本文介绍了如何使用 OpenAI 官方提供的 API 部署 ChatGPT，并以企业微信机器人为例，快速实现自然语言理解和生成功能。
本文还对官方文档提供的模型和 ChatGPT 使用的模型进行了比较，并提供了使用 golang、python、PHP 和 nodejs 等常见语言请求 ChatGPT 的代码。本文会大致说一下基于企业微信、飞书、钉钉等工具自建的机器人的相关流程，其中企业微信机器人的代码可以参考项目：https://github.com/thlz998/openai-bot
快速部署
先看看如何使用`docker一行代码运行OpenAI机器人(企业微信版本)
``` bash
docker run -d -p 3201:3200 \
-e api_key="[chatgpt的APIkey]" \
-e app_port=":3200" \
-e app_model="text-davinci-003" \
-e wework_token="[企业微信自建应用的API token]" \
-e wework_encodingAeskey="[企业微信自建应用的encodingAeskey]" \
-e wework_corpid="[企业微信企业唯一ID]" \
-e wework_secret="[企业微信自建应用的secret]" \
-e wework_agentid="[企业微信自建应用的agentid]" \
ibfpig/openai-wework:1.0.0
# 记得把用中括号OpenAI的相关信息和企业微信的相关信息换成自己的，其中OpenAI的apikey可以直接访问这个链接来创建和获取：https://platform.openai.com/account/api-keys
如果觉得部署机器人麻烦，我们来看看最重要的是什么：
curl -X "POST" "https://api.openai.com/v1/completions" \
-H 'Authorization: Bearer [这里换成你的API key]' \
-H 'Content-Type: application/json; charset=utf-8' \
-d $'{
"prompt": "你好",
"frequency_penalty": 0,
"model": "text-davinci-003",
"temperature": 0.7,
"presence_penalty": 0,
"max_tokens": 2000,
"top_p": 1
}'
# 记得把这一行代码中的api key换成自己的api key，可以直接访问这个链接来创建和获取：https://platform.openai.com/account/api-keys
机器人流程原理
我们部署的机器人大概得流程是这样的：
用户直接与企业微信自建应用聊天，之后企业微信会将收到的消息回调给我们写的机器人程序，我们拿到用户请求的内容去发给ChatGPT，等ChatGPT回复我们之后，我们再通过企业微信把消息发送给用户。
很好理解，其实就是以下三个步骤
1. 接收企业微信的应用消息
2. 发送请求给ChatGPT并拿到返回的内容
3. 通过企业微信给用户回复消息
如何自建企业微信应用
(钉钉飞书流程差不多，可以具体参考相关文档)
新建企业微信应用
登录企业微信后台，在应用管理中，点击创建应用，设置好你的机器人的logo、名字，并选择可以使用机器人的企业微信用户
查看Secret并记录下来
设置企业可信IP，这个可信ip就是指能够给企业微信发送请求的服务器ip，需要是对外的公网ip，如果有服务器就填服务器的公网ip，如果在本地运行，就看看https://ip138.com 上写的地址是啥就填啥就可以了
在接收消息这一栏点那一行设置API接受消息，URL填这个https://xxxx.com/api/wework，其中，Token和EncodingAESKey点随机获取就可以了，这个时候点保存肯定会提示不通过，我们先停在这个页面，然后开始编码。如果是在本地电脑上做调试，需要做好反向代理，目标是能通过一个域名访问到本地的一个服务
使用docker部署企业微信机器人
(代码在文章开头已经提供了，具体如下)
docker run -d -p 3201:3200 \
--name openai-wework \
-e api_key="[chatgpt的APIkey]" \
-e app_port=":3200" \
-e app_model="text-davinci-003" \
-e wework_token="[企业微信自建应用的API token]" \
-e wework_encodingAeskey="[企业微信自建应用的encodingAeskey]" \
-e wework_corpid="[企业微信企业唯一ID]" \
-e wework_secret="[企业微信自建应用的secret]" \
-e wework_agentid="[企业微信自建应用的agentid]" \
ibfpig/openai-wework:1.0.0
3. 查看日志，确定服务运行是否正常
docker logs -f openai-wework
4. 去企业微信测试即可
关于请求OpenAI的参数
这里会简单做个说明，后边在详细聊如何训练OpenAI的时候会做更详细的说明
prompt: "需要给OpenAI理解文字",
frequency_penalty: 0, #一个介于-2.0和2.0之间的数字。当它是正数时，会对新的token进行惩罚，根据它们在文本中已经出现的频率，减少模型重复相同文本的可能性。这个参数可以控制模型生成文本的创新性和多样性。
model: "text-davinci-003", # 模型ID，目前API里效果最好的就是text-davinci-003，但是也是最慢的
temperature: 0.7, # 0~1之间，随机性，越高，随机性越高
presence_penalty: 0, # -2.0~2.0之间，是一个用于控制模型输出是否跟之前已经输出的文本相关的参数。如果这个参数的值为正数，那么模型会更倾向于生成与之前不同的单词，从而使生成的文本更加丰富多样，涉及到更多的话题。
max_tokens: 2000, # 生成文本时所允许的最大单词数量
top_p: 1 # 这种方法会限制生成的文本只包含最可能的一些词，而不会像用温度进行抽样一样随机生成词语。同时，通常建议只更改temperature或top_p中的一个参数，而不是同时更改两个参数。
node、PHP、Python、golang请求OpenAI的代码示例
javascript(使用axios)
axios({
"method": "POST",
"url": "https://api.openai.com/v1/completions",
"headers": {
"Authorization": "Bearer [你自己的API key]",
"Content-Type": "application/json; charset=utf-8"
},
"data": {
"prompt": "你好",
"frequency_penalty": 0,
"model": "text-davinci-003",
"temperature": 0.7,
"presence_penalty": 0,
"max_tokens": 2000,
"top_p": 1
}
})
php
// Include Guzzle. If using Composer:
// require 'vendor/autoload.php';
use GuzzleHttp\Pool;
use GuzzleHttp\Client;
use GuzzleHttp\Psr7\Request;
$client = new Client();
$request = new Request(
"POST",
"https://api.openai.com/v1/completions",
[
"Authorization" => "Bearer [你自己的API key]",
"Content-Type" => "application/json; charset=utf-8"
],
"{\"model\":\"text-davinci-003\",\"prompt\":\"\\u4f60\\u597d\",\"max_tokens\":2000,\"temperature\":0.7,\"top_p\":1,\"frequency_penalty\":0,\"presence_penalty\":0}");
$response = $client->send($request);
echo "Response HTTP : " . $response->getStatusCode() . "
";
python
# Install the Python Requests library:
# `pip install requests`
import requests
import json
def send_request():
# 对话
# POST https://api.openai.com/v1/completions
try:
response = requests.post(
url="https://api.openai.com/v1/completions",
headers={
"Authorization": "Bearer [你自己的API key]",
"Content-Type": "application/json; charset=utf-8"
},
data=json.dumps({
"prompt": "你好",
"frequency_penalty": 0,
"model": "text-davinci-003",
"temperature": 0.7,
"presence_penalty": 0,
"max_tokens": 2000,
"top_p": 1
})
)
print('Response HTTP Status Code: {status_code}'.format(
status_code=response.status_code))
print('Response HTTP Response Body: {content}'.format(
content=response.content))
except requests.exceptions.RequestException:
print('HTTP Request failed')
golang
package main
import (
"fmt"
"io"
"net/http"
"bytes"
)
func send() {
// 对话 (POST https://api.openai.com/v1/completions)
json := []byte(`{"prompt": "你好","frequency_penalty": 0,"model": "text-davinci-003","temperature": 0.7,"presence_penalty": 0,"max_tokens": 2000,"top_p": 1}`)
body := bytes.NewBuffer(json)
// Create client
client := &http.Client{}
// Create request
req, err := http.NewRequest("POST", "https://api.openai.com/v1/completions", body)
// Headers
req.Header.Add("Authorization", "Bearer [你自己的API key]")
req.Header.Add("Content-Type", "application/json; charset=utf-8")
// Fetch Request
resp, err := client.Do(req)
if err != nil {
fmt.Println("Failure : ", err)
}
// Read Response Body
respBody, _ := io.ReadAll(resp.Body)
// Display Results
fmt.Println("response Status : ", resp.Status)
fmt.Println("response Headers : ", resp.Header)
fmt.Println("response Body : ", string(respBody))
}