代码收藏家 【教程分享】使用Python记录GPT API的完整过程
【一文系列】一篇文章记录gpt API的使用过程（python版）
“一文系列”目标是仅通过一篇文章来解决一个类别问题，简洁高效，快速获取知识，提升技能。
文章目录
前言
让我们开始吧！！！
自然语言处理（NLP）作为人工智能领域的关键技术之一，正在以迅猛的步伐发展。OpenAI的GPT系列模型一直是NLP领域的领军者，为我们带来了许多令人惊叹的进展。也为开发者提供了无与伦比的自然语言处理能力。本文将探讨ChatGPT API的背景，并以python语言为例，基于gpt-3.5-turbo-0613模型进行API调用、小例子、进阶使用等方面的讨论，帮助读者能够了解如何利用AI来创造程序开发的新时代。
一、背景介绍
就在前些时间，openai推出了gpt-3.5-turbo-0613和gpt-3.5-turbo-16k这两款为开发者提供更强大和多样化的自然语言处理模型，在gpt-3.5-turbo模型的基础上进一步缩短了单次访问的响应时间，并扩展了模型的应用范围。
作为大语言模型，gpt的功能远不止进行智能聊天那么简单，如果能够借助AI的力量来实现我们日常开发中比较棘手的问题，那才是AI真正能为开发人员进行赋能的价值，基于以上思考，本文将从简单的gpt API使用作为入口，并通过案例来展示gpt模型在NLP领域的前瞻性意义以及能为开发人员带来的无限可能。
二、gpt API的代码调用
1. 环境准备
（1）python3环境: 本文在进行gpt API的使用上是直接基于python3的openai模块进行的，所以应该确保操作系统中按照了python3环境，python3的安装这里不再过多陈述，具体的安装方法请参考python官网。
（2）openai API key: 需要去openai官网上申请API key。
（3）外网访问条件：openai api的访问服务目前还没有向国内提供，在进行调用时需要通过技术手段进行科学上网，或是在国外vps服务器上访问，推荐使用第二种方案，第一种会有被封号的可能。
（4）openai python模块：安装好python3环境后可以使用以下2种命令安装openai模块
使用pip工具
pip3 install openai
使用conda工具
# 需要安装conda环境
conda install openai
2. 环境验证
完成上述的环境准备，就可以上手进行openai模块的调用，可以使用以下代码来验证环境的可用性。
将api key写入环境变量，不推荐以明文方式在代码中出现
export OPENAI_API_KEY="<OPENAI_API_KEY>"
环境验证代码
import openai
import os
# 从环境变量中读取openai api key
openai.api_key = os.getenv('OPENAI_API_KEY')
resp = openai.ChatCompletion.create(
model = 'gpt-3.5-turbo-0613',
messages = [{'role': 'system', 'content': 'hello'}],
timeout = 30,
n = 1
)
print(resp)
当有如下输出后说明环境验证成功，接下来就可以享受AI带来的乐趣了。
3. 简单参数说明
（1）请求参数
model: 模型的名称，这里调用gpt-3.5-turbo-0613模型。messages: 消息上下文列表，使用数组表示，数组的元素表示一次会话消息，其中role属性表示当前会话的角色，包括：system、user和assistant。system表示系统消息，user表示模型使用者，assistant表示gpt机器人；content属性表示当前会话的内容，未来提交给gpt的提示词就是这个属性。timeout: 会话超时时间，单位为秒。n: 希望gpt给出回答的数目，会影响gpt响应中的choices数组长度，默认为1，一般使用默认值即可。
（2）响应参数
choices: gpt模型做出的回答的对象数组，数组长度为请求参数中的n。choices对象的各个属性如下：
finish_reason: 模型对于此次会话结束的原因，分别为stop、length、max_tokens，其中stop正常结束，后面两项分别为是因为达到了最大内容长度和最大token而异常结束。index: 在choices数组中的索引。message: 会话消息对象，包括如下属性：
content: 消息内容，即gpt模型给出的回答内容。role: gpt模型所扮演的角色，一般固定为assistant。created: 请求的时间戳。id: 请求id。model: 模型名称，与请求中的model参数一致。object: 返回的对象类型（例如：chat.completion）usage: token的利用量，包括：completion_tokens：模型完成会话所利用的token量。prompt_tokens：提示词利用的token量。total_tokens：总共利用的token量，即completion_tokens与prompt_tokens的累加和。
上述列出的是平时开发中最为常用的参数，更多参数请参考openai官方文档。
三、牛刀小试：利用gpt API实现加法器
完成环境的构建，就可以借助gpt API进行一些有趣的实验，在这一部分将以实现一个简单的加法器作为切入点，并总结了本人在使用gpt API时的步骤和心得。
1. 创建任务提示词
提示词（prompt）在使用gpt这种生成式大语言模型中至关重要，好的提示词可以清晰的让AI理解功能需求，并能够对输入输出格式进行把控。本人在构建提示词时习惯从以下方面来考虑：
（1）背景：描述需求场景，让gpt能够理解我们的需求。
（2）输入格式：给出我们提供给gpt的输入格式，并对必要部分进行说明，让gpt能够更有目的的提前我们给出的提问。
（3）输出格式：这部分至关重要，在不规定输出格式时，gpt给出的回答格式是没有规则的，我们很难对结果进行目的性提取。因此需要严格规定gpt的输出格式，这一点就类似于我们日常的api接口开发，需要对期望结果指定返回格式，对于gpt模型而言道理同理。
（4）示例：对于较为复杂的需求可能只通过背景的描述还不足够让gpt所理解，所以需要给出1到多个示例，就类似于我们在做算法题一样，这样可以让gpt给出的结果更加精准。
（5）要求：给出gpt一些要求去限制其回答，例如异常处理，格式控制等。
（6）任务：明确需求任务，让gpt作为执行引擎来完成我们的目标需求。
（7）确认：用于确认gpt能否理解我们的需求，同时也作为模型预处理阶段gpt给我们的反馈，只有经过确认的模型我们才可以开始之后的交互操作。
基于上述说明，为了gpt能够实现加法器需求，可以给出类似如下的提示词：
sum.prompt（我习惯于将提示词文件命名为.prompt后缀，只是为了方便识别)
-- 背景
加法功能是我们常用的功能，可以将两个数字进行相加并求和，请按照以下要求完成数字求和的操作。
-- 输入格式
\input: [方括号内为数字1], [方括号内为数字2]
（说明：输入必须以"\input: "字符串作为开头，后面是两个数字类型参数
-- 输出格式
\output: [方括号内为数字1 + 数字2的结果]
（说明：输出必须以"\output: "字符串作为开头，后面是输入的两个数字类型的累加和
-- 示例
-- 我的输入：
\input: 1, 2
-- 你的输出：
\output: 3
-- 要求
1. 请校验输入格式，不满足输入格式的字符串按照错误情况处理，错误情况请只回答"error"；
2. 请严格按照输出的格式进行回答；
-- 任务
请严格按照上述内容和要求根据我的输入做出相应回答，请只按照输出格式回答，拒绝其他描述性文字。
-- 确认
如果了解了上述要求，请只回答”yes“
2. 代码示例
import openai
import os
openai.api_key = os.getenv("OPENAI_API_KEY")
model_name = 'gpt-3.5-turbo-0613'
# 加载提示词文件并获取提示词
with open('./sum.prompt', 'r', encoding='utf-8') as f:
prompt = f.read()
def gpt_sum(val1: int, val2: int):
# 首先给出gpt任务提示词
messages = [{'role': 'system', 'content': prompt}]
# 模拟gpt的确认响应，后续可以直接以user角色给出gpt问题
messages.append({'role': 'assistant', "content": 'yes'})
# 以user角色给出gpt问题
user_input = f"\input: {val1}, {val2}"
messages.append({'role': 'user', 'content': user_input})
gpt_resp = openai.ChatCompletion.create(
model=model_name,
messages=messages,
timeout=30
)
if gpt_resp.choices and gpt_resp.choices[0]:
resp_str: str = gpt_resp.choices[0].message.content
if resp_str and resp_str.startswith('\output: '):
return int(resp_str[len('\output: '):].strip())
raise Exception(
f'Failed to get available response from gpt, resp_str={resp_str}')
if __name__ == '__main__':
terminal_input = input("Please give two integers, split by comma: ")
inputs: list[str] = terminal_input.split(',')
if len(inputs) < 2:
raise Exception("Invalid input, Please give two integers, split by comma")
val1 = int(inputs[0].strip())
val2 = int(inputs[1].strip())
print(f"result = {gpt_sum(val1, val2)}")
3. 运行并测试
以下是执行结果：
4. 注意点
在实验中测试发现gpt对于输入格式的校验存在误判的情况，一般是会将错误的输入格式理解为正确的，但几乎没有出现将正确的输入格式理解为错误的情况；另外一般gpt能够将与规定输入格式相差较大的输入正确判断。以下是对上述观点的测试代码
gpt对与输入格式误判
import openai
import os
openai.api_key = os.getenv("OPENAI_API_KEY")
model_name = 'gpt-3.5-turbo-0613'
if __name__ == '__main__':
# 加载提示词文件并获取提示词
with open('./sum.prompt', 'r', encoding='utf-8') as f:
prompt = f.read()
# 首先给出gpt任务提示词
messages = [{'role': 'system', 'content': prompt}]
# 模拟gpt的确认响应，后续可以直接以user角色给出gpt问题
messages.append({'role': 'assistant', "content": 'yes'})
# 以下的用户输入不满足提示词格式
user_input = "2, 3"
messages.append({'role': 'user', 'content': user_input})
gpt_resp = openai.ChatCompletion.create(
model=model_name,
messages=messages,
timeout=30
)
# gpt仍然将非法的输入格式理解为正确的，并能给出答案
misjudgement_content= gpt_resp.choices[0].message['content']
print(misjudgement_content)
messages.append({'role': 'assistant', 'content': misjudgement_content})
# 给出一个更加离谱的输入，一般这种情况gpt能够正确给出判断
messages.append({'role': 'user', 'content': "错误的输入"})
gpt_resp = openai.ChatCompletion.create(
model=model_name,
messages=messages,
timeout=30
)
correct_judgment = gpt_resp.choices[0].message['content']
# 能够正确给出校验结果
print(correct_judgment)
结果如下，可以发现gpt对于第一次的user输入未能给出正确的校验：
总结：最好在使用时使用我们自己的程序对异常输入进行提前校验，防止gpt的误判已经可能对gpt带来的干扰。
四、进阶案例：利用gpt API实现交互式翻译器
有了上述的尝试经验，可以利用gpt做一些更加复杂的尝试，毕竟单纯使用gpt作为累加器来说实属大材小用。在这部分将借助gpt来实现一个终端交互式的翻译器。
实际上这部分的区别主要在于提示词的创建，另外考虑到gpt对于请求速率会有限制，在请求时增加了指数退避重试机制，来提高功能的可用。
按照第三部分的步骤进行如下的操作：
1. 创建任务提示词
translator.prompt
-- 背景
需要实现将非中文语言（例如：英文、日文、韩文等）翻译成中文的功能。
-- 输入格式
{
”source": [方括号内是需要被翻译的文字内容，字符串类型]
}
(说明：输入是json格式，包含一个source属性)
-- 输出格式
{
"success": [方括号内表示此次功能是否成功，值为布尔类型，成功为true, 失败为false]
"translation": [方括号内是将输入内容翻译为中文的文字内容，字符串类型，当且仅当success为true时有值]
"reason": [方括号内是错误信息，字符串类型，当且仅当success为false时有值]
}
(说明：输出是json格式，包含success和translation属性)
-- 示例1
-- 我的输入
{
"source": "Try it yourself. It was fun!"
}
-- 你的回答
{
"success": true,
"translation": "试试看吧，这很有趣！"
}
-- 示例2
-- 我的输入
{
"source": "楽しみに待っています。"
}
-- 你的回答
{
"success": true,
"translation": "我正在期待地等待。"
}
-- 示例3
-- 我的输入
{
"wrong_attr": "wrong attribute"
}
-- 你的回答
{
"success": false,
"reason": "输入格式错误"，
}
-- 要求
1. 请校验输入格式，不满足输入格式的字符串按照错误情况处理；
2. 请严格按照输出的json格式进行回答；
-- 任务
请严格按照上述内容和要求根据我的输入做出相应回答，请只按照输出内容回答，拒绝其他描述性文字。
-- 确认
如果了解了上述要求，请只回答”yes“
2. 代码示例
import jsonpickle
import openai
import os
import time
openai.api_key = os.getenv("OPENAI_API_KEY")
model_name = 'gpt-3.5-turbo-0613'
with open('./translator.prompt', 'r', encoding='utf-8') as f:
prompt = f.read()
class ChatGpt(object):
__init_interval = 2
__max_internal_exponent = 5
def __init__(self, model: str, messages: list, timeout: int = 30, max_retries: int = 3):
self.model = model
self.messages = messages
self.timeout = timeout
self.max_retries = max_retries
def response(self):
retry_time = 0
# 进行指数退避重试
while True:
try:
return openai.ChatCompletion.create(
model=self.model,
messages=self.messages,
timeout=self.timeout
)
except openai.error.RateLimitError as e:
interval = self.__init_interval * \
(1 << min(self.__max_internal_exponent, retry_time))
print(
f"[warning]: Slepp {interval}s and retry due to rate limitation")
time.sleep(interval)
retry_time += 1
def translate(content: str):
messages = [{'role': 'system', 'content': prompt}]
messages.append({'role': 'assistant', "content": 'yes'})
messages.append({'role': 'user', 'content': jsonpickle.encode({
"source": content
}, indent=True)})
gpt = ChatGpt(model=model_name, messages=messages)
gpt_resp = gpt.response()
if gpt_resp.choices and gpt_resp.choices[0]:
resp = gpt_resp.choices[0].message.content
resp_obj = jsonpickle.decode(resp)
if True is resp_obj['success']:
return resp_obj['translation']
else:
if False is resp_obj['success'] and resp_obj['reason']:
raise Exception(resp_obj['reason'])
return None
if __name__ == '__main__':
while True:
source = input("Please input, enter Q to quit: ")
if source == 'Q':
print('Bye!')
break
print(f">>> {translate(source)}")
3. 运行并测试
以下是执行结果：
上述测试分别使用英文、日文和法文进行了测试，实际发现gpt模型更倾向于欧美语言的翻译，对于其他地区的翻译有时会出现不太准确的情况，不过可以证实gpt已经可以很好的完整我们既定的需求了。
总结
一文总结
通过本篇文章，可以帮助读者了解ChatGPT API的背景和代码调用方式。同时，我们探索了API的小例子和进阶使用技巧。ChatGPT API为开发者带来了更多可能性，我们期待在不同领域看到更多创新和应用。
最后希望笔者的文章能给大家带来帮助，内容方面如有不足之处也希望大家多多给出意见和建议，让我们共同进步！！！
示例代码地址：gitee
作者：一期一会君
