OpenAI API 使用指南

 

---

接口调用

模型列表：https://platform.openai.com/docs/models

计费说明：https://openai.com/pricing

接口文档：https://platform.openai.com/docs/api-reference/introduction

淘宝上有卖，5元一个(sk-xxx)。

注意一些卖家坑，给的 OpenAI 可能没验证银行卡，导致一分钟只能回复 3 次。

api_key = '淘宝买的 (sk-xxx)'

from openai import OpenAI  # 从 openai 模块导入 OpenAI 类
client = OpenAI(api_key)  # 创建一个 OpenAI 客户端实例，使用提供的 api_key

# 使用指定的模型 "No models available" 来创建聊天完成任务
completion = client.chat.completions.create(
  model="gpt-3.5-turbo",  # 指定模型名
  messages=[
    {"role": "system", "content": "You are a helpful assistant."},  # 系统消息，设置助手的角色
    {"role": "user", "content": "Hello!"}  # 用户消息，开始对话
  ],
  stream=True  # 开启流模式，实时接收响应
)

# 循环遍历 completion 对象中的每个响应块
for chunk in completion:
  print(chunk.choices[0].delta)  # 打印每个响应块的内容

role 字段用来定义消息的发送者角色，具体包括三种选择：system、user、和 assistant。

1. system（系统提示）:

   • 用途：通常用于设置聊天的上下文或者提供系统级别的指示和配置信息。
   • 场景：比如在对话开始前，系统可以发送一条消息来设定对话的规则或者说明助手的功能。

2. user（用户）:

   • 用途：代表实际的用户输入，即用户向聊天系统提出的问题或者发起的对话内容。
   • 场景：用户的任何提问、命令或者交流都通过这个角色来表达，这是聊天流程中最常见的角色。

3. assistant（智能助手）:

   • 用途：代表智能助手的回复或者动作，是模型根据用户输入给出的响应。
   • 场景：在接收到用户的消息后，助手根据用户的需求提供信息、答案或者执行特定的任务。

这三种角色共同构成了聊天的完整流程，其中系统角色可用于初始化设置，用户角色表达用户需求，智能助手角色则是响应这些需求，完成交互。
 

---

多轮对话

from openai import OpenAI  # 从 openai 模块导入 OpenAI 类

api_key = '淘宝买的 (sk-xxx)'  # 定义API密钥
client = OpenAI(api_key)  # 创建一个 OpenAI 客户端实例，使用提供的 api_key

# 初始化消息历史，首先包含一个系统提示和一个用户的问候
messages = [
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": "Hello!"}
]

# 开启一个循环以处理多轮对话
while True:
    # 输出助手的最新回复（如果有）
    if messages[-1]['role'] == 'assistant':
        print('Assistant:', messages[-1]['content'])
    
    # 获取用户的输入
    user_input = input("User: ")
    # 将用户的新消息添加到消息历史中
    messages.append({"role": "user", "content": user_input})
    
    # 请求模型生成回答
    response = client.chat.completions.create(
        model="gpt-3.5-turbo",  # 使用指定的模型
        messages=messages,  # 提供到目前为止的对话历史
        stream=False  # 设置为False，因为我们每次都等待完整的回答
    )
    
    # 提取模型的回答并添加到消息历史中
    asst_content = response.choices[0].message['content']
    messages.append({"role": "assistant", "content": asst_content})

句子的文本嵌入：相关文本检索，根据向量相似度

接口文档：https://platform.openai.com/docs/api-reference/embeddings

可选模型：https://openai.com/blog/new-and-improved-embedding-model

api_key = '淘宝买的 (sk-xxx)'  # 定义API密钥

from openai import OpenAI                      # 从openai导入OpenAI
client = OpenAI(api_key)                             # 创建OpenAI客户端实例

res = client.embeddings.create(                     # 创建嵌入
  model="text-embedding-ada-002",             # 模型为"text-embedding-ada-002"
  input="The food was delicious and the waiter...",  # 输入文本
  encoding_format="float"                     # 编码格式为浮点数
)
print(  len(res.data[0].embedding)  )  

相似文本召回

假设你是一个用户，想要找到关于感冒治疗的最佳建议，尤其是关于阿莫西林的使用。

场景设定

用户查询：“感冒吃什么药效果好？可以吃阿莫西林吗？”

备选问题文本集合：

• “什么叫感冒? / 感冒是一种什么病？”
• “感冒一般是由什么引起的？/ 什么会导致感冒？”
• “感冒会有哪些症状？/ 感冒有哪些临床表现？”
• “感冒吃什么药好得快？/ 感冒怎么治？”
• “得了感冒去医院挂什么科室的号？”
• “感冒要怎么预防？”
• “感冒换着有什么禁忌？/ 感冒不能吃什么？”
• “感冒要做哪些检查？”
• “感冒能治好吗？/ 感冒治好的几率有多大？”
• “感冒的并发症有哪些？”
• “阿莫西林能治那些病？”

实施步骤

1. 查询语句向量化： 用户的查询被转化为一个数字向量，代表其语义内容。
2. 备选文本向量化： 上述每个问题也被转化为数字向量。
3. 计算欧式距离： 使用欧式距离公式计算查询向量与每个问题向量之间的距离。
4. 选择最相似的文本： 根据计算出的距离，选择三个最接近的问题作为回答。

示例输出

假设在距离计算后，三个最相似的问题是：

• “感冒吃什么药好得快？/ 感冒怎么治？”
• “阿莫西林能治那些病？”
• “感冒的并发症有哪些？”

当用户的查询处理完毕后，这三个问题的文本将被显示给用户，帮助他们获得关于感冒治疗的具体信息，尤其是关于是否可以使用阿莫西林的详细解答。

这个过程有效地将用户的自然语言查询转化为可以操作的数据（向量），通过数学方法找到最相关的回答，从而提供具体而有用的医疗建议。

from openai import OpenAI
import numpy as np

api_key = '淘宝买的 (sk-xxx)'  # 定义API密钥
# Create an instance of the OpenAI client
client = OpenAI(api_key)

# User query
query = '感冒吃什么药效果好？可以吃阿莫西林吗？'

# Vectorize the query
query_resp = client.embeddings.create(
    model="text-embedding-ada-002",
    input=query
)
query_vec = np.array(query_resp.data[0].embedding)

# List of potential questions (备选文本)
question_texts = [
    '什么叫感冒? / 感冒是一种什么病？',
    '感冒一般是由什么引起的？/ 什么会导致感冒？',
    '感冒会有哪些症状？/ 感冒有哪些临床表现？',
    '感冒吃什么药好得快？/ 感冒怎么治？',
    '得了感冒去医院挂什么科室的号？',
    '感冒要怎么预防？',
    '感冒换着有什么禁忌？/ 感冒不能吃什么？',
    '感冒要做哪些检查？',
    '感冒能治好吗？/ 感冒治好的几率有多大？',
    '感冒的并发症有哪些？',
    '阿莫西林能治那些病？'
]

# Vectorize the questions
question_resp = client.embeddings.create(
    model="text-embedding-ada-002",
    input=question_texts
)
question_vecs = [np.array(item.embedding) for item in question_resp.data]

# Calculate Euclidean distances
l2_distances = np.linalg.norm(query_vec - question_vecs, axis=1)

# Get indices of the three closest questions
closest_indices = np.argsort(l2_distances)[:3]

# Output the most similar questions
for idx in closest_indices:
    print(question_texts[idx])