OpenAI Cookbook: путеводитель по рецептам

Что это и для кого

OpenAI Cookbook — открытый сборник примеров кода для API OpenAI: ноутбуки Jupyter и статьи, каждая решает одну задачу («как посчитать токены», «как сделать поиск по эмбеддингам», «как оценить агента»). Репозиторий openai/openai-cookbook распространяется по лицензии MIT, тот же контент показывает сайт cookbook.openai.com. Список опубликованных рецептов хранится в файле registry.yaml: на 4 октября 2026 года в нём 322 записи, самые старые — 2022 года, самые свежие — сентября 2026-го.

Это не учебник. Рецепты пишут разные люди в разные годы, часть использует модели и API, которых уже нет. Зато это лучший способ увидеть, как идея из урока выглядит в настоящем коде у создателей API. Для ученика нашего курса кукбук полезен на ступенях 7 и 8, после уроков об API, RAG и агентах.

Три рецепта переведены целиком

• Ответы на вопросы с поиском по эмбеддингам — RAG за один ноутбук; к уроку 8.2.1.
• Как вызывать функции из чат-моделей — tool calling и агент над базой данных; к урокам 8.3.1 и 8.3.2.
• Устойчивые промпты и «маховик оценки» — анализ ошибок, грейдеры, выравнивание LLM-судьи; к урокам 8.4.1, 8.4.2 и 7.3.2.

Как запускать рецепты без платного ключа

Почти все рецепты вызывают API OpenAI, а он платный. Многие из них можно запустить на локальной модели, потому что Ollama, llama.cpp, vLLM и SGLang отдают OpenAI-совместимый API (урок 8.1.1, установка — урок 7.2.2).

1. Установите Ollama и скачайте модели: чат-модель (ollama pull qwen3:8b) и, если рецепт про эмбеддинги, эмбеддинг-модель (ollama pull bge-m3).

2. В ячейке, где создаётся клиент, замените client = OpenAI() на client = OpenAI(base_url="http://localhost:11434/v1", api_key="ollama").

3. Замените имена моделей: gpt-4o, gpt-5 и т. п. → qwen3:8b; text-embedding-3-small → bge-m3. Эмбеддинги другой модели несовместимы с готовыми файлами из рецепта (например, с заранее посчитанным CSV) — их придётся пересчитать.

4. Запускайте по ячейкам и сравнивайте с выводом в оригинале. Ответы маленькой локальной модели будут хуже и иначе сформулированы — это нормально и само по себе поучительно.

Что локально не заработает

Функции, которые есть только у OpenAI: Responses API со встроенными инструментами (file search, web search, MCP-tool), Evals API и грейдеры на платформе, дообучение через API, Realtime API, Agents API и ChatGPT-специфичные рецепты (GPT Actions, Enterprise). Такие рецепты полезно читать ради идей, а повторять — инструментами из уроков курса.

Карта рецептов

Ниже — рецепты, полезные ученику, сгруппированные по темам. Названия — как в оригинале (по ним рецепт ищется на сайте), ссылки ведут на файл в репозитории. Важность: ★★★ — прочитать обязательно, ★★ — полезно, ★ — по интересу.

1. Основы работы с API

Рецепт	О чём	Урок курса	Важность
How to format inputs to ChatGPT models	Формат сообщений чата: роли system, user, assistant, параметры запроса, разбор ответа	8.1.1	★★★
How to count tokens with Tiktoken	Подсчёт токенов библиотекой tiktoken: кодировки разных моделей, сколько токенов занимает сообщение чата	4.2.3, 8.1.1	★★★
How to stream completions	Стриминг: ответ кусочками по мере генерации	8.1.1	★★
How to handle rate limits	Ошибки 429 и повторы с экспоненциальной задержкой	8.1.1, 8.4.3	★★
Using logprobs	Лог-вероятности токенов: уверенность классификатора, оценка ответа, перплексия	4.1.3	★★
How to make your completions outputs consistent with the new seed parameter	Параметр seed и почему воспроизводимость всё равно не гарантирована	8.1.1	★
Prompt Caching 101, 201	Кэширование префикса промпта: как ускорить ответ и снизить цену, как поднять долю попаданий в кэш	7.1.2, 8.1.1	★★
Batch processing with the Batch API	Пакетная обработка тысяч запросов дешевле и не в реальном времени	8.4.3	★

2. Промптинг и структурированный вывод

Рецепт	О чём	Урок курса	Важность
Techniques to improve reliability	Классическая статья 2022 года: разбить задачу на шаги, попросить рассуждение, проверить себя; обзор статей о chain-of-thought	8.1.2	★★
GPT-4.1 Prompting Guide, GPT-5 prompting guide, GPT-5.2 Prompting Guide	Официальные советы для конкретных поколений моделей: агентные промпты, следование инструкциям, длинный контекст	8.1.2, 8.4.1	★★
Prompt Migration Guide	Как переносить промпт на новую модель и проверять, что ничего не сломалось	8.4.1	★★
Enhance your prompts with meta prompting, Optimize Prompts	Мета-промптинг: модель улучшает промпт по результатам оценки	8.4.1	★
Introduction to Structured Outputs	Ответ строго по JSON-схеме: зачем, как задать схему, чем отличается от режима JSON	8.1.2	★★★
Structured Outputs for Multi-Agent Systems	Структурированный вывод как «контракт» между агентами	8.3.3	★

3. Эмбеддинги и поиск

Рецепт	О чём	Урок курса	Важность
Using embeddings, Get embeddings from dataset	Как получить эмбеддинг текста и посчитать эмбеддинги для целого датасета	4.3.1, 8.2.1	★★
Semantic text search using embeddings	Поиск по смыслу через косинусную близостькосинусное сходствоEN cosine similarityКосинус угла между векторами — скалярное произведение, делённое на произведение длин. Для нормированных векторов равно скалярному произведению.	8.2.1	★★
Classification using embeddings, Zero-shot classification with embeddings	Эмбеддинги как признаки для классического классификатора; классификация без обучающих примеров	8.2.1, ступень 2	★
Clustering, Visualizing the embeddings in 2D	Кластеризация K-means и проекция в 2D с t-SNE	ступень 2 (обучение без учителя)	★
Embedding texts that are longer than the model’s maximum context length	Что делать с длинным текстом: обрезать или делить на куски и усреднять	8.2.2	★★
Customizing embeddings	Дообучение матрицы поверх эмбеддингов под свою задачу	8.2.2	★

4. RAG

Рецепт	О чём	Урок курса	Важность
Question answering using embeddings-based search	Схема «поиск → вопрос»: найти куски Википедии и вставить в промпт. Переведён целиком	8.2.1	★★★
Embedding Wikipedia articles for search	Как готовились данные для предыдущего рецепта: сбор статей, нарезка на куски, эмбеддинги	8.2.1, 8.2.2	★★
How to parse PDF docs for RAG	Извлечение текста и картинок из PDF для RAG	8.2.2	★★
Search reranking with cross-encoders	Второй этап поиска: реранкерреранкерEN rerankerВторая ступень поиска — точная, но медленная модель (обычно кросс-энкодер) пересортировывает десятки кандидатов от быстрого ретривера. пересортировывает кандидатов	8.2.2	★★
Question answering using a search API and re-ranking	RAG поверх обычного поискового API с переранжированием	8.2.2	★
Robust question answering with Chroma and OpenAI	Векторная база Chroma и приём HyDE: искать по «гипотетическому ответу»	8.2.2	★
RAG with a Graph database	RAG поверх графовой базы	8.2.2 (GraphRAG)	★
Vector databases и папка examples/vector_databases/	Около 70 рецептов «как подключить векторную БД X»: Qdrant, Milvus, Weaviate, Redis, Elasticsearch, pgvector и другие	8.2.2	★ (по нужной БД)
Evaluate RAG with LlamaIndex	Оценка поиска и ответа в RAG	8.2.2	★★

5. Вызов функций, инструменты и MCP

Рецепт	О чём	Урок курса	Важность
How to call functions with chat models	Параметр tools, tool_choice, параллельные вызовы, цикл с выполнением SQL. Переведён целиком	8.3.1, 8.3.2	★★★
How to use functions with a knowledge base	Агент, который сам решает, когда искать статьи arXiv и когда отвечать	8.3.1	★★
Function calling with an OpenAPI specification	Описание инструментов генерируется из спецификации OpenAPI существующего сервиса	8.3.2	★
Using tool required for customer service	Режим «модель обязана вызвать инструмент» в сценарии поддержки клиентов	8.3.2	★
Handling Function Calls with Reasoning Models	Вызовы инструментов у рассуждающих моделей: что делать с рассуждением между вызовами	8.3.1, 6.4.4	★★
Guide to Using the Responses API’s MCP Tool	Подключение удалённого MCP-сервера как инструмента; вопросы безопасности	8.3.2	★★

6. Агенты

Рецепт	О чём	Урок курса	Важность
Orchestrating Agents: Routines and Handoffs	Агент с нуля на чистом Chat Completions: «рутина» (инструкции + инструменты) и передача управления другому агенту. Отсюда выросли Swarm и Agents SDK	8.3.1, 8.3.3	★★★
Parallel Agents with the OpenAI Agents SDK	Несколько агентов работают одновременно, результаты собираются вместе	8.3.3	★
Context Engineering - Short-Term Memory Management with Sessions, … Long-Term Memory Notes	Краткосрочная память (обрезка и сжатие истории) и долгосрочная память агента	8.3.3, 8.1.2 (context engineering)	★★
Building Reliable Agents with Memory and Compaction	Сжатие (compaction) контекста в долгих задачах агента	8.3.3	★
Build Your Own Code Interpreter	Инструмент «выполнить код» в изолированном контейнере	8.3.2, 8.3.4	★
Build a coding agent with GPT 5.1	Агент для программирования на Agents SDK	8.3.1	★
Using PLANS.md for multi-hour problem solving	Файл-план, который агент ведёт сам в многочасовой задаче	8.3.3	★

7. Оценка (evals)

Рецепт	О чём	Урок курса	Важность
Building resilient prompts using an evaluation flywheel	Цикл «анализ → измерение → улучшение», открытое и осевое кодирование ошибок, выравнивание LLM-судьи. Переведён целиком	8.4.2, 8.4.1	★★★
How to evaluate a summarization task	Метрики с эталоном (ROUGE, BERTScore) против оценки моделью-судьёй	7.3.2	★★
Custom LLM as a Judge to Detect Hallucinations with Braintrust	Свой LLM-судьяLLM-судья (LLM-as-a-judge)EN LLM-as-a-judgeСильная модель оценивает ответы другой модели по рубрике или сравнивает пару ответов. Дёшево и быстро, но со смещениями. для поиска галлюцинаций и проверка его качества	7.3.2	★★
How to evaluate LLMs for SQL generation	Проверка генерации SQL: синтаксис, выполнимость, соответствие вопросу	7.3.2	★
Evals API Use-case - Detecting prompt regressions и соседние в examples/evaluation/use-cases/	Регрессионные прогоны при изменении промпта, оценка инструментов, веб-поиска, структурированного вывода	8.4.2	★
Eval Driven System Design - From Prototype to Production	Сквозной пример: система разбора чеков строится от эвалов	8.4.2	★★
Moving from OpenAI Evals to Promptfoo	Те же оценки в открытом инструменте Promptfoo	8.4.2	★

8. Guardrails и безопасность

Рецепт	О чём	Урок курса	Важность
How to implement LLM guardrails	Guardrailsограждения (guardrails)EN guardrailsПроверки на входе и выходе LLM-сервиса — размер, темы, персональные данные, инъекции, формат, утечка системного промпта. Слой защиты, а не гарантия. на входе и выходе, параллельный запуск с основным запросом, компромисс точности и задержки	8.4.3, 8.3.4	★★
Developing Hallucination Guardrails	Guardrail против галлюцинаций для агента поддержки, проверенный эвалами	8.4.3	★
How to use the moderation API	Модерация входа и выхода	8.4.3	★
User guide for gpt-oss-safeguard	Открытая модель-классификатор безопасности, которая следует вашей политике	8.4.3, 9.3.4	★

9. Дообучение

Рецепт	О чём	Урок курса	Важность
Data preparation and analysis for chat model fine-tuning	Проверка датасета для SFT: формат, длины в токенах, оценка стоимости	6.1.2	★★
How to fine-tune chat models	Дообучение чат-модели через API от данных до запуска	6.1.2	★
Fine-Tuning Techniques - Choosing Between SFT, DPO, and RFT	Когда SFT, когда DPO, когда RL-дообучение; практика DPO	6.1.2, 6.3.3	★★
Exploring Model Graders for Reinforcement Fine-Tuning	RL-дообучение с моделью-грейдером в роли награды	6.4.1	★
Leveraging model distillation to fine-tune a model	Дистилляция: ответы большой модели как данные для маленькой	6.4.4	★
Synthetic data generation (Part 1)	Генерация синтетических данных моделью	5.1.2, 6.1.2	★

10. Открытые модели gpt-oss

Рецепт	О чём	Урок курса	Важность
How to run gpt-oss locally with Ollama	Запуск открытой модели OpenAI на своём компьютере	7.2.2	★★
How to run gpt-oss with vLLM, … with Transformers	Сервер vLLM и запуск через Hugging Face Transformers	7.1.2	★★
OpenAI Harmony Response Format	Чат-шаблон gpt-oss: роли, каналы для рассуждения и ответа, вызовы инструментов в тексте	6.1.2 (chat-шаблоны), 8.3.1	★★
How to handle the raw chain of thought in gpt-oss	Что делать с сырым рассуждением модели и почему его не показывают пользователю	6.4.4	★
Fine-tuning with gpt-oss and Hugging Face Transformers	LoRA-дообучение gpt-oss-20b	6.2.2	★

Что можно пропустить

• ChatGPT и GPT Actions (около 40 рецептов в examples/chatgpt/): настройка корпоративного ChatGPT и интеграций с Jira, Salesforce, SharePoint. К устройству моделей отношения не имеют.
• Codex, Agents API, партнёрские интеграции (examples/codex/, examples/agents_api/, examples/partners/) — для тех, кто строит продукты на платформе OpenAI; идеи иногда полезны, повторять не нужно.
• Старые рецепты на Completions API (2022–2023): у многих есть более новые версии; если рецепт использует openai.Completion.create или text-davinci-003, ищите замену в той же теме.
• Звук, изображения, видео (Whisper_*, Realtime_*, voice_solutions/, multimodal/) — по интересу, к модулю 9.1.

Как читать рецепт

1. Сначала прочитайте первые ячейки: в них сформулирована задача и схема решения. Часто этого достаточно, чтобы понять идею.
2. Найдите в коде место, которое соответствует уроку курса (запрос с tools, функция поиска, функция-грейдер).
3. Перепишите рецепт под локальную модель и свои данные: русские тексты, свой набор вопросов. Повторённый на своих данных рецепт запоминается в разы лучше прочитанного.
4. Запишите в тетрадь ошибок, где ваш результат разошёлся с оригиналом, и почему.

Что читать дальше

• «A practical guide to building agents» — гайд OpenAI по агентам, конспект.
• Claude Cookbooks и Open-Source AI Cookbook — те же задачи у Anthropic и на открытых моделях (см. страницу «Учимся у создателей»).