OpenAI API를 활용한 챗봇 만들기: Responses 객체, 함수 호출(Function Calling) 중심 실전 가이드

OpenAI API를 활용한 챗봇 만들기: Responses 객체, 함수 호출(Function Calling) 중심 실전 가이드

반응형

요즘 챗봇 하나쯤은 누구나 만들어보고 싶지 않으신가요? OpenAI API의 Responses 객체만 잘 활용해도, 꽤나 똑똑한 챗봇을 뚝딱 만들 수 있습니다!

 

 

안녕하세요, 개발자 여러분! 오늘은 OpenAI API를 활용한 챗봇 만들기에 대해 아주 실용적인 내용을 소개해 드리려 합니다. 특히 Responses 객체를 중심으로, OpenAI GPT-4 모델을 직접 호출하고 원하는 방식으로 응답을 처리하는 실전 코드 예제까지 담아볼게요.
초보자도 따라할 수 있도록 환경설정부터 챗봇 완성까지 하나하나 쉽게 풀어드립니다. 단순한 이론 설명이 아니라, 실제로 돌아가는 코드 중심으로 준비했으니 따라오시기만 하면 돼요. 그럼 시작해볼까요?

목차

1. OpenAI API와 Responses 객체란? 2. 환경 설정: API 키, SDK 설치 3. Responses API 기본 예제 따라하기 4. 함수 호출(Function Calling)로 챗봇 능력 확장 5. Streamlit으로 챗봇 UI 만들기 6. Responses 기반 대화형 챗봇 완성하기

1. OpenAI API와 Responses 객체란? 🤖

OpenAI API는 대화형 인공지능 모델(GPT-4 등)을 외부 애플리케이션에서 손쉽게 사용할 수 있도록 만들어진 API입니다. 특히 최근에는 Responses 객체가 추가되면서 훨씬 더 유연하고 다양한 기능을 제공하게 되었죠.

📌 Responses 객체의 주요 특징

• 텍스트, 이미지 입력을 모두 지원하고 텍스트로 출력
• 이전 응답의 출력값을 다음 입력으로 연동 가능 (상태 기반 대화 구현에 유리)
• 함수 호출(Function Calling)과 외부 도구 연동 기능 포함
• 웹 검색, 파일 검색, 이미지 생성 같은 Built-in Tools와의 통합도 쉬움

💬 예제 코드로 보는 Responses 사용법

Responses API를 사용하는 가장 기본적인 예제는 아래와 같습니다. 아주 간단하게 GPT-4에게 유니콘 이야기를 한 줄로 만들어달라고 요청하죠.

from openai import OpenAI

client = OpenAI(api_key="YOUR_API_KEY")

response = client.responses.create(
    model="gpt-4.1",
    input="Write a one-sentence bedtime story about a unicorn."
)

print(response.output_text)

출력 결과는 다음과 같습니다:

Under the soft glow of a silver moon, a gentle unicorn named Luna tiptoed through a field of twinkling stars, carrying sweet dreams to every sleepy child.

어때요? 단 한 줄로도 감성이 폭발하죠 😍 이처럼 Responses 객체를 사용하면 다양한 입력을 넣고 그에 맞는 자연스러운 응답을 받을 수 있다는 점이 매우 강력합니다.

정리하자면...

1. Responses 객체는 GPT-4.1을 활용한 최신 인터페이스
2. 단순 텍스트 입력 뿐 아니라 구조화된 함수 호출, 파일 검색, 웹 검색 등도 가능
3. 챗봇 구현 시 매우 직관적이고 강력한 도구

이제 Responses 객체가 어떤 역할을 하는지 감이 좀 오셨죠? 다음 단계에서는 OpenAI API를 사용하기 위한 환경 설정부터 시작해봅시다.

2. 환경 설정: API 키, SDK 설치 🛠️

Responses API를 사용하기 위해서는 먼저 개발 환경을 세팅해야 합니다. 여기에는 OpenAI API 키 등록, 공식 라이브러리 설치, 기본 테스트까지 포함됩니다. 이 과정을 정확히 해줘야 이후 챗봇 개발이 매끄럽게 진행될 수 있어요.

🔑 STEP 1: OpenAI API Key 발급

1. OpenAI API Key 페이지에 접속
2. ‘Create new secret key’ 버튼을 눌러 키 생성
3. 생성된 키를 복사해서 환경변수 또는 config 파일에 저장

⚠️ 주의: 이 키는 외부에 유출되면 요금이 부과될 수 있으니 절대 깃허브에 올리지 마세요!

💻 STEP 2: SDK 설치 및 환경변수 등록

OpenAI의 공식 파이썬 라이브러리인 openai 모듈을 설치해봅시다.

pip install openai

설치가 완료되면 API 키를 등록해줍니다. 운영체제에 따라 명령어가 다릅니다.

운영체제	명령어
Windows	setx OPENAI_API_KEY "your_api_key_here"
macOS/Linux	export OPENAI_API_KEY="your_api_key_here"

💡 환경변수 등록 후에는 반드시 터미널 재시작!

📋 STEP 3: 정상 작동 확인

간단한 API 호출 예제로 환경 구성이 잘 되었는지 확인해봅시다.

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-4.1",
    input="Say hello to Korea!"
)

print(response.output_text)

정상적으로 “Hello Korea!” 같은 메시지가 출력되면, 준비 완료입니다 🎉

이제 본격적으로 챗봇 기능을 구현하는 다음 단계로 넘어가 볼게요!

3. Responses API 기본 예제 따라하기 🧪

이제 본격적으로 Responses API를 사용해서 다양한 스타일의 챗봇 응답을 생성해보겠습니다. 아래 예제들은 단순한 질문-응답부터, 스타일이 가미된 응답까지 다양하게 다뤄볼게요. GPT-4.1 모델을 사용하며, 챗봇의 말투나 성격도 지정할 수 있는 점을 꼭 확인해보세요!

🌈 예제 1: 기본적인 단문 응답

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-4.1",
    input="Write a one-sentence bedtime story about a unicorn."
)

print(response.output_text)

이 코드를 실행하면 아주 아름답고 감성적인 한 줄짜리 동화가 반환됩니다. 예를 들어:

“Under the soft glow of a silver moon, a gentle unicorn named Luna tiptoed through a field of twinkling stars...”

🏴‍☠️ 예제 2: 말투 커스터마이징 (해적 말투)

response = client.responses.create(
    model="gpt-4.1",
    instructions="Talk like a pirate.",
    input="Are semicolons optional in JavaScript?"
)

print(response.output_text)

이제 GPT가 해적처럼 말하게 됩니다. 유쾌하고 독특한 응답이 출력되죠!

“Arrr matey! Semicolons be like rum on a pirate ship...”

🧠 예제 3: 역할(Role) 기반 메시지 설정

GPT에게 ‘개발자(Developer)’와 ‘사용자(User)’ 역할을 부여해 맥락 있는 대화를 만들어보는 예제입니다.

response = client.responses.create(
    model="gpt-4.1",
    input=[
        {
            "role": "developer",
            "content": "Talk like a pirate."
        },
        {
            "role": "user",
            "content": "Are semicolons optional in JavaScript?"
        }
    ]
)

print(response.output_text)

👆 이 구조는 Function Calling에도 쓰이는 매우 중요한 메시지 포맷이에요. Responses API는 role에 따라 대화 흐름을 정교하게 조정할 수 있는 점이 강력합니다!

💡Tips:

• developer: 시스템 수준의 규칙, 말투, 스타일을 정의합니다.
• user: 실제 사용자가 던지는 질문이나 요청입니다.
• assistant: 모델이 생성한 응답입니다.

이제 Responses API의 기본적인 사용법과 구조에 익숙해졌다면, 다음 단계에서는 Function Calling을 통해 챗봇이 외부 함수를 호출하고 결과를 응답하는 기능까지 구현해보겠습니다!

4. 함수 호출(Function Calling)로 챗봇 능력 확장 ⚙️

GPT 챗봇이 정말 '스마트'해지려면, 단순히 텍스트만 생성하는 것에 그치지 않고 외부 데이터를 받아서 처리하거나, 함수를 호출해주는 기능이 필요합니다. 그게 바로 GPT-4의 Function Calling 기능이에요!

🔍 Function Calling이란?

• GPT가 텍스트 응답 대신 함수를 호출하듯 JSON으로 명령을 내려주는 기능
• 개발자가 정의한 함수에 맞춰 GPT가 적절한 인자를 생성해 호출해달라고 요청
• 실제 호출은 우리가 정의한 함수가 처리하고 결과를 다시 GPT에게 넘김

🌦️ 예제: 현재 날씨 조회 함수 만들기

사용자의 질문이 “오늘 파리 날씨 어때?”일 때, GPT는 get_weather() 함수를 호출해달라고 요청합니다. 그 함수는 실제 API를 호출하거나 하드코딩된 결과를 리턴하죠.

① 함수 정의

def get_weather(latitude, longitude):
    import requests
    url = f"https://api.open-meteo.com/v1/forecast?latitude={latitude}&longitude={longitude}&current=temperature_2m"
    response = requests.get(url)
    data = response.json()
    return data['current']['temperature_2m']

② 함수 메타데이터 전달

tools = [{
    "type": "function",
    "name": "get_weather",
    "description": "Get current temperature for provided coordinates.",
    "parameters": {
        "type": "object",
        "properties": {
            "latitude": {"type": "number"},
            "longitude": {"type": "number"}
        },
        "required": ["latitude", "longitude"]
    },
    "strict": True
}]

③ 함수 호출 요청 및 실행 흐름

input_messages = [{"role": "user", "content": "What's the weather like in Paris today?"}]

response = client.responses.create(
    model="gpt-4.1",
    input=input_messages,
    tools=tools,
)

tool_call = response.output[0]
args = json.loads(tool_call.arguments)

result = get_weather(args["latitude"], args["longitude"])

이렇게 모델이 요청한 파라미터에 맞게 get_weather() 함수를 실행한 후, 결과를 GPT에게 다시 넘기면 모델이 다음 응답을 자연스럽게 만들어줍니다.

input_messages.append(tool_call)
input_messages.append({
    "type": "function_call_output",
    "call_id": tool_call.call_id,
    "output": str(result)
})

response2 = client.responses.create(
    model="gpt-4.1",
    input=input_messages,
    tools=tools,
)

print(response2.output_text)

✨ 결과 예시

The weather in Paris today is quite warm, with a temperature of 34.8°C. Don’t forget to hydrate!

놀랍죠? 이제 챗봇이 단순한 말뿐 아니라, 직접 데이터를 가져와 응답하는 데까지 진화했어요!

이제 Function Calling의 핵심은 이해했으니, 다음 단계에서는 Streamlit을 활용해 이 챗봇을 시각적으로 보여주는 프론트엔드를 만들어볼게요!

5. Streamlit으로 챗봇 UI 만들기 🖥️

OpenAI API로 백엔드 챗봇 로직을 완성했다면, 이제는 사용자가 직접 입력하고 결과를 볼 수 있도록 프론트엔드 화면을 만들어야겠죠? 가장 빠르고 쉬운 방법이 바로 Streamlit입니다. 몇 줄의 코드로 완성도 높은 챗봇 UI를 만들 수 있어요.

🚀 Streamlit 설치 및 기본 실행

pip install streamlit
streamlit hello

설치 후 streamlit hello 명령어로 실행하면 기본 샘플 앱이 열립니다. 웹 브라우저에 자동으로 실행되며, 마치 SPA처럼 페이지 전환 없이 인터랙티브한 화면을 보여주죠!

💬 챗봇 UI 구성 요소

• st.title() – 앱의 제목을 보여주는 상단 타이틀
• st.text_input() – 사용자 질문 입력창
• st.button() 또는 st.form() – 전송 버튼 처리
• st.write() – 대화 기록 출력

🧪 간단한 챗봇 UI 예제

import streamlit as st

st.set_page_config(page_title="Math Tutor Chatbot")
st.title("수학 튜터 챗봇")
st.write("수학에 대해 궁금한 점을 질문해보세요.")

st.divider()

with st.form("chat_form", clear_on_submit=True):
    question = st.text_input("질문을 입력하세요", label_visibility="collapsed")
    submitted = st.form_submit_button("Send")

    if submitted and question:
        # 여기에 OpenAI 응답 코드 삽입
        st.write(f"사용자: {question}")
        st.write("GPT 응답: ...")

Streamlit 앱에서는 st.form()과 st.text_input()을 함께 사용하면 사용자가 Enter만 눌러도 즉시 반응하도록 만들 수 있어요. GPT 응답은 st.write()로 보여주면 되고, 스트리밍 응답이 필요할 땐 st.write_stream()도 쓸 수 있습니다.

📌 챗봇 완성 흐름 요약

1. 사용자 입력을 받아 messages에 추가
2. call_openai() 함수로 Responses API 호출
3. function_call이 있을 경우 → 함수 실행 → 결과 재전달
4. 최종 assistant 응답을 화면에 출력

이제 OpenAI Responses + Streamlit 조합으로 누구나 멋진 챗봇 UI를 만들 수 있습니다. 그럼 다음 단계에서는 이 모든 것을 합쳐서 완성된 챗봇 통합 구조를 만들어보겠습니다!

6. Responses 기반 대화형 챗봇 완성하기 🧠💬

이제 우리가 준비한 모든 것을 종합해서 OpenAI Responses API + Function Calling + Streamlit UI를 통합한 진짜 챗봇을 완성할 시간입니다. 핵심은 단 하나, 사용자 입력에 따라 상황에 맞게 답하거나 함수 호출 결과를 응답에 자연스럽게 녹여내는 거예요.

🧩 핵심 함수 1: call_openai()

def call_openai(messages, functions=None, function_call="auto"):
    response = openai.ChatCompletion.create(
        model="gpt-4.1",
        messages=messages,
        functions=functions,
        function_call=function_call
    )
    return response

대화 메시지와 함수 정의를 받아 모델에게 호출을 요청하는 핵심 함수입니다.

🛠️ 핵심 함수 2: handle_function_call()

import json

def handle_function_call(function_call, messages):
    try:
        func_name = function_call["name"]
        args = json.loads(function_call["arguments"])
    except (KeyError, json.JSONDecodeError):
        result = "함수 호출 인자 오류"
        func_name = function_call.get("name", "unknown")
    else:
        if func_name == "get_weather":
            result = str(get_weather(**args))
        else:
            result = "알 수 없는 함수 호출"

    messages.append({
        "role": "function",
        "name": func_name,
        "content": result
    })
    return messages

GPT가 요청한 함수 호출 명령을 해석하고, 실제로 파이썬 함수를 실행한 뒤 결과를 다시 메시지로 넣어주는 함수입니다.

🎯 최종 통합 함수: chat()

def chat(user_input, messages, functions):
    messages.append({"role": "user", "content": user_input})
    response = call_openai(messages, functions, function_call="auto")
    reply = response.choices[0].message

    if "function_call" in reply:
        handle_function_call(reply["function_call"], messages)
        response2 = call_openai(messages, functions)
        final_reply = response2.choices[0].message
        return final_reply.get("content", str(final_reply))
    else:
        return reply.get("content", str(reply))

이제 이 함수를 Streamlit의 전송 버튼 아래에 연결해주면, 사용자 질문 → GPT 응답 or 함수 호출 → 최종 응답까지 완전 자동화된 챗봇 흐름이 완성됩니다!

📌 전체 흐름 요약

1. 사용자 입력 → chat() 함수 전달
2. GPT가 응답 또는 함수 호출 요청
3. handle_function_call()이 함수 실행
4. 실행 결과를 포함하여 다시 GPT 호출
5. 최종 응답을 사용자에게 보여줌

이렇게 Responses API, Function Calling, Streamlit UI가 완벽히 결합된 챗봇을 만들 수 있습니다! 여러분도 나만의 GPT 챗봇을 지금부터 시작해보세요. 진짜 어렵지 않아요 🙂

🧷 마무리: 나만의 챗봇, 지금 시작해보세요!

지금까지 OpenAI Responses API를 중심으로 GPT-4 챗봇을 만드는 과정을 함께 따라왔어요. 텍스트 응답에서 함수 호출까지, 그리고 그 결과를 바탕으로 유용한 대답을 해주는 대화형 챗봇까지 만들어봤죠.

단순한 지식 응답을 넘어, 외부 시스템과 통신하거나 실제 데이터를 불러오는 능력을 갖춘 챗봇은 더 이상 먼 미래의 기술이 아닙니다. 여러분도 이 글에 나온 예제 코드를 바탕으로 나만의 업무 보조, 공부 도우미, 데이터 처리 챗봇을 직접 만들 수 있어요!

 

OpenAI의 Responses 객체는 더 이상 단순한 텍스트 생성 도구가 아닙니다. 그것은 실시간 의사결정, 외부 함수 호출, 도구 기반 응답 생성까지 가능한 차세대 챗봇 인터페이스의 핵심이에요.

 

한 줄 요약하자면? Responses를 제대로 이해하고 활용하는 순간, 여러분은 챗봇 개발자가 됩니다.

이제 여러분의 손에 달렸습니다. 간단한 텍스트 챗봇에서 시작해서, 자신만의 AI 도우미를 만들어보세요. 지금 시작해도 절대 늦지 않았습니다 :)