Di era informasi yang berlebihan, kemampuan untuk melakukan penelitian yang cepat, akurat, dan komprehensif adalah kekuatan super. Pengembang, analis, dan ahli strategi menghabiskan waktu berjam-jam untuk menyaring dokumen, memverifikasi sumber, dan mensintesis temuan. Bagaimana jika Anda bisa mengotomatiskan seluruh alur kerja ini? Deep Research API dari OpenAI adalah langkah signifikan ke arah tersebut, menawarkan alat yang ampuh untuk mengubah pertanyaan tingkat tinggi menjadi laporan terstruktur yang kaya kutipan.
Deep Research API bukan sekadar model bahasa besar lainnya. Ini adalah sistem agen yang dirancang untuk menangani tugas penelitian yang kompleks. Sistem ini dapat secara otonom menguraikan kueri, melakukan pencarian web, menjalankan kode untuk menganalisis data, dan mensintesis hasilnya menjadi laporan yang koheren dan dapat diverifikasi. Sistem ini dibangun untuk kedalaman, nuansa, dan kepercayaan, tidak hanya memberikan jawaban, tetapi juga bukti di baliknya.
Panduan ini akan memberikan panduan langkah demi langkah yang berfokus pada pengembang untuk Deep Research API. Kami akan membahas semuanya mulai dari melakukan panggilan API pertama Anda hingga teknik *prompting* tingkat lanjut. Kami akan berfokus terutama pada dua model yang tersedia melalui API:
o3-deep-research-2025-06-26: Model unggulan, dioptimalkan untuk sintesis kualitas tertinggi dan analisis mendalam.o4-mini-deep-research-2025-06-26: Model yang lebih ringan dan lebih cepat, sempurna untuk aplikasi yang sensitif terhadap latensi.
Pada akhir artikel ini, Anda akan memiliki pemahaman yang kuat tentang cara mengintegrasikan agen penelitian yang kuat ini ke dalam aplikasi Anda sendiri.
Ingin platform All-in-One terintegrasi agar Tim Pengembang Anda dapat bekerja sama dengan produktivitas maksimal?
Apidog memenuhi semua permintaan Anda, dan menggantikan Postman dengan harga yang jauh lebih terjangkau!
button
Harga dan Batas Tingkat OpenAI Deep Research API
Memilih model yang tepat dan memahami biayanya sangat penting untuk aplikasi produksi.
Memilih Model Anda
o3-deep-research: Ini adalah pilihan utama Anda untuk tugas-tugas kompleks yang membutuhkan tingkat penalaran dan sintesis tertinggi. Ini lebih lambat tetapi memberikan kualitas yang unggul.o4-mini-deep-research: Gunakan model ini ketika kecepatan menjadi prioritas. Ini ideal untuk tugas penelitian yang lebih sederhana atau aplikasi interaktif di mana latensi rendah adalah kunci.
Memahami Biaya
Pada akhir tahun 2024, harga untuk model o3-deep-research yang kuat adalah berbasis token:
- Input: $10.00 per 1 juta token
- Output: $40.00 per 1 juta token
Biaya yang lebih tinggi untuk token output mencerminkan kerja sintesis dan generasi intensif yang dilakukan model.
Spesifikasi Utama (o3-deep-research)
- Jendela Konteks: 200.000 token yang sangat besar.
- Token Output Maks: 100.000 token yang murah hati, memungkinkan laporan yang sangat panjang.
- Batas Pengetahuan: 1 Juni 2024. Pengetahuan internal model terkini hingga tanggal ini, tetapi alat
web_search_previewmemberinya akses ke informasi waktu nyata.
Melakukan Panggilan OpenAI Deep Research API Pertama Anda
Mari kita langsung saja. Sebelum Anda dapat menggunakan API, Anda akan memerlukan OpenAI Python SDK.
Pengaturan
Jika Anda belum melakukannya, instal versi terbaru pustaka:
pip install --upgrade openai
Selanjutnya, Anda perlu melakukan otentikasi. Impor klien OpenAI dan inisialisasikan dengan kunci API Anda.
from openai import OpenAI import os # Praktik terbaik adalah menggunakan variabel lingkungan untuk kunci API Anda client = OpenAI(api_key=os.environ.get("OPENAI_API_KEY"))
Melakukan Permintaan
Tugas Deep Research dapat memakan waktu beberapa menit untuk diselesaikan, terutama untuk kueri yang kompleks. Untuk menghindari *timeout*, sangat disarankan untuk menjalankan permintaan di latar belakang. API mempermudah hal ini.
Mari kita bayangkan kita sedang membangun alat untuk perusahaan layanan keuangan kesehatan. Tugasnya adalah menghasilkan laporan tentang dampak ekonomi obat diabetes dan obesitas baru. Begini cara Anda menyusun permintaan itu:
system_message = """
Anda adalah seorang peneliti profesional yang menyiapkan laporan terstruktur dan berbasis data atas nama tim ekonomi kesehatan global. Tugas Anda adalah menganalisis pertanyaan kesehatan yang diajukan pengguna.
Lakukan:
- Fokus pada wawasan yang kaya data: sertakan angka, tren, statistik, dan hasil terukur yang spesifik.
- Jika sesuai, ringkas data dengan cara yang dapat diubah menjadi bagan atau tabel.
- Prioritaskan sumber yang andal dan terkini: penelitian yang ditinjau sejawat, organisasi kesehatan (misalnya, WHO, CDC), dll.
- Sertakan kutipan sebaris dan kembalikan semua metadata sumber.
Bersifat analitis, hindari generalisasi, dan pastikan setiap bagian mendukung penalaran berbasis data.
"""
user_query = "Teliti dampak ekonomi semaglutide pada sistem perawatan kesehatan global."
response = client.responses.create(
model="o3-deep-research", # Atau "o3-deep-research-2025-06-26"
input=[
{
"role": "developer",
"content": [
{
"type": "input_text",
"text": system_message,
}
]
},
{
"role": "user",
"content": [
{
"type": "input_text",
"text": user_query,
}
]
}
],
reasoning={
"summary": "auto"
},
tools=[
{
"type": "web_search_preview"
},
{
"type": "code_interpreter"
}
]
)
Mari kita bedah panggilan ini:
model: Kami menentukano3-deep-researchuntuk laporan berkualitas tinggi.input: Di sinilah kami memberikan *prompt* kami.system_messagemengatur persona dan tujuan keseluruhan untuk agen.user_queryadalah tugas penelitian spesifik.reasoning: Mengatursummaryke"auto"memungkinkan model menghasilkan ringkasan terbaik untuk laporan. Untuk laporan yang lebih detail, Anda dapat mengaturnya ke"detailed".tools: Array ini memberi tahu agen alat apa yang dimilikinya.web_search_previewdiperlukan agar dapat menjelajahi web.code_interpreteradalah opsional tetapi memungkinkan agen untuk menjalankan kode Python untuk analisis dan visualisasi data.
Kekuatan sejati Deep Research API terletak pada objek respons terstruktur dan terperinci yang dikembalikannya. Ini lebih dari sekadar blok teks; ini adalah catatan transparan dari proses penelitian.
Laporan Akhir
Output utamanya, tentu saja, adalah laporan akhir. Anda dapat mengaksesnya dari item terakhir dalam array output:
# Akses laporan akhir dari objek respons
print(response.output[-1].content[0].text)
Ini akan memberi Anda teks lengkap dan tersintesis yang dihasilkan oleh model.
Kutipan dan Sumber
Salah satu fitur paling penting untuk penelitian serius adalah kutipan. Deep Research API menyematkan metadata kutipan langsung ke dalam respons. Setiap kutipan ditautkan ke bagian teks tertentu, memungkinkan verifikasi yang mudah.
Berikut cara Anda dapat mengekstrak dan menampilkan kutipan:
annotations = response.output[-1].content[0].annotations
for i, citation in enumerate(annotations):
print(f"Kutipan {i+1}:")
print(f" Judul: {citation.title}")
print(f" URL: {citation.url}")
print(f" Lokasi: karakter {citation.start_index}–{citation.end_index}")
Struktur ini sangat berharga untuk membangun aplikasi yang membutuhkan tingkat kepercayaan dan transparansi yang tinggi. Anda dapat menggunakannya untuk membuat catatan kaki yang dapat diklik, membangun daftar pustaka, atau secara terprogram melacak klaim kembali ke sumber aslinya.
Mengintip di Balik Layar: Langkah-langkah Perantara
API juga mengekspos seluruh proses pemikiran agen. response.output berisi log semua langkah perantara yang diambil untuk mencapai jawaban akhir. Ini sangat berguna untuk *debugging*, analisis, atau sekadar memahami cara kerja agen.
- Langkah Penalaran: Ini mewakili rencana dan ringkasan internal model saat memecah masalah.
reasoning = next(item for item in response.output if item.type == "reasoning")
for s in reasoning.summary:
print(s.text)
- Panggilan Pencarian Web: Anda dapat melihat kueri pencarian persis yang digunakan agen.
search = next(item for item in response.output if item.type == "web_search_call")
print("Kueri:", search.action["query"])
- Eksekusi Kode: Jika alat
code_interpreterdigunakan, Anda dapat memeriksa kode yang dijalankannya dan output yang dihasilkan.
code_step = next((item for item in response.output if item.type == "code_interpreter_call"), None)
if code_step:
print("Input Kode:", code_step.input)
print("Output Kode:", code_step.output)
Menggunakan OpenAI Deep Research dengan Server MCP
Penelitian Tingkat Lanjut dengan Server MCP
Meskipun pencarian web memberi agen Deep Research akses ke repositori informasi publik yang luas, kekuatan sejatinya terbuka ketika Anda menghubungkannya ke data pribadi Anda sendiri.
Di sinilah Model Context Protocol (MCP) berperan. MCP memungkinkan Anda membangun alat kustom yang memperluas kemampuan agen, memungkinkannya untuk mengkueri basis pengetahuan internal, basis data, atau layanan kepemilikan lainnya.
Salah satu Server MCP populer saat ini adalah Apidog MCP Server, yang memungkinkan Anda terhubung ke Dokumentasi API Anda di dalam Cursor dan alat AI Coding lainnya, dan sangat mengurangi halusinasi AI dengan menarik dari Spesifikasi API faktual.
button
Kesimpulan: Masa Depan Penelitian Otomatis
OpenAI Deep Research API lebih dari sekadar peningkatan inkremental. Ini mewakili perubahan mendasar dalam cara kita dapat memanfaatkan AI untuk pekerjaan berbasis pengetahuan. Dengan menyediakan agen yang dapat bernalar, merencanakan, menjalankan alat, dan menghasilkan hasil yang dapat diverifikasi, OpenAI telah menciptakan blok bangunan untuk generasi baru aplikasi penelitian.
Baik Anda membangun dasbor intelijen kompetitif, mengotomatiskan tinjauan literatur, atau membuat laporan analisis pasar yang canggih, Deep Research API menyediakan kekuatan, transparansi, dan kepercayaan yang diperlukan untuk kasus penggunaan dunia nyata yang serius. Seperti yang diisyaratkan oleh buku masak, langkah selanjutnya kemungkinan adalah "Agen Deep Research" yang sepenuhnya berfungsi, menunjukkan masa depan yang lebih otonom dan mampu. Untuk saat ini, API memberi pengembang alat baru yang luar biasa untuk dijelajahi. Mulailah membangun dengannya hari ini.