歡迎閱讀本系列文章！我將帶你一起探索如何利用OpenAI API開(kāi)發(fā)GPT應(yīng)用。無(wú)論你是編程新手還是資深開(kāi)發(fā)者，都能在這里獲得靈感和收獲。
本文，我們將繼續(xù)展示聊天API中插件的使用方法，讓你能夠輕松駕馭這個(gè)強(qiáng)大的工具。
插件運(yùn)行效果
首先給大家展示下插件的運(yùn)行效果，如下圖所示：
可以看到，每次詢問(wèn)GPT，它都會(huì)返回指定城市的實(shí)時(shí)天氣信息，這個(gè)天氣是真實(shí)的，不是GPT瞎編的，是GPT通過(guò)一個(gè)實(shí)時(shí)天氣插件查詢到的。
插件運(yùn)行原理
知己知彼，百戰(zhàn)不殆！首先讓我們來(lái)了解下插件的運(yùn)行原理。如下圖所示：
首先我們?cè)诳蛻舳税l(fā)起一個(gè)聊天會(huì)話，比如詢問(wèn)GPT：“今天天氣怎么樣？”
為了使用我們自己的插件，我們還需要告訴GPT有哪些插件可用，目前這需要我們?cè)诎l(fā)起聊天時(shí)傳遞一個(gè)支持的插件列表給GPT。
然后GPT收到我們的聊天后，它會(huì)根據(jù)用戶的聊天內(nèi)容去匹配插件，并在返回的消息中指示命中了哪些插件，這個(gè)匹配是根據(jù)GPT的語(yǔ)言理解能力做出的。
然后客戶端就可以檢查命中了哪些插件，并調(diào)用執(zhí)行本地相應(yīng)的插件方法。插件方法是在本地執(zhí)行的，這也比較合理，如果放到GPT服務(wù)端，GPT不僅要適配各種計(jì)算能力，還可能面臨巨大的安全風(fēng)險(xiǎn)。
然后客戶端將插件的執(zhí)行結(jié)果附加到本次聊天會(huì)話中，再次發(fā)起聊天請(qǐng)求，GPT收到后，會(huì)根據(jù)首次聊天請(qǐng)求和插件生成的內(nèi)容組織本次聊天響應(yīng)結(jié)果，再返回給用戶。
這樣就完成了一次基于插件的GPT會(huì)話。
插件使用示例
基于上面的運(yùn)行原理，我們來(lái)編寫(xiě)一個(gè)GPT插件的示例程序。
在這個(gè)示例程序中，我將提供一個(gè)天氣查詢的插件，當(dāng)用戶詢問(wèn)GPT今天的天氣時(shí)，GPT就會(huì)命中這個(gè)插件，然后插件會(huì)調(diào)用外部API獲取實(shí)時(shí)的天氣情況，最后GPT會(huì)使用插件生成的結(jié)果組織一段文字回復(fù)返回給用戶。
編寫(xiě)天氣插件
這里我們將使用“心知天氣”提供的免費(fèi)天氣查詢服務(wù)，大家感興趣的可以去這里注冊(cè)個(gè)賬號(hào)：https://www.seniverse.com/，注冊(cè)成功后，需要復(fù)制賬號(hào)的私鑰，調(diào)用天氣接口時(shí)會(huì)用到。
然后我們就可以編寫(xiě)天氣查詢插件了，這里直接給出我的代碼：
def get_city_weather(param):
city = json.loads(param)["city"]
params = {
"key": "這里換成你的天氣產(chǎn)品私鑰",
"location": city,
"language": "zh-Hans",
"unit": "c",
}
url = "https://api.seniverse.com/v3/weather/now.json"
r = requests.get(url, params=params)
data = r.json()["results"]
address = data[0]["location"]['path']
temperature = data[0]['now']["temperature"]
text = data[0]['now']["text"]
return address+"，當(dāng)前天氣："+text+"，溫度："+temperature+ "℃"可以看到就是一個(gè)Python函數(shù)，接收json格式的參數(shù)，返回天氣描述信息。
注意這里的參數(shù)格式（包括有哪些參數(shù)）是和GPT大模型匹配過(guò)的，下文會(huì)講到怎么定義參數(shù)。
接口的主要邏輯就是使用城市名稱(chēng)，調(diào)用實(shí)時(shí)天氣接口獲取天氣信息，然后再拼接成一段話并返回。
我這里只使用了天氣的部分指標(biāo)，詳細(xì)指標(biāo)大家可以看接口文檔：
發(fā)起帶插件的聊天
話不多說(shuō)，看代碼：
client = OpenAI(api_key='sk-xxx')
# 聊天消息上下文
messages=[{
"role": "user",
"content": "請(qǐng)問(wèn)現(xiàn)在天氣怎么樣？",
}]
# 天氣插件
weather_tool = {
"type": "function",
"function": {
"name": "get_city_weather",
"description": "獲取某個(gè)城市的天氣",
"parameters": {
"type": "object",
"properties": {
"city": {
"type": "string",
"description": "城市名稱(chēng)",
},
},
"required": ["city"],
},
}
}
# 發(fā)起聊天請(qǐng)求
response = client.chat.completions.create(
messages=messages,
model='gpt-3.5-turbo-1106',
stream=False,
# 插件相關(guān)
tool_choice="auto",
tools=[weather_tool]
)在上面這段代碼中，我們首先聲明了一個(gè)OpenAI客戶端，沒(méi)有API Key的同學(xué)可以看文章最后。
然后我們創(chuàng)建了一個(gè)很普通的聊天會(huì)話，就是以普通用戶的身份詢問(wèn)GPT今天的天氣情況。
然后我們定義了一個(gè)天氣插件，其實(shí)就是一個(gè)Json對(duì)象。
- type：目前只能傳 fucntion，也就是說(shuō)目前插件就是外置函數(shù)。
- function：函數(shù)的定義。
- name：函數(shù)的名稱(chēng)，這里就是我們上邊定義的 get_city_weather。
- description：函數(shù)的描述，GPT將使用這個(gè)描述來(lái)決定什么時(shí)候以及如何調(diào)用函數(shù)。
- parameters：函數(shù)的參數(shù)。
- type：固定object
- properties：定義函數(shù)的各個(gè)參數(shù)，每個(gè)參數(shù)包含兩個(gè)屬性：type和description，description也很重要，讓GPT模型知道怎么來(lái)提供這個(gè)參數(shù)。
- required：數(shù)組，定義必填的參數(shù)。
最后我們向GPT發(fā)起本次聊天請(qǐng)求，其中增加了關(guān)于插件的兩個(gè)參數(shù)：
- tool_choice：開(kāi)啟插件，固定值 auto，設(shè)置為none則不使用插件。
- tools：插件列表，包含我們上邊定義的 weather_tool 插件。
處理插件命中
如果GPT大模型命中了插件，它會(huì)在返回值中攜帶一些信息。根據(jù)這些信息，我們可以知道要調(diào)用哪個(gè)插件的函數(shù)，然后再把函數(shù)的執(zhí)行結(jié)果附加到消息上下文中，再請(qǐng)求GPT大模型，GPT大模型會(huì)使用函數(shù)返回值組織文本內(nèi)容，最終返回給用戶。
相關(guān)代碼如下：
response_message = response.choices[0].message
if response_message.tool_calls is not None:
tool_call = response_message.tool_calls[0]
messages.append(response_message)
messages.append({
"role": "tool",
"content": get_city_weather(tool_call.function.arguments),
"tool_call_id": tool_call.id
})
response = client.chat.completions.create(
messages=messages,
model='gpt-3.5-turbo-1106',
stream=False,
tool_choice="auto",
tools=[weather_tool]
)
print(response_message.choices[0].message.content)判斷是否命中插件使用的是 response_message.tool_calls is not None，也就是返回值中的 tool_calls 不為空，因?yàn)檫@里只有一個(gè)插件，所以我們沒(méi)有做進(jìn)一步的判斷；如果有多個(gè)插件，可以遍歷tool_calls，根據(jù)插件關(guān)聯(lián)函數(shù)的 name，選擇執(zhí)行不同的方法。
注意這里我們把本次響應(yīng)的消息又追加到了上下文中：messages.append(response_message)。
然后我們又追加了插件生成的消息，就是下面這段：
messages.append({
"role": "tool",
"content": get_city_weather(tool_call.function.arguments),
"tool_call_id": tool_call.id
})介紹下這幾個(gè)字段：
- role：指定這個(gè)消息來(lái)自插件。
- content：指定消息的內(nèi)容。get_city_weather 就是我們上邊定義的插件方法，而它的參數(shù) tool_call.function.arguments 則是大模型生成的 ，這個(gè)方法會(huì)在在本地執(zhí)行，并生成一段天氣信息描述。
- tool_call_id：這段消息關(guān)聯(lián)的插件id，需要讓大模型了解這個(gè)數(shù)據(jù)關(guān)系。
然后我們又通過(guò) client.chat.completions.create 向GPT大模型發(fā)起請(qǐng)求 ，并拿到最終的返回結(jié)果。
完整的代碼示例
因?yàn)樯衔闹袃纱握?qǐng)求GPT大模型的方法都是一樣的，所以我們這里把它抽象為一個(gè)方法。
另外為了充分展現(xiàn)插件的使用方法，這里會(huì)向GPT詢問(wèn)三個(gè)城市的天氣信息，通過(guò)循環(huán)發(fā)起。
from openai import OpenAI
import json
import requests
import time
# 獲取天氣的方法
def get_city_weather(param):
city = json.loads(param)["city"]
params = {
"key": "這里換成你的天氣產(chǎn)品私鑰",
"location": city,
"language": "zh-Hans",
"unit": "c",
}
url = "https://api.seniverse.com/v3/weather/now.json"
r = requests.get(url, params=params)
data = r.json()["results"]
#print(json.dumps(data))
address = data[0]["location"]['path']
temperature = data[0]['now']["temperature"]
text = data[0]['now']["text"]
return address+"，當(dāng)前天氣："+text+"，溫度："+temperature+ "℃"
# 天氣插件的定義
weather_tool = {
"type": "function",
"function": {
"name": "get_city_weather",
"description": "獲取某個(gè)城市的天氣",
"parameters": {
"type": "object",
"properties": {
"city": {
"type": "string",
"description": "城市名稱(chēng)",
},
},
"required": ["city"],
},
}
}
# 創(chuàng)建OpenAI客戶端，獲取API Key請(qǐng)看文章最后
client = OpenAI(api_key='sk-xxx')
# 定義請(qǐng)求GPT的通用方法
def create_completion():
return client.chat.completions.create(
messages=messages,
model='gpt-3.5-turbo-1106',
stream=False,
tool_choice="auto",
tools=[weather_tool]
)
# 我的三個(gè)問(wèn)題
questions = ["請(qǐng)問(wèn)現(xiàn)在天氣怎么樣？","請(qǐng)問(wèn)上海天氣怎么樣？","請(qǐng)問(wèn)廣州天氣怎么樣？"]
# 聊天上下文，初始為空
messages=[]
print("---GPT天氣插件演示--- ")
# 遍歷詢問(wèn)我的問(wèn)題
for question in questions:
# 將問(wèn)題添加到上下文中
messages.append({
"role": "user",
"content": question,
})
print("路人甲: ",question)
# 請(qǐng)求GPT，并拿到響應(yīng)
response_message = create_completion().choices[0].message
# 把響應(yīng)添加到聊天上下文中
messages.append(response_message)
#print(response_message)
# 根據(jù)插件命中情況，執(zhí)行插件邏輯
if response_message.tool_calls is not None:
tool_call = response_message.tool_calls[0]
#print("tool_call: ",tool_call.id)
# 追加插件生成的天氣內(nèi)容到聊天上下文
weather_info = get_city_weather(tool_call.function.arguments)
#print(weather_info)
messages.append({
"role": "tool",
"content": weather_info,
"tool_call_id": tool_call.id
})
# 再次發(fā)起聊天
second_chat_completion = create_completion()
gpt_output = second_chat_completion.choices[0].message.content
# 打印GPT合成的天氣內(nèi)容
print("GPT: ",gpt_output)
time.sleep(0.2)
# 將GPT的回答也追加到上下文中
messages.append({
"role": "assistant",
"content": gpt_output,
})以上就是本文的主要內(nèi)容，有沒(méi)有感受到插件的強(qiáng)大能力！
后續(xù)我還會(huì)繼續(xù)分享圖片、語(yǔ)音、文檔助手等API的使用方法。
如需GPT賬號(hào)、學(xué)習(xí)陪伴群、AI編程訓(xùn)練營(yíng)，推薦關(guān)注小冊(cè)：大模型應(yīng)用開(kāi)發(fā) | API 實(shí)操文章來(lái)源：http://www.zghlxwxcb.cn/news/detail-807271.html
關(guān)注螢火架構(gòu)，加速技術(shù)提升！文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-807271.html
到了這里，關(guān)于GPT應(yīng)用開(kāi)發(fā)：編寫(xiě)插件獲取實(shí)時(shí)天氣信息的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
