当前位置：首页 > 文章列表 > 科技周边 > 人工智能 > OpenAI Responses API 如何接收图片输入：多模态消息结构与结果读取

OpenAI Responses API 如何接收图片输入：多模态消息结构与结果读取

来源：17golang原创 2026-08-27 15:28:29 0浏览收藏

给模型看一张图片并让它回答问题，关键不在于把本地文件路径拼进提示词，而在于把文字和图片放入同一条消息的 content 数组。Responses API 用 input_text 表示问题，用 input_image 表示图片，调用完成后再从 output_text 取回可读文本。

先把输入拆成两个明确的 content item：文字负责提出任务，图片负责提供视觉材料；响应端优先读取 SDK 已整理好的 output_text，不要把整个响应对象当成普通字符串。

要点速览

responses.create 的 input 可以是一组带角色的消息。
图片项使用 type: input_image，可传完整 HTTPS 图片 URL，也可传符合格式的数据 URL。
Go 程序应在请求前检查图片来源，在响应后检查文本是否为空，再决定是否落库或返回前端。

先做一个只读图片问答小工具

这个小工具的边界很窄：接收一张公开图片 URL 和一个问题，调用一次 Responses API，把模型的文字回答打印出来。它不保存图片、不上传文件，也不把模型回答伪装成结构化业务结论。这样更容易看清请求对象和返回对象分别负责什么。

示例使用官方 Go SDK 的客户端形态。模型名由你的项目配置决定，下面把它放在环境变量里，避免把凭据写进源码。

请求体为什么要同时放 input_text 和 input_image

一次请求的 input 是消息数组，消息的 role 是 user，而 content 再承载不同类型的输入项。文字和图片是同一条用户消息的两个部分，模型才会把“问题”和“被观察对象”放到同一个上下文里。

Responses API 请求结构：responses.create 将 input_text 和 input_image 放入 user content

package main

import (
    "context"
    "fmt"
    "os"

    "github.com/openai/openai-go"
    "github.com/openai/openai-go/option"
)

func main() {
    client := openai.NewClient(option.WithAPIKey(os.Getenv("OPENAI_API_KEY")))

    response, err := client.Responses.New(context.Background(), openai.ResponseNewParams{
        Model: "gpt-5",
        Input: openai.ResponseNewParamsInputUnion{
            OfInputItemList: []openai.ResponseInputItemUnion{
                openai.ResponseInputItemUnion{
                    OfMessage: &openai.ResponseInputMessageItemParam{
                        Role: "user",
                        Content: openai.ResponseInputMessageContentListParam{
                            {Type: "input_text", Text: "请描述图片中的主要物体，并指出一个可见细节。"},
                            {Type: "input_image", ImageURL: "https://example.com/sample.jpg", Detail: "auto"},
                        },
                    },
                },
            },
        },
    })
    if err != nil {
        panic(err)
    }
    fmt.Println(response.OutputText())
}

这里真正值得记住的是三段关系：responses.create 负责发起调用，input_text 说明要完成的观察任务，input_image 提供被观察的图片。图片 URL 必须替换成你实际可访问的 HTTPS 地址；示例域名只是占位符，不能直接当成业务图片地址。

本地图片不能直接写成操作系统路径

/Users/me/photo.jpg 或 C:\\photo.jpg 只对当前机器有意义，API 服务端无法读取。要么提供完整的 HTTPS URL，要么按官方输入格式转成数据 URL；生产环境还要考虑 URL 的有效期、访问权限和图片内容合规检查。

响应端只取可读文本，不猜输出数组位置

Responses API 的完整响应还可能包含多个输出项、工具调用或其他状态信息。这个小工具只需要文字，所以用 SDK 的 OutputText() 读取聚合后的文本，然后对空结果做一次保护。

Responses API 结果读取：input_image 进入模型后由 output_text 返回可读回答

func answer(response openai.Response) (string, error) {
    text := response.OutputText()
    if text == "" {
        return "", fmt.Errorf("empty output_text")
    }
    return text, nil
}

不要根据某个示例响应就固定读取 output[0].content[0].text。那样把响应内部结构和业务需求绑死了：以后加入工具、拒答或不完整状态时，数组位置可能不再符合假设。当前示例只做“读文字”，因此只验收 output_text 是否为空。

把输入校验和失败分支留在 API 调用外

真正接入服务时，可以在调用前做三项轻量检查：问题不能为空、图片 URL 必须使用 HTTPS、模型配置不能从空环境变量读出。调用失败则保留原始错误用于日志，但不要把 API Key、完整数据 URL 或用户上传地址直接回显给前端。

检查位置	检查内容	失败动作
请求前	问题、HTTPS 图片 URL、模型配置	返回参数错误，不发起请求
调用中	SDK error 与响应状态	记录 request id，按错误类型重试或结束
响应后	output_text 是否为空	不把空回答当成成功结果