OpenAI 刚刚发布了 ChatGPT API.这是一个调用 GPT-3.5-Turbo 的 API，与 ChatGPT 产品中使用的模型相同。
对于那些已经熟悉 Python 中的 OpenAI API 的人来说，学习如何使用 ChatGPT API 应该很简单，但仍有一些概念是该 API 独有的，我们将在本指南中学习。
让我们探索 Python 中的 ChatGPT API.
注意：API定价为每1K代币0.002美元。不过，你可以免费使用信用卡。现在我似乎有了另一个理由 取消我的ChatGPT Plus订阅.
生成你的 API 密钥
在我们开始使用 ChatGPT API 之前，我们需要登录我们的 OpenAI 帐户和生成我们的API密钥。
请记住，OpenAI 不会在你生成 API 密钥后再次显示它，因此请复制你的 API 密钥并保存它。我将创建一个名为OPENAI_API_KEY的环境变量，它将包含我在本教程中的 API 密钥。
安装库
要使用 ChatGPT API，首先，我们必须通过运行以下命令来安装 OpenAI 库。
pip install openai
你可以使用 OpenAI 库，今天我们将重点关注完成gpt-3.5-turbo。更准确地说，我们将使用“ChatCompletion”gpt-3.5-turbo，它与 ChatGPT 使用的模型相同。
使用 Python 的 ChatGPT API 入门
首先，我们将使用下面我从官方文档中获得的代码片段。
import os
import openai
openai.api_key = os.getenv("OPENAI_API_KEY")
completion = openai.ChatCompletion.create(
model="gpt-3.5-turbo",
messages=[
{"role": "user", "content": "Tell the world about the ChatGPT API in the style of a pirate."}
print(completion.choices[0].message.content)
这是与 API 交互的一种非常简单的方式。要知道的主要一点是，该messages列表有一个包含两个键的字典：roles和content。
简单地说content就是消息的内容，主要roles有三种：“系统”、“用户”或“助手”。“用户”是给出指令并在上面的代码中使用的人。
如果我们运行上面的代码，我们将得到以下结果。
Ahoy matey, ye be lookin' for a chat API that'll blow ye away? Look no further than ChatGPT API ye ol' sea dog!
这与 ChatGPT “以web的方式向世界介绍 ChatGPT API ”功能是一样的。
现在，我们从文档中获取的代码片段是非常基本的，我们可以添加更多的代码来与 API 交互，就像我们在与 ChatGPT 聊天一样。此外，我们还应该添加用于设置助手行为的system角色和用于存储先前响应的assistant角色。
管理员角色
让我们添加一个系统角色来设置助手的行为。你可以告诉助理是一个“将英语翻译成法语的有用助理”或任何你想要的东西。
为了简单起见，我将通过消息列表将系统角色设置为“友好的助手”（我让 ChatGPT 在工作面试中表现为招聘人员）。
messages = [
{"role": "system", "content" : "You’re a kind helpful assistant"}
现在，我将把角色附加users到前面的列表中，并添加输入函数，以便与 API 交互，就像我们在使用 ChatGPT 一样。
import openai
content = input("User: ")
messages.append({"role": "user", "content": content})
completion = openai.ChatCompletion.create(
model="gpt-3.5-turbo",
messages=messages
chat_response = completion.choices[0].message.content
print(f'ChatGPT: {chat_response}')
现在，如果我们问“谁是第一个登上月球的人？”，系统就会表现得像一个“有用的助手，告诉我们答案”。
User:who was the first man on the moon?
ChatGPT:The first man on the moon was Neil Armstrong on July 20,1969.
不过只有一个小细节。assistant没有存储以前的响应，因此系统可能不会记住我们以前的响应并给出正确的响应。
让我们现在问“他来自哪里？”然后“他有多高？”我现在将添加一个 while 循环来问多个问题。
正如你所看到的，现在系统正在回答每个新问题，但它正在从以前的答复中积累信息。
我们可以用assistant角色来解决这个问题。
助理角色
我们使用助理角色来存储先前的响应。通过存储以前的响应，我们可以建立对话历史记录，当用户指令引用以前的消息时，对话历史记录就会派上用场。
使用下面的代码，我们将助理角色添加到消息列表中。
messages.append({"role": "assistant", "content": chat_response})
请注意，在内容中，我们必须添加聊天响应，以便存储响应。
现在，我们将上一行代码添加到 while 循环中。
import openai
while True:
content = input("User: ")
messages.append({"role": "user", "content": content})
completion = openai.ChatCompletion.create(
model="gpt-3.5-turbo",
messages=messages
chat_response = completion.choices[0].message.content
print(f'ChatGPT: {chat_response}')
messages.append({"role": "assistant", "content": chat_response})
现在，如果我们问之前问过的问题，我们会得到更好的回答。
就是这样！现在你知道如何使用这 3 个角色，你可以使用你想要的 API.除了请求主体中的模型和消息之外，你还可以添加其他参数来定制你的请求。
以下是一些额外的参数：
max_token：在完成中生成的最大标记数（here你可以看到 OpenAI 使用的提交数）
temperature：要使用的取样比例。接近 1 的值将给模型带来更多的风险/创造性，而接近 0 的值将产生定义明确的答案。
n：为每个输入消息生成的聊天完成选项的数量。
