前言

OpenAI 大模型提供了一些強大的 API，方便用戶與 OpenAI 的大語言模型進行交互。除了上篇中講到的Embeddings中需要用到的embeddings接口，其核心接口主要是Completions 和Chat Completions接口。

一、OpenAI 大模型接口列表

二、Completions（文本自動補全類模型API）

自動文本補全、用于生成各類文本任務的模型，可以根據(jù)給定的提示(prompt)自動生成和補全文本，如撰寫文章
Completions API：
1、 接口：/v1/completions (已淘汰)
2、 模型：gpt-3.5-turbo-instruct, babbage-002, davinci-002
3、 參數(shù)：model（模型名稱）、prompt（提示詞）、max_tokens（響應的tokens閥值）、temperature（溫度值0-2，嚴謹度從高到低）
4、功能：這個 API 接口能夠通過預測接下來的文本來生成新的文本。你只需提供一個提示（prompt），模型就會生成一個與提示相關的文本序列。這對于創(chuàng)作文章、歌詞、故事或者生成電子郵件回復等任務來說非常有用。

三、Chat Completions（對話聊天類模型API）

ChatCompletions屬于Completions的升級版本，專用為對話和聊天場景設計的模型；它通過大量高質量對話文本進行微調，從而更好地理解和生成對話內(nèi)容
Chat Completions API：（推薦）
1、接口：/v1/chat/completions
2、模型：gpt-4 and dated model releases, gpt-4-turbo-preview and dated model releases, gpt-4-vision-preview, gpt-4-32k and dated model releases, gpt-3.5-turbo and dated model releases, gpt-3.5-turbo-16k and dated model releases, fine-tuned versions of gpt-3.5-turbo
3、參數(shù)：model、message(user/system/assistant ）、max_tokens、function、function_call 等
message中的參數(shù)說明
①　user：設置用戶提示問題
②　system：設置系統(tǒng)模型背景（設置角色/設置知識庫/設置樣例）
③　assistant ：設置模型助手返回樣例；可以針對第一個user提示詞，設置返回的結果樣例
4、功能：這個 API 接口允許你構造一個多輪的聊天會話。你可以提供一系列的消息，每一條消息都有一個角色（role）和內(nèi)容（content）。角色可以是 system、user 或 assistant，這使得模型可以在多個角色之間進行上下文理解和切換，生成相應的回復。

四、接口開發(fā)實踐

1.簡單使用樣例

import os
from openai import OpenAI
client = OpenAI(
  api_key=os.environ['OPENAI_API_KEY'],  # this is also the default, it can be omitted
)

response = client.chat.completions.create(
  model="gpt-3.5-turbo",
  messages=[
    {"role": "user", "content": "請問，什么是AI大模型？"}
  ]
)
# 輸出response
ChatCompletion(id='chatcmpl-9AXF9T4lURXaU2S4ElFycQpeDHiDQ', choices=[Choice(finish_reason='stop', index=0, logprobs=None, message=ChatCompletionMessage(content='AI大模型是指具有龐大參數(shù)數(shù)量和復雜結構的人工智能模型。這些模型通常通過深度學習技術訓練，并在各種任務中取得了良好的性能表現(xiàn)。AI大模型的例子包括大規(guī)模神經(jīng)網(wǎng)絡如BERT、GPT等。這些模型通常需要大量的計算資源和數(shù)據(jù)來訓練，并在自然語言處理、計算機視覺、語音識別等領域中得到廣泛應用。', role='assistant', function_call=None, tool_calls=None))], created=1712298095, model='gpt-3.5-turbo-0125', object='chat.completion', system_fingerprint='fp_b28b39ffa8', usage=CompletionUsage(completion_tokens=145, prompt_tokens=19, total_tokens=164))
# 輸出結果中content
response.choices[0].message.content
'OpenAI是一家非營利人工智能研究實驗室，旨在推動人工智能技術的發(fā)展，并確保人工智能對人類的利益產(chǎn)生積極影響。OpenAI致力于開發(fā)開源的人工智能技術，以促進人工智能領域的創(chuàng)新和發(fā)展。該實驗室的研究重點包括深度學習、強化學習、自然語言處理、計算機視覺等領域。對于AI行業(yè)來說，OpenAI是一個具有推動作用的領先機構，旨在通過共享研究成果和開源技術，促進全球范圍內(nèi)的合作與創(chuàng)新。'

2.身份角色設定

通過Message中的system提前設置大模型的角色身份，讓他回答更加專業(yè)嚴謹。

response = client.chat.completions.create(
  model="gpt-3.5-turbo",
  messages=[
    {"role": "system", "content": "你是一名AI大模型資深專家"},
    {"role": "user", "content": "請問什么是AI大模型？"}
  ]
)
# 輸出結果
response.choices[0].message.content
'AI大模型通常指的是參數(shù)數(shù)量龐大、參數(shù)規(guī)模龐大的人工智能模型，常常包括數(shù)百萬到數(shù)十億個參數(shù)。這些模型通常經(jīng)過深度學習訓練，能夠在多個領域展現(xiàn)出強大的性能，比如自然語言處理、計算機視覺、語音識別等。由于參數(shù)規(guī)模巨大，這些模型需要龐大的計算資源和數(shù)據(jù)來進行訓練，且通常需要運行在多個GPU或者TPU等高性能計算設備上才能發(fā)揮其潛力。近年來，隨著計算能力的提升和算法的改進，AI大模型的應用范圍也在不斷擴大。'

3.添加聊天背景

借助system role設置聊天背景信息，實現(xiàn)類似根據(jù)本地知識庫回答問題的方法

text = '冬瓜老師，男，1988年9月16日出生于廣東省深圳市 \
        2011年畢業(yè)于深圳大學計算機專業(yè)。\
        畢業(yè)后進入ABC科技公司工作了6年，專注于AI方面的研究，'
#%%
response = client.chat.completions.create(
  model="gpt-3.5-turbo",
  messages=[
    {"role": "system", "content": text},
    {"role": "user", "content": '請問冬瓜老師出生于哪兒？'}
  ]
)
# 輸出結果
response.choices[0].message.content
'冬瓜老師出生于廣東省深圳市。'

4.實現(xiàn)文本補全

圍繞system的prompt進行進一步的文本補全；當messages中只包含一條system消息時，系統(tǒng)會圍繞system進行回答

response = client.chat.completions.create(
  model="gpt-3.5-turbo",
  messages=[
    {"role": "system", "content": "你是一名的脫口秀演員"},
  ]
)
# 輸出結果
response.choices[0].message.content
'嗨！大家好，我是今天的主持人。感謝大家的到場，讓我來為大家?guī)硪恍g樂和笑聲。今天有沒有什么話題是你們特別想要聊的呢？放心，我會為大家?guī)碜钚伦钣腥さ亩巫雍托υ?。廢話不多說，讓我們開始今天的表演吧！希望大家盡情享受！'

5.少量樣本提示

利用message參數(shù)中的assistant，為大模型添加回答的模板樣例

Q1 = '小米有6個氣球，她又買了3袋，每袋有10個氣球，請問她現(xiàn)在總共有多少個氣球？'
A1 = '現(xiàn)在小米總共有36個氣球。'
Q2 = '小明總共有10個蘋果，吃了3個蘋果，然后又買了5個蘋果，請問現(xiàn)在小明總共有多少個蘋果？'
A2 = '現(xiàn)在小明總共有12個蘋果。'
#%%
response = client.chat.completions.create(
  model="gpt-3.5-turbo",
  messages=[
    {"role": "user", "content": Q1},
    {"role": "assistant", "content": A1},
    {"role": "user", "content": Q2}
  ]
)
# 輸出結果
response.choices[0].message.content
'現(xiàn)在小明總共有12個蘋果。'
## 可以把提示示例寫進一條system信息中，作為當前問答的背景信息
response = client.chat.completions.create(
  model="gpt-3.5-turbo",
  messages=[
    {"role": "system", "content": '問題: ' + Q1 + '答案: ' + A1},
    {"role": "user", "content": '問題: ' + Q2 }
  ]
)
# 輸出結果
response.choices[0].message.content
'現(xiàn)在小明總共有12個蘋果。'

5.提高分析能力

借助system消息能夠作為背景知識的設定，能夠對后續(xù)的問答消息造成影響；通過它提高大模型思維分析能力

prompt_temp_cot = '請一步步思考并解決問題'
response = client.chat.completions.create(
  model="gpt-3.5-turbo",
  messages=[
    {"role": "system", "content": prompt_temp_cot},
    {"role": "user", "content": Q1}
  ]
)
# 輸出結果
response.choices[0].message.content
'首先，小米原本有6個氣球，然后買了3袋氣球，每袋有10個。所以現(xiàn)在她有：\n6 + 3 * 10 = 6 + 30 = 36 個氣球\n\n所以，小米現(xiàn)在總共有36個氣球。'

總結

本章主要介紹ChatCompletions API的特點，以及各種使用樣例；下一章節(jié)將記錄說明怎么基于Chat Completions API和本地知識庫實現(xiàn)一個簡單的多輪對話機器人。

探索未知，分享所知；點擊關注，碼路同行，尋道人生！文章來源地址http://www.zghlxwxcb.cn/news/detail-848465.html

到了這里，關于AI大模型探索之路-基礎篇2：掌握Chat Completions API的基礎與應用的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網(wǎng)！