開始使用 ChatGPT API：初學者指南

ChatGPT API 改變了開發者將 AI 聊天功能整合到應用程式中的方式。

無論你想建立一個聊天機器人、增強客服支援，或自動生成內容，這個 API 都提供了一個簡單且可擴展的解決方案。

但如果你對 API 或 AI 模型不熟悉，開始時可能會感到有些困難。

這篇適合初學者的指南將帶你了解從設置 API 金鑰到進行第一次 API 請求所需的所有知識。

到最後，你將清楚了解如何利用 ChatGPT API 創建智能且互動的應用程式，並且幾乎不需要太多努力。

什麼是 ChatGPT API？

ChatGPT API 是由 OpenAI 提供的雲端服務，允許開發者將 ChatGPT 的對話 AI 功能整合到他們的應用程式、網站和軟體中。

它通過 HTTP 請求提供對 OpenAI 強大語言模型的訪問，使使用者能夠為聊天機器人、虛擬助手、內容生成等生成類似人類的文本回應。

使用 ChatGPT API，企業和開發者可以自動化客戶互動、增強生產力工具，並創建 AI 驅動的應用程式，而無需從頭開始構建複雜的機器學習模型。

還可以參考：什麼是 ChatGPT 及其工作原理？

ChatGPT API 的工作步驟

一旦你了解了關鍵步驟，將 ChatGPT 整合到你的應用程式中就會變得非常簡單。以下是一個全面的步驟指南，告訴你如何開始使用 ChatGPT API。

1. 設置 OpenAI 帳戶並獲取 API 金鑰

註冊：前往 OpenAI 平台 (OpenAI Platform) 並註冊一個帳戶。這是訪問 API 所必需的。

生成 API 金鑰：登錄後，前往儀表板上的 API 部分，生成一個新的 API 金鑰。這個金鑰對於驗證和發送請求到 ChatGPT API 是必不可少的。

2. 安裝所需的庫

你需要安裝 OpenAI 的 Python 客戶端來與 API 互動。使用 Python 的包管理器 pip 安裝非常簡單。運行以下命令：

3. 使用 API 金鑰進行身份驗證

要驗證你的 API 請求，請在你的 Python 代碼中設置 API 金鑰。你可以將其硬編碼或使用環境變數以提高安全性。以下是一個示例：

import openai
openai.api_key = “your-api-key-here” # 替換為你的實際 API 金鑰

4. 發送 API 請求

設置好身份驗證後，你現在可以向 API 發送請求。調用 API 的基本方法是通過 Completion.create() 函數，在這裡你需要指定引擎（模型）、提示（你的輸入）和其他選項，如回應長度（max_tokens）。

以下是一個簡單請求的示例：

response = openai.Completion.create(
engine=”text-davinci-003″, # 你可以使用 “gpt-3.5-turbo” 作為更具成本效益的選擇
prompt=”你好，你今天怎麼樣？”,
max_tokens=50 # 限制生成回應的長度
)
print(response.choices[0].text.strip()) # 打印生成的回應

5. 處理 API 回應

API 將返回一個 JSON 對象，其中包含回應文本和元數據。你可以通過解析 JSON 回應的 choices 欄位來訪問生成的文本：

generated_text = response.choices[0].text.strip() # 去除任何前後空白
print(generated_text)

這裡是 ChatGPT 根據你的提示生成的輸出。

6. 微調和參數

你可以通過幾個參數來調整 API 的行為：

temperature：控制回應的隨機性。較高的值（如 0.8）使模型更具創造力，而較低的值（如 0.2）使回應更集中且確定。

max_tokens：設置回應的長度上限。

top_p 和 frequency_penalty：幫助微調輸出的創造力和集中性。

附加參數的示例：

response = openai.Completion.create(
engine=”text-davinci-003″,
prompt=”寫一個關於龍的短故事。”,
temperature=0.7, # 稍微有創意的回應
max_tokens=200 # 生成最多 200 個標記
)

7. 處理錯誤和邊緣情況

在使用 API 時，預測錯誤（如無效金鑰、網絡問題或超出限制）是非常重要的。正確的錯誤處理確保了平穩的運行：

try:
response = openai.Completion.create(
engine=”text-davinci-003″,
prompt=”今天的天氣怎麼樣？”,
max_tokens=50
)
print(response.choices[0].text.strip())
except openai.error.OpenAIError as e:
print(f”發生錯誤：{e}”)

8. 審查和整合

一旦你收到回應，就可以將 API 整合到你的應用程式或服務中。這可以是聊天機器人、虛擬助手、內容生成器或任何需要對話 AI 的其他用例。你可以根據用戶輸入動態傳遞提示並實時處理回應。

9. 使用 ChatGPT 聊天專用端點

為了更自然的對話互動，OpenAI 提供了一個專門的聊天 API。ChatCompletion.create() 方法專為聊天模型（如 gpt-3.5-turbo）設計，能夠實現更自然的來回交流：

response = openai.ChatCompletion.create(
model=”gpt-3.5-turbo”, # 使用最新的聊天模型
messages=[
{“role”: “user”, “content”: “法國的首都在哪裡？”}
]
)
print(response[‘choices’][0][‘message’][‘content’]) # 訪問聊天機器人的回覆

10. 監控 API 使用情況和成本

OpenAI 在儀表板上提供使用和計費信息。監控你生成的標記數量非常重要，因為這會影響你的成本。大多數模型，如 gpt-3.5-turbo，根據標記使用量定價，了解這一點將幫助你優化成本。

通過這些步驟，你應該能夠開始向 ChatGPT API 發送請求，將其整合到你的應用程式中，並根據你的需求進行微調。

無論你是在構建聊天機器人、內容生成器，還是其他任何應用，這個 API 都提供了創建先進 AI 驅動解決方案的靈活性和力量。

進階使用和自定義

以下是 ChatGPT API 的進階使用和自定義選項的深入介紹。

1. 進階對話上下文管理

與簡單的提示-回應模型不同，ChatGPT API 設計用於多輪對話。你可以通過提供一系列具有指定角色的消息來管理上下文：

系統消息：設置助手的行為和語氣。

用戶消息：代表最終用戶的輸入。

助手消息：保持對話歷史以提供上下文。

示例：

import openai
openai.api_key = “your-api-key”

response = openai.ChatCompletion.create(
model=”gpt-3.5-turbo”, # 或者如果你有訪問權限，可以使用 “gpt-4”
messages=[
{“role”: “system”, “content”: “你是一位專業的旅遊指南。”},
{“role”: “user”, “content”: “歐洲有哪些隱藏的寶藏？”}
],
temperature=0.7,
max_tokens=150
)

print(response[‘choices’][0][‘message’][‘content’])

提示：通過在對話開始時包含系統消息，你可以指導整個會話的語氣、風格和行為。

2. 結構化互動的函數調用

ChatGPT API 現在支持函數調用，允許助手生成你的應用程式可以用來觸發外部操作的結構化輸出。這對於將 AI 與後端系統集成特別有用。

示例：

import json
import openai

openai.api_key = “your-api-key”

functions = [
{
“name”: “get_weather”,
“description”: “獲取給定城市的當前天氣”,
“parameters”: {
“type”: “object”,
“properties”: {
“city”: {“type”: “string”, “description”: “城市的名稱”}
},
“required”: [“city”],
},
}
]

response = openai.ChatCompletion.create(
model=”gpt-3.5-turbo-0613″,
messages=[
{“role”: “user”, “content”: “紐約的天氣怎麼樣？”}
],
functions=functions,
function_call=”auto” # 助手決定是否調用函數
)

message = response[‘choices’][0][‘message’]

# 檢查是否觸發了函數調用
if message.get(“function_call”):
function_name = message[“function_call”][“name”]
arguments = json.loads(message[“function_call”][“arguments”])
print(f”函數：{function_name}, 參數：{arguments}”)
else:
print(message[“content”])

提示：使用函數調用，你的 AI 可以將特定任務（如數據檢索或命令執行）委託回你的應用程式。

3. 實時互動的串流回應

對於需要實時反饋的應用程式（例如即時聊天界面），ChatGPT API 支持串流。你可以逐步接收數據，而不是等待整個回應。

示例：

import openai
openai.api_key = “your-api-key”

response = openai.ChatCompletion.create(
model=”gpt-3.5-turbo”,
messages=[
{“role”: “user”, “content”: “告訴我一個笑話。”}
],
stream=True # 啟用串流模式
)

for chunk in response:
if ‘choices’ in chunk:
print(chunk[‘choices’][0].get(‘delta’, {}).get(‘content’, ”), end=”, flush=True)

提示：串流回應對於聊天機器人和互動應用程式特別有用，因為即時反饋能增強用戶體驗。

4. 微調參數以自定義行為

微調 API 的參數讓你可以自定義輸出的創造力、語氣和冗長度：

Temperature：控制隨機性。較低的值使輸出更確定；較高的值則增加創造力。

Top_p：通過限制輸出標記池來實現核取樣。

Max_tokens：設置回應的長度上限。

Frequency_penalty 和 Presence_penalty：調整重複性並鼓勵引入新主題。

示例：

response = openai.ChatCompletion.create(
model=”gpt-3.5-turbo”,
messages=[
{“role”: “system”, “content”: “你是一位幽默的故事講述者。”},
{“role”: “user”, “content”: “告訴我一個關於會說話的狗的搞笑故事。”}
],
temperature=0.8,
top_p=0.95,
max_tokens=200,
frequency_penalty=0.2,
presence_penalty=0.6
)

print(response[‘choices’][0][‘message’][‘content’])

提示：嘗試這些參數可以幫助你找到創造力和控制之間的最佳平衡，以滿足你的特定用例。

5. 通過指令自定義對話行為

通過系統消息設置的自定義指令有助於在會話中保持一致性。你可以根據對話或特定用戶請求動態修改這些指令。

示例：

response = openai.ChatCompletion.create(
model=”gpt-3.5-turbo”,
messages=[
{“role”: “system”, “content”: “你是一位烹飪藝術專家，總是提供詳細的食譜。”},
{“role”: “user”, “content”: “我該如何製作完美的舒芙蕾？”}
]
)

print(response[‘choices’][0][‘message’][‘content’])

提示：使用清晰、指導性的系統消息是一種強大的方式，確保助手的回應符合你的應用需求。

6. 監控和管理使用情況

進階使用不僅僅是發送請求，還包括有效管理這些請求：

速率限制：了解速率限制和錯誤處理。在你的應用中加入重試機制和指數退避。

使用監控：使用 OpenAI 儀表板跟蹤標記使用量、成本和性能。這可以幫助你優化 API 請求以降低成本和提高效率。

日誌和分析：實施 API 請求和回應的日誌，以便調試問題並了解用戶互動。

示例：

try:
response = openai.ChatCompletion.create(
model=”gpt-3.5-turbo”,
messages=[{“role”: “user”, “content”: “最新的新聞是什麼？”}],
max_tokens=100
)
print(response[‘choices’][0][‘message’][‘content’])
except openai.error.RateLimitError as e:
print(“超過速率限制，請稍後再試。”)
except Exception as e:
print(f”發生錯誤：{e}”)

通過利用這些進階功能，你可以根據應用的獨特需求調整 ChatGPT API。