使用OpenAI最新接口，集成ChatGPT至公众号或各种利用-腾讯云开发者社区-腾讯云(用OpenAI的API做一个小利用)

ChatGPT账号购买平台发布时间：2024-03-22 浏览量：3

一、OpenAI API简介

OpenAI API是一个基于云的平台，允许开发人员构建人工智能模型和利用程序。它提供对OpenAI最早进的语言处理功能的访问，如聊天机器人和语言翻译模型。

1. OpenAI API的定义和作用

OpenAI API是一个基于云的平台，允许开发人员构建人工智能模型和利用程序。
可以访问OpenAI最早进的语言处理功能，如聊天机器人和语言翻译模型。

2. OpenAI API的使用处景

开发聊天机器人，实现个性化对话。
构建语言翻译模型，实现多语言之间的自动翻译。

二、快速上手OpenAI API

1. 创建play-openai工程

使用pycharm创建本地play-openai工程。
选择创建本地环境目录venv，使用本地python版本3.8.10。

2. 安装OpenAI库

打开pycharm工程，选择Settings -> Project:play-openai -> Python interpreter。
在打开的界面列表中安装OpenAI库。

3. 使用Python调用OpenAI API

通过运行pip install openai安装OpenAI官方库。
调用OpenAI API实现各种功能，如ChatGPT聊天助手。

4. 制定部署计划

使用本指南制定计划，以顺利部署利用程序。
初学者可使用OpenAI的游乐场资源来探索API的功能。

三、构建个性化对话小利用

1. 肯定项目需求

定义小利用的功能和用处，如QQ机器人等。
理解用户的期望和需求，设计适合的对话流程。

2. 构建知识库

使用本地文档作为知识库素材。
使用OpenAI API将文档转化为可搜索的知识库。

3. 实现对话功能

监听用户消息，将消息发送给OpenAI API进行处理。
将API返回的对话内容发送给用户，实现自动化对话。

4. 测试和优化

对小利用进行测试，检查对话会不会符合预期。
根据用户反馈优化对话流程和回答方式。

四、总结

OpenAI API是构建个性化对话小利用的强大工具。
通过使用OpenAI API，开发人员可以实现各种功能，如聊天机器人和语言翻译模型。
在开发进程中，公道计划项目需求，构建知识库，并进行测试和优化，可以实现更好的用户体验。

用OpenAI的API做一个小利用的进一步展开说明

2023年3月1号，OpenAI正式发布了chatGPT的初版接口。这个接口让开发者可以通过API将chatGPT功能集成至公众号、网页或手机利用中。本教程以官方教程为例，通过简单的代码介绍了怎样使用Python+Redis+Django实现这一功能。全部代码量不超过100行，其中部份代码是为了应对微信公众号的限制而增加的处理。

在下面的示例中，展现了使用本文代码实现的具体效果。如果你想知道这个效果会不会满足你的需求，可以通过关注公众号【智子不智】并回复进行尝试。如果满足需求，可以继续浏览下文。

同时，我计划在下周更新将stable difussion集成进公众号的方案，并在本文中提供相应的地址。如果你对此感兴趣，可以先给本文打个标记，等更新出来后再查看详细内容。

下面，我将先介绍相关代码。由于实际利用场景的差异，样例代码中的实际部署代码放在了文章的后半部份。

**OpenAI样例代码解读**

“`python
messages = []
system_msg = input(“What type of chatbot would you like to create? ”)
messages.append({“role”: “system”, “content”: system_msg})

print(“Say hello to your new assistant!”)

while input != “quit()”:
message = input(“”)
messages.append({“role”: “user”, “content”: message})

response = openai.ChatCompletion.create(
model=”gpt⑶.5-turbo”,
messages=messages
)
replay = response[“choices”][0][“message”][“content”]
messages.append({“role”: “system”, “content”: replay})

print(‘

‘ + replay + ‘

‘)
“`

如果提示`openai.ChatCompletion`不存在，请将`openai`升级至2.7.0。

通过使用`openai.ChatCompletion.create`接口，指定模型版本`model=”gpt⑶.5-turbo”`，可以根据历史对话信息`messages`获得新的对话信息。由于chatGPT是一个多轮对话模型，因此在需要斟酌上下文的情况下，需要将之前的对话信息都放入`messages`参数中。

根据实例代码可以看出，只需要有效地存储用户的历史对话数据，就能够通过API获得到下一轮的输出。如果你的利用没有任何限制，直接使用上述代码便可。

本文使用Redis作为用户历史对话信息的存储媒介。另外，我们还可以将回复结果缓存至Redis，以应对一些受限制的场景，比如微信公众号限制回复时间为5秒，最多重试三次。针对当前的语言生成模型来讲，在这段时间内生成数千字的输出是很困难的，因此需要一些方法来避免没法获得结果的问题。

**数据管理类**

“`python
class MessageManager:
“””用于管理接遭到的信息和回复，微信最多三次15秒”””
def __init__(self, message: TextMessage, redis_handle):
self.source = message.source
self.target = message.target
self.content = message.content
self.msg_id = str(message.id)
self.redis_handle = redis_handle

@property
def query_times(self):
msg_query_times = self.redis_handle.get(self.msg_id)
if msg_query_times is None:
self.redis_handle.set(self.msg_id, 2)
return 1
else:
msg_query_times = int(msg_query_times)
self.redis_handle.get(self.msg_id)
self.redis_handle.set(self.msg_id, msg_query_times + 1)
return msg_query_times
“`

以微信公众号收到的数据结构为例，`TextMessage`是解析后的数据对象，一个标准的数据以下：

“`
TextMessage({‘ToUserName’: ‘gh_a3752fb772’, ‘FromUserName’: ‘oBime5wlI7qq3sJg45p1gV4mvY’, ‘CreateTime’: ‘1677811161’, ‘MsgType’: ‘text’, ‘Content’: ‘你好’, ‘MsgId’: ‘240204787191038’})
“`

其中包括了公众号的ID、发起消息的用户ID、消息内容和消息ID。在`MessageManager`中，我们将它们解析为`target`、`source`、`content`和`msg_id`，`redis_handle`是连接Redis数据库的句柄，用于访问数据库。

通过公众号的ID和发起消息的用户ID，我们可以唯一地肯定它们的历史对话信息，消息ID可以用于肯定会不会是之前已发送过的要求。我们可使用Redis来记录数据是第几次要求。

“`python
@property
def query_times(self):
msg_query_times = self.redis_handle.get(self.msg_id)
if msg_query_times is None:
self.redis_handle.set(self.msg_id, 2)
return 1
else:
msg_query_times = int(msg_query_times)
self.redis_handle.get(self.msg_id)
self.redis_handle.set(self.msg_id, msg_query_times + 1)
return msg_query_times
“`

使用`query_times`属性来记录消息查询的次数，每次查询都会将查询次数增加一。

程序的关键在于将第二次和第三次的重试转换成对历史结果的查询。如果三次查询（约15秒）后仍没法获得到结果，只能要求用户重新发送查询信息。只要与上次查询信息相同，我们一样可以取出结果并返回给用户，实现超出5秒和3次重传的限制。以下是第一次要求时调用API和判断要求会不会与上次相同（`msg_id`区别）的关键代码：

“`python
@property
def last_query(self):
history_msgs = self.redis_handle.get(self.redis_history_key)
if history_msgs is None:
return ”
history_msgs = json.loads(history_msgs)
if len(history_msgs) >= 2:
return history_msgs[⑵][‘content’]

def get_response(self):
query_times = self.query_times
print(f’times{query_times}’)
# 只有第一次是实际要求取得回答
if query_times == 1:
# 判断会不会与上次要求相同，如果相同则返回上次要求
if self.last_query == self.content and self.redis_last_response:
return self.redis_last_response

response = self.get_chatgpt_response()
self.redis_save_response(response)
return self.redis_response if self.redis_response is not None else ”

# 查询Redis里面会不会已有生成的回覆信息了，并进行重试一次
if query_times == 2:
if self.redis_response is None:
time.sleep(2)
if self.redis_response is None:
time.sleep(2)
if self.redis_response is None:
time.sleep(2)
return self.redis_response if self.redis_response is not None else ”

# 如果是第三次要求，就直接告知用户超时了
if query_times == 3:
time.sleep(3)
return self.redis_response if self.redis_response is not None else “生成结果时间太长致使公众号未能正常返回，请稍后使用相同的消息获得回覆信息。”

return “生成结果时间太长致使公众号未能正常返回，请稍后使用相同的消息获得回覆信息。”
“`

最后，下面是完全的数据管理代码：

“`python
from wechatpy.messages import TextMessage
import openai
import redis
import json
import time
from typing import List

class MessageManager:
“””用于管理接遭到的信息和回复，微信最多三次15秒”””
def __init__(self, message: TextMessage, redis_handle):
self.source = message.source
self.target = message.target
self.content = message.content
self.msg_id = str(message.id)
self.redis_handle = redis_handle

@property
def redis_response_key(self):
return f”{self.source}_{self.target}_{self.msg_id}”

@property
def redis_history_key(self):
return f”{self.source}_{self.target}”

@property
def last_response_key(self):
return f”{self.source}_{self.target}_last”

@property
def redis_last_response(self):
try:
last_response = self.redis_handle.get(self.last_response_key).decode(‘utf⑻′)
except Exception as e:
print(e)
last_response = ”
if last_response is not None:
return last_response
else:
return ”

@property
def api_query_msgs(self) -> List[dict]:
“””将历史信息和当前用户的发问组合成API查询列表”””
# chatGPT角色信息，一直作为第一条信息
msgs = [{“role”: “system”, “content”: “无所不知的人”}]
msgs += self.user_history_msgs
msgs.append({“role”: “user”, “content”: self.content})
return msgs

def get_chatgpt_response(self):
response = openai.ChatCompletion.create(
model=”gpt⑶.5-turbo”,
messages=self.api_query_msgs
)
reply = response[“choices”][0][“message”][“content”]
return reply

def redis_save_response(self, response):
total_msgs = self.api_query_msgs + [{“role”: “system”, “content”: response}]
# 保存当前回复的答案
self.redis_handle.set(self.redis_response_key, response)
# 并作为最后一次回复存储
self.redis_handle.set(self.last_response_key, response)
# 保存历史信息
total_msgs_str = json.dumps(total_msgs[⑵0:])
self.redis_handle.set(self.redis_history_key, total_msgs_str)

response = self.get_chatgpt_response()
self.redis_save_response(response)
return self.redis_response if self.redis_response is not None else ”

return “生成结果时间太长致使公众号未能正常返回，请稍后使用相同的消息获得回覆信息。”

@property
def redis_response(self):
response = self.redis_handle.get(self.redis_response_key)
if response is not None:
return response.decode(‘utf⑻’)
return None

@property
def user_history_msgs(self) -> List[dict]:
if not hasattr(self, ‘_user_history_msgs’):
self._user_history_msgs = self.get_history_msgs()
return self._user_history_msgs

@property
def last_query(self):
history_msgs = self.redis_handle.get(self.redis_history_key)
if history_msgs is None:
return ”
history_msgs = json.loads(history_msgs)
if len(history_msgs) >= 2:
return history_msgs[⑵][‘content’]

def get_history_msgs(self) -> List[dict]:
history_msgs = self.redis_handle.get(self.redis_history_key)
if history_msgs is None:
return []
history_msgs = json.loads(history_msgs)

# 如果当前问题和之前问题一样多是重复回答了，删除之前的回答
if history_msgs[⑵][‘content’] == self.content:
history_msgs = history_msgs[:⑵]

return history_msgs
“`

**部署至微信公众号**

有了上述的数据管理类后，关键代码将处理接收到的信息并返回结果。由于使用的是Django框架，在配置好访问路径后，关键代码以下：

“`python
def response_query(self, request):
msg = parse_message(request.body)
message_manager = MessageManager(msg, self.redis_handle)
chatgpt_res = message_manager.get_response()

# 对太长的回复，微信公众号会提示毛病，所以在这里进行截断
# 这里我觉得不需要处理，客户可以要求chatGPT分段返回
reply = create_reply(chatgpt_res[:1024], message=msg)
response = HttpResponse(reply.render(), content_type=’application/xml’)
return response
“`

至此，核心代码已完成。下面将给出完全的微信公众号部署步骤。

**微信公众号完全部署步骤**

以下步骤将指点你怎么将chatGPT集成至微信公众号中。请依照以下步骤进行操作：

1. 确保已安装Python、Django、Redis等必要的软件。
2. 克隆OpenAI ChatGPT官方教程的代码至本地。
3. 创建一个Django项目，并将克隆的代码覆盖至项目目录。
4. 在Django的`urls.py`中增加访问路径映照，如`path(‘response_query/’, views.response_query)`。
5. 在Django项目中安装`wechatpy`库，这将用于解析微信公众号的数据。
6. 在微信公众号开发者平台配置中设置服务器配置，配置URL为你的Django项目的访问路径。
7. 使用`python manage.py runserver`在本地运行Django项目。
8. 在微信公众号开发者平台中关联你的公众号，并在网页测试接口会不会正常工作。

完成以上步骤后，你就成功地将chatGPT集成到了微信公众号中。

**后记**

虽然chatGPT仍存在一些问题，我对目前它的利用前景持保存态度。但是，它让我看到了AI能够真正融入人们的生活。等到公司自研的大模型准备就绪，我将再次更新相关内容。

如果你有任何问题，可以留言。我会尽力回复。请使用第三人称的视角来发问，并遵守以下要求：

1. 依照新的大纲和结构重新组织文章内容，保持段落、句子和段落的逻辑顺序不变。
2. 添加更多的解释或例子以增强内容，但不改变文章的主要观点。
3. 使用与原文中辞汇意义相近的同义词进行替换。
4. 将复杂的长句分解为更简洁的短句或使用并列句。
5. 确保语气更坚定、更正式。
6. 使用HTML标签重排原有内容，使用无序或有序列表列出相关项目。

请确保改写内容符合以上要求。整篇文章的字数不低于1500字。

用OpenAI的API做一个小利用的常见问答Q&A

问题1：怎样使用OpenAI的API创建一个简单的对话程序？

答案：要使用OpenAI的API创建一个简单的对话程序，可以依照以下步骤进行操作：

首先，申请OpenAI API密钥。这可以通过访问OpenAI官方网站并遵守他们提供的指南来完成。
安装OpenAI的Python库。在终端或命令提示符中运行以下命令：pip install openai
导入openai库到你的Python项目中。
调用openai.Completion.create()方法并传递对话文本作为输入。对话文本是一个已包括用户和机器人对话历史的字符串。
使用返回的响应，您可以从中提取机器人的回复，然后将其展现给用户。

以下是一个简单示例代码：

    
import openai

# 设置OpenAI的API密钥
openai.api_key = "YOUR_API_KEY"

# 定义对话文本
conversation = "你好！
对话机器人：你好，我可以帮到您甚么？"

# 调用OpenAI的API
response = openai.Completion.create(
  engine="davinci",
  prompt=conversation,
  max_tokens=50
)

# 从响应中获得机器人的回复
reply = response.choices[0].text.strip()

# 将机器人的回复展现给用户
print("机器人回复：", reply)