A OpenAI disponibiliza via API os mesmos modelos que estão por trás do ChatGPT. Com Python e algumas dezenas de linhas de código, você consegue criar aplicações que geram texto, analisam imagens, transcrevem áudio e muito mais. Neste guia, vou mostrar do zero como configurar, fazer a primeira chamada e construir um chatbot com memória de conversa.
Configurando o ambiente
Instale a biblioteca oficial: pip install openai python-dotenv. Crie um arquivo .env na raiz do projeto com sua chave: OPENAI_API_KEY=sua_chave_aqui. Nunca coloque a chave diretamente no código — ela seria exposta se você fizesse commit. Obtenha sua chave em platform.openai.com na seção API Keys.
Sua primeira chamada à API
O código básico: importe OpenAI e load_dotenv, instancie o cliente e chame client.chat.completions.create() passando o modelo e uma lista de mensagens. Cada mensagem tem um papel: system (instruções de comportamento), user (pergunta do usuário) e assistant (respostas anteriores). O modelo gpt-4o-mini é o ponto de entrada ideal: rápido, barato (cerca de US$ 0,15 por 1 milhão de tokens de entrada) e suficiente para a maioria dos casos. Use o gpt-4o apenas quando precisar de raciocínio mais avançado ou análise de imagens.
Chatbot com memória de conversa
A chave para memória é simples: você mantém uma lista de mensagens (o histórico) e a envia completa a cada chamada. O modelo “lembra” porque você está passando o contexto explicitamente — não há estado interno mantido pelo servidor entre chamadas. Na prática: comece com uma mensagem do sistema, adicione a mensagem do usuário ao histórico, faça a chamada com o histórico completo, adicione a resposta ao histórico e exiba para o usuário. Repita a cada turno.
Recursos avançados
Visão computacional (GPT-4o): envie imagens para análise passando uma URL pública ou base64 como parte do conteúdo da mensagem. O modelo descreve a imagem, responde perguntas ou extrai informações estruturadas. Streaming: para exibir a resposta em tempo real — como o ChatGPT faz — passe stream=True na chamada e itere sobre os chunks retornados, exibindo cada pedaço imediatamente. Function calling: permite que o modelo chame funções definidas por você para buscar dados externos ou interagir com APIs — a base de como os agentes de IA atuam no mundo real.
Controlando custos
Configure um limite de gastos mensais no dashboard da OpenAI. Use o parâmetro max_tokens para limitar o tamanho das respostas. Prefira o gpt-4o-mini para tarefas que não exigem o modelo mais capaz — ele custa cerca de 15 vezes menos que o gpt-4o e resolve a maioria dos casos de uso. Para produção, implemente retry com exponential backoff e logging das chamadas para monitorar uso, latência e erros.
Para entender por que esses modelos funcionam tão bem, confira como as redes neurais são usadas na inteligência artificial e o que diferencia Machine Learning de Deep Learning. A API é a porta de entrada — entender a tecnologia por baixo te torna um desenvolvedor muito mais eficaz na hora de construir e depurar aplicações de IA.
A OpenAI API é hoje a infraestrutura de IA mais usada do mundo. Saber integrá-la com Python é uma das habilidades mais valiosas que você pode desenvolver em 2026 — e o ponto de partida para pipelines de RAG, agentes e aplicações cada vez mais sofisticadas.
