用Python搭建一个属于自己的智能聊天机器人

如何使用ChatGPT API

近年来，人工智能（AI）的发展日新月异，而聊天机器人（Chatbot）则是AI领域的明星应用之一。

今天，我们将深入浅出地介绍如何使用ChatGPT API，构建属于自己的智能聊天机器人的基础。

一、准备工作

1. 注册OpenAI账户 要使用ChatGPT API，首先需要在OpenAI官网（https://www.openai.com）上注册一个账户。

完成注册并登录后，通过（https://platform.openai.com/account）申请API密钥（API Key）。

2. 安装相关依赖 在本地环境中安装Python和OpenAI Python库。使用以下命令安装：

pip install openai

二、使用OpenAI API

1. 导入库和设置API密钥

在Python脚本中，导入OpenAI库并设置API密钥：

import openai

# 替换为您的API密钥
openai.api_key = "your-api-key"

2. 调用API

现在可以调用openai模块中的ChatCompletion类来与ChatGPT进行交互。

示例代码：

import openai

# 配置API密钥
openai.api_key = "your-api-key"

# 准备输入消息
messages = [
    {"role": "system", "content": "你是一个 AI 助手，会回答用户关于技术的问题。"},
    {"role": "user", "content": "请解释一下什么是神经网络？"}, # 在content键对应的值中输入问题文本。
]

# 调用 openai.ChatCompletion.create 函数与 GPT 进行交互
response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",               # 使用 GPT-3.5 模型
    messages=messages,           # 输入消息列表
    max_tokens=100,              # 限制回复的最大长度
    temperature=0.7,             # 控制回复的随机性
    top_p=0.9,                   # 控制回复时的令牌采样策略
    n=1


    
,                         # 生成的独立回复数量
    stop_sequences=["\n"],       # 回复停止生成的字符串列表
)

# 输出生成的回复
generated_reply = response.choices[0].message['content']
print("AI Assistant: ", generated_reply)

openai.ChatCompletion.create 函数用于与 OpenAI 的 ChatGPT 模型进行交互，生成基于输入消息的回复。

这个函数接受多个参数，下面是其中一些关键参数及其作用的简要解释：

1. model (字符串): 这个参数指定了你希望使用的预训练模型。在这种情况下，你应该使用 GPT-3.5 模型，例如 "gpt-3.5-turbo" 或者其他可用的 GPT-3 模型变种。

2. messages (列表): 这个参数接受一个包含消息对象的列表。每个消息对象都包含一个 role（字符串，可以是 "system"、"user" 或 "assistant"）以及相应的 content（字符串，表示实际消息文本）。这些消息按顺序构成了与模型的对话历史，通常以一个系统消息开始，然后是用户和助手的互动消息。

• system 消息有助于设置助手的行为。在上面的例子中，助手被指示 “你是一个得力的助手”。
• user 消息有助于指导助手。就是用户说的话，向助手提的问题。
• assistant 消息有助于存储先前的回复。这是为了持续对话，提供会话的上下文。

3. max_tokens (整数，可选): 这个参数用于限制生成回复的最大长度。其值表示生成回复中的最大令牌（token）数量。如果设置得太小，可能导致生成的回复被截断。

4. temperature (浮点数，可选): 这个参数用于控制生成回复时的随机性。较高的值（如 1.0）会使生成的回复更随机和多样化，而较低的值（如 0.1）会让回复更确定和一致。一般情况下，较低的值更适合生成连贯、一致的回复，而较高的值则有助于激发创意思维。

5. top_p (浮点数，可选): 这个参数用于控制生成回复时的令牌采样策略。它表示生成回复时，应考虑的最高概率的令牌的累积概率。较高的值（如 0.9）会考虑更多可能的令牌，而较低的值（如 0.5）会使采样范围更窄。调整此参数可以影响生成文本的多样性和质量。

6. n (整数，可选): 这个参数用于指定要生成的独立回复的数量。例如，如果你想要从模型获得多个不同的回复，可以将 n 设置为大于 1 的值。请注意，生成多个回复可能会增加 API 请求的计算时间和成本。

7. stop_sequences (列表，可选): 这个参数用于指定一个字符串列表，当生成的回复遇到这些字符串中的任何一个时，回复将停止生成。这可以用来设置自定义的生成边界，以避免生成过长或无关的回复信息。

三、多轮对话示例

以下代码展示了如何实现与ChatGPT的多轮对话：

import openai

# 配置API密钥
openai.api_key = "your-api-key"

def chat_with_gpt(messages):
    response = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=messages,
        max_tokens=1000,
        temperature=0.5,
    )
    resp_content = response['choices'][0]['message'


    
]['content']
    return resp_content

# 初始化消息列表
messages = [
    {"role": "system", "content": "你是我的编程顾问。"},
    {"role": "user", "content": "你好，ChatGPT！请问你能帮我回答一些问题吗？"}
]

# 进行多轮对话
while True:
    response = chat_with_gpt(messages)
    print(f"ChatGPT: {response}")

    user_input = input("User: ")
    if user_input.lower() in ["exit", "退出", "再见"]:
        print("ChatGPT: 再见！期待下次与您交流。")
        break
    messages.append({"role": "user", "content": user_input}) # 添加ChatGPT需要上下文聊天记录。

在上面的代码中，使用一个while循环实现多轮对话。

每次循环中，先调用chat_with_gpt函数获取ChatGPT的回答，并将回答输出。

然后，获取用户输入的下一句话，并将其添加到messages列表中。

如果用户输入"exit"、"退出"或"再见"，循环将终止，对话结束。

代码运行效果：

ChatGPT: 当然，我很乐意回答你的问题！请问你有什么需要帮助的？
User: 深度学习和机器学习有什么区别？
ChatGPT: 深度学习和机器学习是两个密切相关的领域，但是它们有一些不同之处。

机器学习是一种人工智能的分支，它使用算法和统计模型来让计算机从数据中学习。机器学习算法可以分为监督学习、无监督学习和强化学习。监督学习是指给计算机提供带有标签的数据，让它从中学习，例如分类和回归问题。无监督学习是指给计算机提供没有标签的数据，让它去发现数据中的模式和结构，例如聚类和降维问题。强化学习是指让计算机在与环境互动的过程中学习最优的行为，例如游戏和机器人控制。

深度学习是机器学习的一种特殊形式，它使用深度神经网络来学习数据中的特征和模式。深度神经网络是一种由多个层次组成的神经网络，每一层都可以自动学习数据中的特征，并将其传递给下一层。深度学习可以应用于各种任务，例如图像识别、自然语言处理和语音识别。

因此，机器学习是一个更广泛的概念，而深度学习是机器学习的一个子集，它使用深度神经网络来进行学习。
User: 如果我的训练样本非常大，哪种方式更适合我？
ChatGPT: 深度学习和机器学习都是人工智能领域中的分支，它们有一些相同之处，但也有一些区别。

机器学习是一种通过从数据中学习来完成特定任务的方法。它可以分为监督学习、无监督学习和半监督学习。监督学习需要训练数据和标签，以便为新数据提供正确的标签。无监督学习不需要标签，而是通过发现数据中的模式和结构来学习。半监督学习则是介于两者之间，它使用带标签的数据和未标记的数据进行训练。

深度学习是机器学习的一个分支，它使用神经网络来学习数据的特征。深度学习可以自动学习特征，而不需要手动选择或提取特征。它可以用于许多任务，如图像分类、语音识别和自然语言处理等。

如果训练样本非常大，深度学习可能更适合。深度学习模型可以处理大量的数据，并且可以自动学习特征，从而减少了手动特征提取的工作量。此外，深度学习模型可以使用GPU等硬件加速训练，从而加快训练速度。但是，深度学习模型通常需要更多的计算资源和更长的训 练时间，因此需要考虑计算成本和时间成本。如果数据集较小或任务较简单，则机器学习可能更适合。
User:

四、最后

通过以上的学习，相信你已经学会了如何使用Openai的API与GPT进行多轮对话。

当然，实际应用中，还可能需要根据需求调整参数、处理更复杂的场景。

此外，每次调用Openai的API并不是免费的。在进行API请求时，Openai会根据您的账户余额自动扣除相应数量的Token。