chatgpt api的使用以及简易python模板

原文：https://lglightflow.github.io/ 可能会有错误和纰漏，欢迎指正；

1.快速安装

快速概括一下安装步骤：（假设已经有python）
在cmd或shell中：

pip install openai
setx OPENAI_API_KEY "这里填上api"

现在通过代码来跟chatgpt进行对话：

from openai import OpenAI
client = OpenAI()

response = client.chat.completions.create(
  model="gpt-3.5-turbo",
  messages=[
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": "帮我把“你好”翻译为英文"},
  ]
)
print(response.choices[0].message.content)
print(response)

输出：

输出response的内容，可以分析一下其结构：

ChatCompletion(
    id='chatcmpl-8Sh2mR0pjDRqkmV9As', 
    choices=[Choice(finish_reason='stop', 
                index=0,
                message=ChatCompletionMessage(content='"你好"在英语中可以翻译为"Hello"或"Hi"。这两种表达方式都是常见且通用的问候方式。',
            role='assistant', 
            function_call=None,
            tool_calls=None))],
    created=1701836,
    model='gpt-3.5-turbo-0613',
    object='chat.completion', 
    system_fingerprint=None, 
    usage=CompletionUsage(completion_tokens=43, prompt_tokens=77, total_tokens=120))

如果对网络编程的同学熟悉的话，应该很容易上手，其实与创建请求和获取响应是一个道理：
请求由client.chat.completions.create方法中填入的参数所构建，响应则是上述提到的response中的内容；

请求request

先来看请求：

response = client.chat.completions.create(
  model="gpt-3.5-turbo",
  messages=[
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": "帮我把“你好”翻译为英文"},
  ]
)

最重要的是messages参数，每一条message都要有一个角色role（系统system、用户user、助理assistant），并且要有内容(content)，即在网页版chatgpt发送给gpt的对话；
通过messages可以更好地调教gpt，例如我将assitant的内容改为：

"system", "content": "You are a helpful and purdent and Courtesy assistant."

输出变为:

如果要使chatgpt有记忆，就要通过assistant来告诉chatgpt上一步的结果.
我们换个例子，让chatgpt记住一个数字并告诉我们数字是什么：

from openai import OpenAI
client = OpenAI()

response = client.chat.completions.create(
  model="gpt-3.5-turbo",
  messages=[
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": "请记住这个数字：7"},
  ]
)
print(response.choices[0].message.content)
print("\n\n\n")

response2 = client.chat.completions.create(
  model="gpt-3.5-turbo",
  messages=[
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": "请记住这个数字：7"},
    {"role": "assistant", "content": response.choices[0].message.content},
    {"role": "user", "content": "我告诉你的数字是？"},
  ]
)
print(response2.choices[0].message.content)

不过感觉这样挺浪费token的

3.响应response

回到上文提到的响应体：

ChatCompletion(
    id='chatcmpl-8Sh2mR0pjDRqkmV9As', 
    choices=[Choice(finish_reason='stop', 
                index=0,
                message=ChatCompletionMessage(content='"你好"在英语中可以翻译为"Hello"或"Hi"。这两种表达方式都是常见且通用的问候方式。',
            role='assistant', 
            function_call=None,
            tool_calls=None))],
    created=1701836,
    model='gpt-3.5-turbo-0613',
    object='chat.completion', 
    system_fingerprint=None, 
    usage=CompletionUsage(completion_tokens=43, prompt_tokens=77, total_tokens=120))

参数含义：
finish_reason:有stop、length、function_call、content_filter、null

1. stop: api返回了完整的信息；
2. length: 说明max_tokens参数调的太小，或本身的token数不够用；
3. function_call：模型决定调用函数
4. content_filter: 由于内容过滤器的标记而省略了内容
5. null: 仍在响应或者响应失败

其他参数回头总结

4.管理token

chatgpt有一个类似分词的系统计算tokens,将句子或单词分割,分割出的单词总数量则为token的数量.
官方的例子:“ChatGPT is great!“编码为6个tokens:[“Chat”, “G”, “PT”, " is”, " great”, “!”].
一次对话的tokens总数为请求与响应的messages的总数.可以通过usage查看使用tokens总数:
代码:

print(response2.usage)

在提交请求前计算tokens:

先安装tiktoken:

pip install tiktoken

安装后通过tiktoken进行编码,计算tokens
完整python代码:

def num_tokens_from_messages(messages, model="gpt-3.5-turbo"):
  try:
      encoding = tiktoken.encoding_for_model(model)
  except KeyError:
      encoding = tiktoken.get_encoding("cl100k_base")
  if model == "gpt-3.5-turbo":  # note: future models may deviate from this
      num_tokens = 0
      for message in messages:
          num_tokens += 4  # every message follows <im_start>{role/name}\n{content}<im_end>\n
          for key, value in message.items():
              num_tokens += len(encoding.encode(value))
              if key == "name":  # if there's a name, the role is omitted
                  num_tokens += -1  # role is always required and always 1 token
      num_tokens += 2  # every reply is primed with <im_start>assistant
      return num_tokens
  else:
      raise NotImplementedError(f"""num_tokens_from_messages() is not presently implemented for model {model}.
  See https://github.com/openai/openai-python/blob/main/chatml.md for information on how messages are converted to tokens.""")

messages1=[
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": "请记住这个数字：7"},
  ]


client = OpenAI()
response = client.chat.completions.create(
  model="gpt-3.5-turbo",
  messages=messages1
)
print(response.choices[0].message.content)
print(response)
print("\n\n\n")

messages2=[
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": "请记住这个数字：7"},
    {"role": "assistant", "content": response.choices[0].message.content},
    {"role": "user", "content": "我告诉你的数字是？"},
]

response2 = client.chat.completions.create(
  model="gpt-3.5-turbo",
  messages=messages2
)

print(response2.choices[0].message.content)
print(response2)
print("\n\n\n")
print("message1的tokens数:"+str(num_tokens_from_messages(messages1)))
print("message2的tokens数:"+str(num_tokens_from_messages(messages2)))

注意:num_tokens_from_messages函数提供了这个计算tokens的功能;

输出结果:

对比一下函数计算出的tokens和gpt响应计算的tokens
第一个响应: 函数计算出:27,响应的真实使用token为26
第二个响应: 函数计算出:73,响应的真实使用token为70

5.temperature参数

temperature(人性值)值越大,gpt就越有创造力;使用方法如下

response = client.chat.completions.create(
  model=model,
  messages=messages,
  temperature=0,
)

6. chatgpt读取音频,图像等…

有空再总结一下,谁能送我个gpt4.0 TAT

模板

快速安装：（假设已经有python）
在cmd或shell中：

pip install openai
setx OPENAI_API_KEY "这里填上api"

python代码

from openai import OpenAI
######################step 1
messages1=[
    {"role": "system", "content": "助手描述信息"},
    {"role": "user", "content": "向gpt提的要求"},
] 

client = OpenAI()
response = client.chat.completions.create(
  model="gpt版本",
  messages=messages1,
)


print(response.choices[0].message.content)
print()

######################
######################
messages1.append({"role": "assistant", "content": response.choices[0].message.content})
messages1.append({"role": "user", "content": "新要求"})

client = OpenAI()
response = client.chat.completions.create(
  model="gpt版本",,
  messages=messages1,
)
print(response.choices[0].message.content)
print()


######################重复区域
######################