gpt-4o-mini 等大模型的第三方中转API接口教程

How to use gpt-4o-mini by Python

1 python环境安装

默认大家都安装了anaconda

若没有安装点击下载 anaconda， Download Now | Anaconda

1.1 anaconda 添加到系统变量

如果在windows进入命令行输入conda，若看到下述的输出结果，说明anaconda已经添加到了系统环境中，可跳过本章节。

如果没有反应，你需要将conda添加到系统环境路径中，如下面的图片进行添加。

一般在安装anaconda的时候，会有一个选择，是否要将conda，添加到系统路径中：|
若当时勾了，它会自动添加到系统路径中，就无需进行下述操作，；
若当时没勾，按照下述提示，把个人自己的anaconda安装地址的路径，添加进环境变量中；

如下图所示，先找到自己电脑上 anaconda的安装路径：

如下图所示，再把anaconda的下述两个文件夹的路径，添加到系统环境变量中。

1.2 anaconda 创建新的python虚拟环境

Python的每个大型的项目都应该使用单独的python环境，从而避免包冲突；

若读者觉得没必要创建新环境，愿意使用原始环境，那么可跳过当前章节；

• 查看当前有哪些python环境

  conda env list

  如下图所示，当前只有一个base环境。

• init

  若是第一次使用conda，请先运行 conda init，然后关闭命令窗口，再开一个新的命令窗口。
  

• conda activate base

  能得到下述结果，说明conda配置成功
  

• 创建新python环境

  因为python的base环境，python是3.11.7版本，新环境的python版本也设置为3.11.7。

  新环境的python版本设置为多少，因人而异

  创建新的python环境，取名为 llm （large language model 大语言模型简称）

  conda create --name llm python=3.11.7
  

  

  输入 y，然后回车:

  输入 conda env list，可发现新环境已添加成功
  输入 conda activate llm, 激活刚才创建的llm 环境，如下图所示就可发现环境完成了从base到llm的切换。
  
  接下来，就在当前的激活的llm窗口中，完成python包的安装。

2 langchain 与 openai python包安装

对 langchain 感兴趣的，可点击查看langchain的官方文档 How to install LangChain packages | 🦜️🔗 LangChain

直接在命令窗口输入下述装包命令，即可完成包的安装：

pip install langchain langchain-openai langchain-core langchain-community langchain-experimental

如下图所示完成了包的安装：

3 openai API 接入

3.1 第三方API站点

由于OpenAI服务器在海外，且对一些国家不提供服务。出于科研与实验的需要，可使用第三方的服务，由第三方的站点把数据包转发OpenAI服务器。

按需选用，包括且不限于下述的网站：

• https://api.chatfire.cn/register?aff=zJhM 充值：1$ =1￥，API收费略高于OpenAI
• https://api2.aigcbest.top/ 充值：1$ = 2.5￥, API收费与OpenAI一致
• https://www.gptapi.us/register?aff=9xEy 充值：1$ = 1￥，API收费与OpenAI一致，50元起充

本文以 http://api.chatfire.cn 作为示例：

先添加令牌，再复制密钥，密钥格式：sk-xxx。

点击查看，可使用的模型列表：ChatfireAPI

值得注意的是：gpt-4o-mini 是性价比高的模型。其他的模型都相对比较贵。

运行下述代码即可获得 gpt-4o-mini 的回答：

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model="gpt-4o-mini", 
    base_url="https://api.chatfire.cn/v1/",
    api_key="sk-xxx", # 在这里填入你的密钥
    )
res = llm.invoke("你是谁？请你简要做一下，自我介绍？")
print(res)

下述是大模型返回的内容:

我是GPT-4o mini，一个大型语言模型，由OpenAI训练。我的主要功能是回答问题、提供信息和帮助解决各种语言相关的任务。无论是写作、学习还是日常交流，我都能提供支持。如果你有任何问题，欢迎随时问我！

在运行程序时，可以发现10秒后才出结果。

加快批量处理速度：

• 加钱找客服，要求使用直连的专线，要多出3倍多的钱。
• 使用多线程加速，如果只使用一个令牌会被限速。弄很多个账号，使用很多个令牌构建令牌池，每次发起请求时，随机从令牌池中获取令牌。

3.2 windows配置

在[3.1章节](# 3.1 第三方API站点)中，需要在代码中填入第三方API接口的网址和密钥。

在代码中，填入密钥有泄漏风险（因为代码要云端备份和与人分享），最重要的是要输入网址和密钥很麻烦。

故可以将url和key，添加到系统环境变量中，在后续的代码中就无需填写这两个参数。

若你是Mac系统和Linux系统，执行下述命令：

export OPENAI_API_BASE=https://api.chatfire.cn/v1/
export OPENAI_API_KEY=sk-xxx

若你是Windows系统，按照下述方式配置系统变量：

与[1.1 anaconda 添加到系统变量](# 1.1 anaconda 添加到系统变量) 一样，打开系统环境变量，与上次不同的是这一次是新建。

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model="gpt-4o-mini", 
    )
res = llm.invoke("鲁迅和周树人是同一个人吗？")
print(res)

如下结果所示，无需在代码中填写网址和密钥一样可以获得大模型的输出结果。

content='是的，鲁迅和周树人是同一个人。鲁迅是周树人的笔名，他是中国现代文学的重要作家。' additional_kwargs={'refusal': None} response_metadata={'token_usage': {'completion_tokens': 46, 'prompt_tokens': 24, 'total_tokens': 63}, 'model_name': 'gpt-4o-mini', 'system_fingerprint': None, 'finish_reason': 'stop', 'logprobs': None} id='run-3762857a-6c2a-4fbb-ad5d-524f020eaf7c-0' usage_metadata={'input_tokens': 24, 'output_tokens': 46, 'total_tokens': 63}

3.3 大模型API调用消费估算

下述是大模型的输出结果，不仅给出了文本，还给出了相应的输入和输出耗费的token数。

AIMessage(
content='我是GPT-4o mini，一个大型语言模型，由OpenAI训练。我的主要功能是回答问题、提供信息和帮助解决各种语言相关的任务。无论是写作、学习还是日常交流，我都能提供支持。如果你有任何问题，欢迎随时问我！', 
additional_kwargs={'refusal': None}, 
response_metadata={'token_usage': {'completion_tokens': 96, 'prompt_tokens': 27, 'total_tokens': 116}, 'model_name': 'gpt-4o-mini', 
'system_fingerprint': None, finish_reason': 'stop', 'logprobs': None}, 
id='run-b9964b57-83e4-4a2d-8444-81bc5d21abc1-0',
usage_metadata={'input_tokens': 27, 'output_tokens': 96, 'total_tokens': 116})

根据下图矩行框的高度预估这一次调用消费是大概是 9 x 10^-5 $。

下述这张图是该网站关于 gpt-4o-mini 的收费标准：

1M = 1024 x 1024 = 1048576 = 1.04 x 10⁶

大模型输入收费是：0.2249999 / 1M token；

大模型输出收费是：0.899999 / 1M token；

usage_metadata={'input_tokens': 27, 'output_tokens': 96, 'total_tokens': 116})

所以本次的消费金额计算过程如下：

$$\frac{27\times 0.225+96\times 0.90}{1.04\times 10^6}=8.89\times 10^{-5}$$
我们的计算结果与网站的扣费是一致的。

日常使用时，1个字大概约等于1 token，可使用上述计算过程预估出大致的扣费金额。

4 相关教程

下述是LangChain的官方教程文档：

Tutorials | 🦜️🔗 LangChain

How-to guides | 🦜️🔗 LangChain

若要使用大模型，写好提示词至关重要，下述是一些不错的提示词教程：

• ChatGPT提示工程师&吴恩达教你写提示词｜prompt engineering【完整中字九集全】 代码教程
• 【45分钟系统学习】ChatGPT Prompt提示词工程 基础>少样本>思维链>联网>认知搜索>ReAct实现ChatGPT插件

重要事项

• 写好提示词

• 给少样的例子，便于大模型学习

  few-shot 提示词示例：

  prompt = """
  参考下述例子，生成相应的回答，请你从中提取出今年生产总值的预期增长值是多少？
  按照下述提供的json格式返回结果。
  
  Input: 孝感市1894年文件节选：主要预期目标是：全市生产总值增长10％以上
  Output: {"city":"孝感市", "year":"1894", "GDP_growth":"10%"}
  
  Input: 上海市1895年文件节选：初步核算，全市生产总值比上年增长１１．１％，\n今年经济社会发展的主要预期目标是：生产总值增长１２％，全社会固定资产投资增长２０％，'
  Output: {"city":"上海市", "year":"1895", "GDP_growth":"12%"}
  
  Input: {filename}年文件节选：{content}
  Output: 
  """.strip()
  
  

  相关博客推荐：利用langchain 做大模型 Few-shot Learning 提示，包括固定和向量相似的动态样本筛选

• 让大模型每次只做一件小事，聚焦有利于提高大模型的能力

• 无论大模型的效果看起来有多好，总有一些大模型会生成失败或错误的样本。观察大模型生成 的答案，使用python根据规则找回这些错误的样本进行后处理。

• 让大模型一步一步思考，给出原因，通过大模型生成的原因可以分析大模型得出结论的原因，再逐步修改提示词和示例

  从Input中提取出生产总值的预期增长百分数。若没有提及预期生产总值就返回null。
  若文本中有预计生产总值和预期生产总值，则应只保留预期生产总值。
  针对Input中文本，一步一步地思考，思考过程保存在Reason中，再依据Reason生成Output。
  参考下述例子，学习这些例子内在的逻辑。
  只能通过当前的Input生成Reason，最终的输出结果Output按照json格式返回。
  
  Input: 抚顺市2004年文件节选：2004年的主要预期目标是:国内生产总值实现360亿元，增长14.5％
  Reason: 当前年份是2004年，文本中提到2004年国内生产总值预期增长14.5％。
  Output: {"city":"抚顺市", "year":"2004", "GDP_growth":"14.5%"}
  
  Input: 上海市xxxx年文件节选：初步核算，全市生产总值比上年增长１１．１％，农民人均纯收入增长１０．２％，年初确定的主要预期目标和各项工作任务全面超额完成\n今年经济社会发展的主要预期目标是：生产总值增长１２％，全社会固定资产投资增长２０％，'
  Reason: 全市生产总值比上年增长１１．１％，这是去年的总结；生产总值增长１２％，这才是今年的预期；所以要返回12%。
  Output: {"city":"上海市", "year":"xxxx", "GDP_growth":"12%"}
  

• 让大模型先处理得到结果，再使用提示词创建大模型扮演老师，审核上一个大模型生成的答案，找出做的不对的样本