokens: 216
  - Reasoning tokens: 192
Total tokens: 229

2. Ayrıntı Düzeyi

GPT-5 ile modelin ne kadar konuşacağını ayrıntı düzeyi (verbosity) parametresiyle doğrudan kontrol edebilirsiniz. Bunu düşük olarak ayarlayarak özlü yanıtlar, orta ile dengeli ayrıntı düzeyi veya yüksek ile derinlemesine açıklamalar elde edebilirsiniz. Bu özellikle kod üretiminde faydalıdır—düşük ayrıntı düzeyi kısa ve temiz kod üretirken, yüksek ayrıntı düzeyi satır içi yorumlar ve ayrıntılı gerekçelendirme ekler.

Yanıtları tam olarak ihtiyacınıza göre uyarlamak için verbosity parametresini reasoning kontrolleriyle birleştirebilirsiniz. İster kısa bir cümle, ister daha uzun bir yanıt, ister kapsamlı bir rapor isteyin, tam esnekliğe sahipsiniz.

“Düşük” ayrıntı düzeyi kısa ve doğrudan bir yanıt üretir.

from openai import OpenAI

client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))

resp = client.responses.create(
    model="gpt-5",
    input="Who is the father of Python?",
    reasoning={"effort": "minimal"},
    text={"verbosity": "low"},
)

print(resp.output_text)

Çıktı:

Guido van Rossum.

“Yüksek” ayrıntı düzeyi çok daha kapsamlı ve açıklayıcı bir yanıt üretir.

resp = client.responses.create(
    model="gpt-5",
    input="Who is the father of Python?",
    reasoning={"effort": "minimal"},
    text={"verbosity": "high"},
)

print(resp.output_text)

Çıktı:

Guido van Rossum is known as the "father of Python." He created Python in the late 1980s and released the first version (Python 0.9.0) in 1991. He also served for many years as Python's "Benevolent Dictator For Life" (BDFL), guiding the language's development.

3. Düşünce Zinciri Devri ile Çok Turlu

GPT-5’in en büyük yükseltmelerinden biri, Responses API’de turlar arasında düşünce zinciri (CoT) akıl yürütmesini aktarma yeteneğidir. Bu, modelin önceki adımlardaki dahili akıl yürütmesini hatırladığı, gereksiz yeniden düşünmeyi önlediği ve hem hızı hem de doğruluğu artırdığı anlamına gelir. 

Özellikle araçlar kullanılırken yapılan çok turlu konuşmalarda, akıl yürütme bağlamını canlı tutmak için previous_response_id değerini iletmeniz yeterlidir.

İlk istek “Python’ın babası kimdir?” diye soruyor ve previous_response_id ile birinciye bağlanan ikinci istek, konuyu yeniden ifade etmeden modelden “Bununla ilgili bir blog yazmasını” istiyor. Önceki yanıtın kimliğini ileterek modelin akıl yürütme bağlamı korunur.

from openai import OpenAI

client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))

first = client.responses.create(
    model="gpt-5",
    input="Who is the father of Python?",
    reasoning={"effort": "minimal"},
    text={"verbosity": "low"},
)

followup = client.responses.create(
    model="gpt-5",
    previous_response_id=first.id,
    input="Write a blog on it.",
    reasoning={"effort": "medium"},
    text={"verbosity": "high"},
)

print(followup.output_text)

Sonuç olarak Python’ın babası hakkında bir blog yazısı elde ettik. 

4. Serbest Biçimli Girdi

GPT-5’teki özel araçlar artık serbest biçimli girdileri destekliyor ve modelin araçlarınıza doğrudan ham metin (kod, SQL sorguları veya kabuk komutları gibi) göndermesine olanak tanıyor. Bu, eski yalnızca yapılandırılmış JSON yaklaşımına göre büyük bir sıçrama olup, modelin sistemlerinizle etkileşime girme biçiminde daha fazla esneklik sağlar. İster bir kod yürütücü, ister bir sorgu motoru, ister bir DSL yorumlayıcı oluşturuyor olun, serbest biçimli girdi GPT-5’i gerçek dünyadaki yapılandırılmamış görevler için çok daha uyarlanabilir hale getirir.

Aşağıdaki kodda sahte bir SQL çalıştırıcı tanımladık, bunu özel bir araç olarak kaydettik ve modelin serbest biçimli bir SQL sorgusuyla yanıt verdiği bir ilk istek yaptık. Bu sorgu çıkarılıyor, yerelde yürütülüyor ve sonuç, araç çağrısı bağlamını korumak için aynı call_id kullanılarak modele geri gönderiliyor. Son olarak, GPT‑5 ham araç çıktısını doğal dilde bir yanıta dönüştürüyor. 

from openai import OpenAI
import random

client = OpenAI()

def run_sql_query(sql: str) -> str:
    print("\n[FAKE DB] Executing SQL:\n", sql)
    categories = ["Electronics", "Clothing", "Furniture", "Toys", "Books"]
    result = "category   | total_sales\n" + "-" * 28 + "\n"
    for cat in categories:
        result += f"{cat:<11} | {random.randint(5000, 200000)}\n"
    return result


tools = [
    {
        "type": "custom",
        "name": "sql_query_runner",
        "description": "Runs raw SQL queries on the company sales database.",
    }
]

messages = [
    {
        "role": "user",
        "content": "Show me the total sales for each product category last month.",
    }
]

# 1) First call - model emits a freeform tool call
resp = client.responses.create(model="gpt-5", tools=tools, input=messages)

# IMPORTANT: carry the tool call into the next turn
messages += resp.output  # <-- this preserves the tool_call with its call_id

# Find the tool call from the response output
tool_call = next(
    (
        x
        for x in resp.output
        if getattr(x, "type", "") in ("custom_tool_call", "function_call", "tool_call")
    ),
    None,
)
assert tool_call is not None, "No tool call found."

# Freeform text is in input (fallback to arguments for safety) raw_text = getattr(tool_call, "input", None) or getattr(tool_call, "arguments", "") sql_text = raw_text.strip() # 2) Execute the tool locally fake_result = run_sql_query(sql_text) # 3) Send tool result back, referencing the SAME call_id messages.append( { "type": "function_call_output", "call_id": tool_call.call_id, "output": fake_result, } ) # 4) Final call - model turns tool output into a natural answer final = client.responses.create(model="gpt-5", tools=tools, input=messages) print("\nFinal output text:\n", final.output_text)

Çıktı: 

[FAKE DB] Executing SQL:
 SELECT table_schema, table_name 
FROM information_schema.tables 
WHERE table_schema NOT IN ('information_schema','pg_catalog') 
ORDER BY 1,2;

Final output text:
 Here are the total sales by category for last month (July 2025):

- Electronics: 31,766
- Clothing: 90,266
- Furniture: 55,471
- Toys: 124,625
- Books: 74,263

Want this as a CSV or chart?

5. Çıktıları Kısıtlama

Hassasiyetin kritik olduğu senaryolar için GPT-5, çıktı formatlarını sıkı şekilde kontrol etmek amacıyla bağlamdan bağımsız gramerleri (CFG) destekler. SQL sözdizimi veya alan‑özel bir dili (DSL) gibi bir gramer ekleyerek modelin yanıtlarının her zaman ihtiyaç duyduğunuz yapıyla eşleşmesini sağlayabilirsiniz. Bu, formatta küçük sapmaların bile hatalara neden olabileceği yüksek riskli veya otomatik iş akışları için özellikle değerlidir.

Örnek kodda bir sql_query_runner aracı oluşturduk ve modelin ürettiği SQL’in daima geçerli ve tam olarak tanımladığımız yapıya uygun olmasını sağlamak için Lark grameriyle SQL sözdizimini tanımladık. 

İlk model çağrısında GPT‑5 bu aracı kullanarak geçen ayın kategori bazında satışları için gramer‑uyumlu bir SQL sorgusu üretti. Ardından bu sorguyu yerelde çalıştırdık, sonuçları aynı call_id ile modele geri gönderdik ve ikinci çağrıda GPT‑5 ham verileri net, doğal dilli bir yanıta dönüştürdü. 

from openai import OpenAI
import random

client = OpenAI()


def run_sql_query(sql: str) -> str:
    cats = ["Electronics", "Clothing", "Furniture", "Toys", "Books"]
    rows = [f"{c:<11} | {random.randint(5_000, 200_000)}" for c in cats]
    return "category   | total_sales\n" + "-" * 28 + "\n" + "\n".join(rows)


tools = [
    {
        "type": "custom",
        "name": "sql_query_runner",
        "description": "Runs raw SQL on the sales DB.",
        "format": {
            "type": "grammar",
            "syntax": "lark",
            "definition": r"""
start: SELECT CATEGORY COMMA SUM LPAREN SALES RPAREN AS TOTAL_SALES FROM ORDERS WHERE ORDER_MONTH EQ ESCAPED_STRING GROUP BY CATEGORY ORDER BY TOTAL_SALES (DESC|ASC)?

SELECT: "SELECT"
CATEGORY: "category"
COMMA: ","
SUM: "SUM"
LPAREN: "("
SALES: "sales"
RPAREN: ")"
AS: "AS"
TOTAL_SALES: "total_sales"
FROM: "FROM"
ORDERS: "orders"
WHERE: "WHERE"
ORDER_MONTH: "order_month"
EQ: "="
GROUP: "GROUP"
BY: "BY"
ORDER: "ORDER"
DESC: "DESC"
ASC: "ASC"

%import common.ESCAPED_STRING
%ignore /[ \t\r\n]+/
        """,
        },
    }
]

msgs = [
    {
        "role": "user",
        "content": "Show me the total sales for each product category last month.",
    }
]

print("\n=== 1) First Model Call ===")
resp = client.responses.create(
    model="gpt-5", input=msgs, tools=tools, text={"format": {"type": "text"}}
)
print("Raw model output objects:\n", resp.output)

msgs += resp.output
tool_call = next(
    x
    for x in resp.output
    if getattr(x, "type", "") in ("custom_tool_call", "function_call", "tool_call")
)
sql = (getattr(tool_call, "input", None) or getattr(tool_call, "arguments", "")).strip()
print("\nExtracted SQL from tool call:\n", sql)

print("\n=== 2) Local Tool Execution ===")
tool_result = run_sql_query(sql)
print(tool_result)

msgs.append(
    {
        "type": "function_call_output",
        "call_id": getattr(tool_call, "call_id", None) or tool_call["call_id"],
        "output": tool_result,
    }
)

print("\n=== 3) Second Model Call ===")
final = client.responses.create(
    model="gpt-5", input=msgs, tools=tools, text={"format": {"type": "text"}}
)
print("\nFinal natural-language answer:\n", final.output_text)

Gördüğümüz gibi, model önce gramer‑uyumlu bir SQL sorgusu üretti, ardından satış verilerini almak için fonksiyonu yürüttü. Son olarak GPT-5 bu verileri, geçen ayın kategori bazında satışlarını açık, sıralı bir doğal dil özetine dönüştürdü.

=== 1) First Model Call ===
Raw model output objects:
 [ResponseReasoningItem(id='rs_6897acee8afc819f9e7ae0f675bfa4ee0d5175a46255063b', summary=[], type='reasoning', content=None, encrypted_content=None, status=None), ResponseCustomToolCall(call_id='call_vzcHPT7EGvb7QbhF2djVIJZA', input='SELECT category, SUM(sales) AS total_sales FROM orders WHERE order_month = "2025-07" GROUP BY category ORDER BY total_sales DESC', name='sql_query_runner', type='custom_tool_call', id='ctc_6897acf67a34819f84a085191e4ca1fb0d5175a46255063b', status='completed')]

Extracted SQL from tool call:
 SELECT category, SUM(sales) AS total_sales FROM orders WHERE order_month = "2025-07" GROUP BY category ORDER BY total_sales DESC

=== 2) Local Tool Execution ===
category   | total_sales
----------------------------
Electronics | 52423
Clothing    | 59976
Furniture   | 172713
Toys        | 69667
Books       | 14633

=== 3) Second Model Call ===

Final natural-language answer:
 Here are the total sales by category for last month (2025-07):

- Furniture: 172,713
- Toys: 69,667
- Clothing: 59,976
- Electronics: 52,423
- Books: 14,633

Want this as a chart or need a different month?

6. İzin Verilen Araçlar

Yeni allowed_tools parametresi, modelin tam araç setinizden kullanabileceği alt küme araçları tanımlamanıza olanak tanır. Modu otomatik (model seçebilir) veya zorunlu (model birini kullanmak zorunda) olarak ayarlayabilirsiniz. Bu, modeli istenmeyen araçları çağırmaktan alıkoyarak güvenliği, öngörülebilirliği ve istem önbelleklemesini iyileştirir; aynı zamanda modelin izin verilen küme içinden en iyi seçeneği belirlemesine esneklik tanır.

Tam araç seti hem get_weather hem de send_email içerir, ancak biz yalnızca get_weather kullanımına izin verdik ve modu "required" olarak ayarladık; böylece modelin bunu kullanması zorunlu oldu. 

“Oslo’da hava nasıl?” diye sorulduğunda GPT‑5, get_weather fonksiyon çağrısını ve doğru argümanı {"city": "Oslo"} üreterek yanıt verdi. 

from openai import OpenAI

client = OpenAI()

# Full toolset (N)

tools = [
    {
        "type": "function",
        "name": "get_weather",
        "parameters": {
            "type": "object",
            "properties": {"city": {"type": "string"}},
            "required": ["city"],
        },
    },
    {
        "type": "function",
        "name": "send_email",
        "parameters": {
            "type": "object",
            "properties": {"to": {"type": "string"}, "body": {"type": "string"}},
            "required": ["to", "body"],
        },
    },
]

# Allowed subset (M < N), mode=required  → must call get_weather

resp = client.responses.create(
    model="gpt-5",
    input="What's the weather in Oslo?",
    tools=tools,
    tool_choice={
        "type": "allowed_tools",
        "mode": "required",  # use "auto" to let it decide
        "tools": [{"type": "function", "name": "get_weather"}],
    },
)
for item in resp.output:
    if getattr(item, "type", None) in ("function_call", "tool_call", "custom_tool_call"):
        print("Tool name:", getattr(item, "name", None))
        print("Arguments:", getattr(item, "arguments", None))

Çıktı:

Tool name: get_weather
Arguments: {"city":"Oslo"}

7. Önsözler

Önsözler, GPT-5’in bir aracı çağırmadan önce neden o çağrıyı yaptığını açıklamak için oluşturabildiği kısa, kullanıcıya görünür açıklamalardır. Bu, özellikle karmaşık iş akışlarında şeffaflığı, kullanıcı güvenini ve hataları ayıklamayı artırır. Modele basitçe “bir aracı çağırmadan önce açıklama yap” talimatını vererek etkileşimleri, önemli bir gecikme eklemeden daha insana benzer ve amaçlı hâle getirebilirsiniz.

Aşağıdaki kodda bir get_weather fonksiyon aracı tanımladık ve modelden araç çağrısı yapmadan önce "Preamble:" ile başlayan kısa, kullanıcıya görünür bir cümle üretmesini isteyen bir sistem talimatı ekledik. 

“Oslo’da hava nasıl?” diye sorulduğunda GPT‑5 önce canlı bir hava durumu servisini kontrol ettiğini belirten bir önsöz üretti, ardından doğru argümanla get_weather aracını çağırdı: {"city": "Oslo"}. Aracı yerelde çalıştırıp sonucu döndürdükten sonra model nihai doğal dilli yanıtı verdi. 

from openai import OpenAI
client = OpenAI()


def get_weather(city: str):
    return {"city": city, "temperature_c": 12}

# Tool
tools = [{
    "type": "function",
    "name": "get_weather",
    "description": "Get current temperature for a city.",
    "parameters": {
        "type": "object",
        "properties": {"city": {"type": "string"}},
        "required": ["city"],
        "additionalProperties": False
    },
    "strict": True,
}]

# Messages (enable preamble via system instruction)
msgs = [
    {"role": "system", "content": "Before you call a tool, explain why you are calling it in ONE short sentence prefixed with 'Preamble:'."},
    {"role": "user", "content": "What's the weather in Oslo?"}
]

# 1) Model call → expect a visible preamble + a tool call
resp = client.responses.create(model="gpt-5", input=msgs, tools=tools)
print("=== First response objects ===")
for item in resp.output:
    t = getattr(item, "type", None)
    if t == "message":  # preamble is a normal assistant message
        print("PREAMBLE:", getattr(item, "content", None))
    if t in ("function_call","tool_call","custom_tool_call"):
        print("TOOL:", getattr(item, "name", None))
        print("ARGS:", getattr(item, "arguments", None))
tool_call = next(x for x in resp.output if getattr(x, "type", None) in ("function_call","tool_call","custom_tool_call"))
msgs += resp.output  # keep context

# 2) Execute tool locally (fake)
import json
args = json.loads(getattr(tool_call, "arguments", "{}"))
city = args.get("city", "Unknown")
tool_result = get_weather(city)

# 3) Return tool result
msgs.append({"type": "function_call_output", "call_id": tool_call.call_id, "output": json.dumps(tool_result)})

# 4) Final model call → natural answer
final = client.responses.create(model="gpt-5", input=msgs, tools=tools)
print("\n=== Final answer ===")
print(final.output_text)

Gördüğümüz gibi model önce niyetini açıklayan kısa bir önsöz verdi, ardından get_weather aracını {"city": "Oslo"} ile doğru şekilde çağırdı ve sonunda sıcaklığı doğal dille döndürdü.

=== First response objects ===
PREAMBLE: [ResponseOutputText(annotations=[], text='Preamble: I'm checking a live weather service to get the current conditions for Oslo.', type='output_text', logprobs=[])]
TOOL: get_weather
ARGS: {"city":"Oslo"}

=== Final answer ===
It's currently about 12°C in Oslo.

8. İstem Optimizasyonu

GPT-5, iyi hazırlanmış istemlerle mükemmel sonuç vermek üzere tasarlanmıştır ve OpenAI, bunları ince ayar yapmanıza yardımcı olacak bir Prompt Optimizer sunar. Bu araç, istemlerinizi GPT-5’in akıl yürütme tarzına otomatik olarak uyumlayarak doğruluk ve verimliliği artırır. 

Şuraya gidin: İstemi düzenle - OpenAI API ve "Bir Netflix klonu web uygulaması oluştur" gibi basit bir istem yazın. Araç, isteminizi GPT-5 modeli için optimize edilmiş, ayrıntılı bir yapıya dönüştürecektir. 

Kaynak: Prompt Optimizer

İstemi kopyalayın ve kendi Netflix web hizmetinizi oluşturmaya başlamak için ChatGPT sohbetine ekleyin. 

9. GPT-5 Modellerine Geçiş

OpenAI, geliştiricilerin maliyetleri düşürmek, doğruluğu artırmak ve yanıt kalitesini iyileştirmek için eski modellerden yeni GPT‑5 ailesine geçmesini güçlü şekilde önerir.

Geçiş basittir; kullanım durumunuza uygun GPT‑5 modelini ve akıl yürütme düzeyini seçmek için aşağıdaki tabloyu izleyin.

Son Düşünceler

GPT-5 yalnızca daha akıllı bir model değil; aynı zamanda zeki, güvenilir ve verimli yapay zeka sistemleri inşa etmek için bir geliştirici araç setidir. Akıl yürütme, ayrıntı düzeyi, araç kullanımı ve çıktı formatları üzerinde ince ayar kontrolüyle, hızlı kodlama görevlerinden karmaşık çok adımlı iş akışlarına kadar her şeye uyum sağlar. 

Yeni özelliklerinden ve en iyi uygulamalardan yararlanarak, OpenAI SDK ile minimum çabayla üretime hazır yapay zeka uygulamaları geliştirebilirsiniz.

OpenAI ile çalışmaya yeni başlıyorsanız aşağıdaki kaynaklara göz atmayı unutmayın:

• Working with the OpenAI API :  OpenAI’nin modelleriyle etkileşimin temellerini öğrenin.
• OpenAI Fundamentals Track :  OpenAI teknolojileri için kapsamlı bir öğrenme yolu.