ChatGPT API 调用：构建自己的对话机器人

admin管理员组

文章数量:1130349

ChatGPT API 调用：构建自己的对话机器人

以下是构建自定义对话机器人的完整指南，包含关键步骤和实现代码：

---

1. 准备工作

• 获取API密钥
  登录OpenAI平台，创建API密钥（格式：sk-xxxxxxxxxx）。
• 安装依赖库
  使用Python环境安装官方库：

  pip install openai
  

---

2. 核心代码实现

import openai

# 配置API密钥
openai.api_key = "sk-xxxxxxxxxx"  # 替换为你的实际密钥

def chat_with_gpt(prompt):
    """
    调用ChatGPT API生成对话响应
    :param prompt: 用户输入文本
    :return: AI生成的回复
    """
    response = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",  # 指定模型
        messages=[
            {"role": "system", "content": "你是一个乐于助人的助手"},
            {"role": "user", "content": prompt}
        ],
        temperature=0.7,  # 控制创造性（0-2）
        max_tokens=150     # 限制回复长度
    )
    return response.choices[0].message['content']

# 示例调用
user_input = "如何学习Python？"
print(chat_with_gpt(user_input))

---

3. 关键参数说明

参数	作用	推荐值
model	选择模型版本	gpt-3.5-turbo
temperature	响应随机性：值越高越有创意	0.5-1.0
max_tokens	限制回复长度（1 token≈0.75单词）	100-200
role: system	定义AI的初始角色设定	自定义指令

---

4. 进阶功能实现

① 多轮对话上下文

conversation_history = []  # 存储对话历史

def chat_with_context(user_input):
    conversation_history.append({"role": "user", "content": user_input})
    
    response = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=conversation_history,
        temperature=0.8
    )
    
    ai_reply = response.choices[0].message['content']
    conversation_history.append({"role": "assistant", "content": ai_reply})
    return ai_reply

② 流式响应（实时输出）

response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[...],
    stream=True  # 启用流式传输
)

for chunk in response:
    print(chunk.choices[0].delta.get("content", ""), end="")

---

5. 部署建议

• Web应用集成
  使用Flask/Django构建API接口：

  from flask import Flask, request
  app = Flask(__name__)
  
  @app.route('/chat', methods=['POST'])
  def chat_api():
      user_input = request.json.get('message')
      return {'reply': chat_with_gpt(user_input)}
  

• 前端交互
  通过JavaScript调用API：

  fetch("/chat", {
    method: "POST",
    headers: {"Content-Type": "application/json"},
    body: JSON.stringify({message: "你好！"})
  })
  

---

6. 成本优化

• 使用gpt-3.5-turbo替代gpt-4（1/10价格）
• 设置max_tokens避免长回复
• 监控API用量：

  print(response.usage)  # 输出: total_tokens=85
  

提示：完整项目示例参考OpenAI Cookbook

ChatGPT API 调用：构建自己的对话机器人

以下是构建自定义对话机器人的完整指南，包含关键步骤和实现代码：

---

1. 准备工作

• 获取API密钥
  登录OpenAI平台，创建API密钥（格式：sk-xxxxxxxxxx）。
• 安装依赖库
  使用Python环境安装官方库：

  pip install openai
  

---

2. 核心代码实现

import openai

# 配置API密钥
openai.api_key = "sk-xxxxxxxxxx"  # 替换为你的实际密钥

def chat_with_gpt(prompt):
    """
    调用ChatGPT API生成对话响应
    :param prompt: 用户输入文本
    :return: AI生成的回复
    """
    response = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",  # 指定模型
        messages=[
            {"role": "system", "content": "你是一个乐于助人的助手"},
            {"role": "user", "content": prompt}
        ],
        temperature=0.7,  # 控制创造性（0-2）
        max_tokens=150     # 限制回复长度
    )
    return response.choices[0].message['content']

# 示例调用
user_input = "如何学习Python？"
print(chat_with_gpt(user_input))

---

3. 关键参数说明

参数	作用	推荐值
model	选择模型版本	gpt-3.5-turbo
temperature	响应随机性：值越高越有创意	0.5-1.0
max_tokens	限制回复长度（1 token≈0.75单词）	100-200
role: system	定义AI的初始角色设定	自定义指令

---

4. 进阶功能实现

① 多轮对话上下文

conversation_history = []  # 存储对话历史

def chat_with_context(user_input):
    conversation_history.append({"role": "user", "content": user_input})
    
    response = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=conversation_history,
        temperature=0.8
    )
    
    ai_reply = response.choices[0].message['content']
    conversation_history.append({"role": "assistant", "content": ai_reply})
    return ai_reply

② 流式响应（实时输出）

response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[...],
    stream=True  # 启用流式传输
)

for chunk in response:
    print(chunk.choices[0].delta.get("content", ""), end="")

---

5. 部署建议

• Web应用集成
  使用Flask/Django构建API接口：

  from flask import Flask, request
  app = Flask(__name__)
  
  @app.route('/chat', methods=['POST'])
  def chat_api():
      user_input = request.json.get('message')
      return {'reply': chat_with_gpt(user_input)}
  

• 前端交互
  通过JavaScript调用API：

  fetch("/chat", {
    method: "POST",
    headers: {"Content-Type": "application/json"},
    body: JSON.stringify({message: "你好！"})
  })
  

---

6. 成本优化

• 使用gpt-3.5-turbo替代gpt-4（1/10价格）
• 设置max_tokens避免长回复
• 监控API用量：

  print(response.usage)  # 输出: total_tokens=85
  

提示：完整项目示例参考OpenAI Cookbook

本文标签： 自己的机器人ChatGptapi