当前位置:首页> AI教程> 探索GPT API的背景和使用方法

探索GPT API的背景和使用方法

释放双眼,带上耳机,听听看~!
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。

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。

探索GPT API的背景和使用方法

3. 简单参数说明

(1)请求参数

  1. model: 模型的名称,这里调用gpt-3.5-turbo-0613模型。
  2. 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:systemuserassistant。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。
  3. timeout: 会话超时时间,单位为秒。
  4. 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

  1. 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stoplengthmax_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
  1. created: 请求的时间戳。

  2. id: 请求id。

  3. model: 模型名称,与请求中的model参数一致。

  4. object: 返回的对象类型(例如:chat.completion)

  5. 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:

探索GPT API的背景和使用方法

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:

探索GPT API的背景和使用方法

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:

探索GPT API的背景和使用方法

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

本网站的内容主要来自互联网上的各种资源,仅供参考和信息分享之用,不代表本网站拥有相关版权或知识产权。如您认为内容侵犯您的权益,请联系我们,我们将尽快采取行动,包括删除或更正。
AI教程

LLMs在2022年的巨大进展和未来展望

2023-11-21 19:56:14

AI教程

LLama2.c编译成Wasm在WasmEdge上运行的实现方法

2023-11-21 20:07:14

个人中心
购物车
优惠劵
今日签到
有新私信 私信列表
搜索