# API Developer Path · Vue d’ensemble de la piste Préparation indépendante aux cinq cours API « Build with AI » d’OpenAI — cadrage, la Responses API et le choix de modèle, évaluations, systèmes agentiques, RAG, performance et exploitation en production. import { Card, CardGrid, Badge } from '@prosefly/astro-components'; Code de banque OAI-API 7 domaines · examens blancs de 60 items Gratuit Parcours API Academy **Construisez, évaluez et exploitez une application d’IA sur l’API OpenAI.** C’est la piste la plus vaste et la plus technique de cette section. C’est une préparation indépendante construite à partir des objectifs d’apprentissage OpenAI et de la documentation produit accessibles au public — pas un cours officiel OpenAI, et pas un examen blanc officiel. Lisez d’abord la page [paysage des qualifications](/fr/openai/credentials/) si ce n’est pas fait : les badges Academy et les certificats de parcours **ne sont pas des certifications**. ## Ce à quoi cette piste vous prépare Cette piste reflète **les cinq cours du parcours API de l’Academy** (la catégorie « Build with AI », produit OpenAI API) : | Cours Academy | Durée publiée | Ce qu’il couvre | | --- | --- | --- | | **Scope AI Solutions** | 30 min | Repérer les opportunités d’IA et planifier une solution | | **Evaluate AI Applications** | 70 min | Évaluations, analyse des échecs, contrôles qualité | | **Design and Build Agentic Systems** | 110 min | Rôles d’agents, outils, transferts | | **Build with Retrieval-Augmented Generation** | 100 min | Pipelines de récupération et qualité des réponses | | **Optimize AI Application Performance** | 30 min | Qualité, vitesse, fiabilité et coût en production | Réussir les cinq évaluations de cours à **≥ 80 %** vaut le **certificat de parcours API** de l’Academy. Ce certificat n’est pas une certification et ne garantit pas l’éligibilité à l’initiative plus large OpenAI Certification — il prouve que vous avez terminé le parcours. Cette piste ajoute deux examens blancs indépendants complets et sept pages de domaine approfondies qui vont bien au-delà des ~340 minutes de vidéo Academy, car les évaluations récompensent un jugement que l’on ne construit qu’en faisant le travail. ## Blueprint Nos sept domaines et leurs pondérations sur les examens blancs OAI-API (60 items, 90 minutes) : | # | Domaine | Pondération | Items (approx.) | Page de cours | | --- | --- | --- | --- | --- | | 1 | Scoping AI Solutions | 12 % | ~7 | [Domaine 1](/fr/openai/api/domains/d1-scoping-ai-solutions/) | | 2 | The Responses API and Model Selection | **18 %** | ~11 | [Domaine 2](/fr/openai/api/domains/d2-responses-api-and-model-selection/) | | 3 | Evaluating AI Applications | 16 % | ~10 | [Domaine 3](/fr/openai/api/domains/d3-evaluating-ai-applications/) | | 4 | Designing and Building Agentic Systems | **18 %** | ~11 | [Domaine 4](/fr/openai/api/domains/d4-designing-agentic-systems/) | | 5 | Retrieval-Augmented Generation | 16 % | ~10 | [Domaine 5](/fr/openai/api/domains/d5-retrieval-augmented-generation/) | | 6 | Performance, Latency and Cost | 12 % | ~7 | [Domaine 6](/fr/openai/api/domains/d6-performance-latency-and-cost/) | | 7 | Production Safety and Operations | 8 % | ~5 | [Domaine 7](/fr/openai/api/domains/d7-production-safety-and-operations/) | :::tip[Où sont les points] La Responses API (18 %), les systèmes agentiques (18 %), les évaluations (16 %) et le RAG (16 %) représentent ensemble **68 %** de l’examen blanc. L’examen récompense les développeurs qui savent choisir le bon runtime, ancrer les réponses dans des preuves récupérées et prouver la qualité avec des évaluations — bien plus qu’il ne récompense le rappel de noms d’endpoints. ::: :::note[Deux examens blancs indépendants] Cette piste propose **deux** examens blancs indépendants complets, pondérés par domaine. L’[Examen blanc 1](/fr/openai/api/practice-exam/) est votre diagnostic — passez-le sans chronomètre d’abord pour repérer vos domaines faibles. L’[Examen blanc 2](/fr/openai/api/practice-exam-2/) est délibérément plus difficile (plus d’énoncés à contraintes multiples et de qualificatifs `FIRST` / `BEST` / `MOST cost-effective` / `TWO`, davantage de mises en situation) — utilisez-le chronométré comme votre test go/no-go avant de vous inscrire aux véritables évaluations Academy ou de les passer. Chaque item des deux examens blancs et des pages de domaine est distinct. ::: ## L’état d’esprit que cette piste récompense Les évaluations API récompensent une posture de façon répétée : **une application d’IA est un système que vous cadrez, mesurez et exploitez, pas un prompt que vous livrez.** Les bonnes réponses tendent à : - **Cadrer avant de construire** — définir la tâche, la métrique de réussite et l’enveloppe de coût avant de choisir un modèle. - **Choisir le moindre effort qui fonctionne** — commencer sur `gpt-5.6-terra` ou `gpt-5.6-luna`, n’escalader le reasoning effort ou le modèle que lorsqu’une évaluation prouve que c’est nécessaire. - **Ancrer les affirmations dans des preuves récupérées** avec des citations, plutôt que de faire confiance à la connaissance du modèle. - **Mesurer avec des évaluations** — un jeu de données représentatif et un grader valent mieux qu’un « ça a l’air mieux » subjectif. - **Adapter le runtime au problème** — Responses + outils pour le contrôle, l’Agents SDK pour l’orchestration code-first, l’Agents API pour des agents cloud managés et durables. - **Exploiter en sécurité** — limites de débit et de dépense, modération, retries avec backoff, RBAC et contrôles réseau avant le lancement. Les mauvaises réponses tendent à : opter pour `gpt-6-astra` à l’effort `max` par défaut, sauter les évaluations et livrer au feeling, mettre toute la base de connaissances dans le prompt au lieu de récupérer, et traiter les préoccupations de production (limites, retries, résidence) comme le travail de quelqu’un d’autre. ## Répartition du temps suggérée (plan de 28 heures) | Domaine | Pondération | Heures | | --- | --- | --- | | The Responses API and Model Selection | 18 % | 6 | | Designing and Building Agentic Systems | 18 % | 6 | | Evaluating AI Applications | 16 % | 4,5 | | Retrieval-Augmented Generation | 16 % | 4,5 | | Scoping AI Solutions | 12 % | 3 | | Performance, Latency and Cost | 12 % | 2,5 | | Production Safety and Operations | 8 % | 1,5 | ## Checklist de préparation pratique Faites-les dans un vrai workspace API OpenAI — en lire ne vous apprend rien. - [ ] Faites un premier appel à la **Responses API** vers `gpt-5.6-terra`, puis relancez-le avec `store: true` et poursuivez la conversation en utilisant `previous_response_id`. - [ ] Ajoutez une **function** (outil) à une requête, gérez l’item de sortie `function_call` et renvoyez un `function_call_output` au tour suivant. - [ ] Demandez une **sortie structurée** avec un JSON Schema via `text.format` et confirmez que la réponse est valide au regard de celui-ci. - [ ] Exécutez la même tâche sur `gpt-5.6-luna`, `gpt-5.6-terra` et `gpt-5.6-sol` et notez la différence de qualité, de latence et de coût. - [ ] Construisez une petite **eval** : un jeu de données de 20 lignes, un grader, une exécution de référence, puis modifiez le prompt et confirmez que le grader attrape une régression. - [ ] Créez un **vector store**, téléversez trois documents et répondez à une question avec **file search**, puis lisez les citations qu’il renvoie. - [ ] Activez le **prompt caching** en conservant un long préfixe stable et mesurez la baisse du coût d’entrée mise en cache. - [ ] Montez un agent minimal de deux façons — l’**Agents SDK** en local et une session **Agents API** (`OpenAI-Beta: agents=v1`) — et comparez qui possède la boucle. - [ ] Ajoutez une **limite de dépense** et une **limite de débit** dans le dashboard et déclenchez un `429` volontairement, puis implémentez un backoff exponentiel. ## Pages de la piste 12 % 18 % 16 % 18 % 16 % 12 % 8 % 60 items chronométrés · diagnostic 60 items plus difficiles · test de préparation