API 开发 — 让程序调用 ChatGPT

这一课教你如何在自己的程序中调用 ChatGPT。无论你是开发者还是想自动化任务，这项技能都非常实用。

一、什么是 ChatGPT API？

ChatGPT API 让开发者可以将 ChatGPT 的能力集成到自己的应用中。通过简单的 HTTP 请求，你的程序就能获得 AI 对话能力。

能做什么？

🔌 应用场景：
- 聊天机器人（客服、社交 Bot）
- 内容生成工具（批量写文案、翻译）
- 数据分析工具（自然语言查询数据）
- 教育工具（AI 辅导、作文批改）
- 自动化工作流（结合钉钉、飞书等）

二、获取 API 密钥

步骤1：注册 OpenAI 账号

1. 访问 platform.openai.com
2. 注册账号（需要邮箱验证）
3. 绑定支付方式（API 按用量付费，但初始余额通常够用）

步骤2：创建 API 密钥

1. 登录后进入 Dashboard
2. 点击左侧菜单「API keys」
3. 点击「Create new secret key」
4. 复制密钥并安全保存（只显示一次！）

安全提醒

API 密钥是你的身份凭证，泄露等于别人用你的账户调用。

• 永远不要上传到公开的代码仓库
• 使用环境变量存储，不要硬编码
• 定期轮换密钥

三、第一个 API 调用

用 Python 调用

import openai

# 设置 API 密钥
openai.api_key = "sk-your-api-key-here"

# 发送请求
response = openai.chat.completions.create(
    model="gpt-4o",
    messages=[
        {"role": "system", "content": "你是一位专业的翻译助手。"},
        {"role": "user", "content": "请翻译：人工智能正在改变世界。"}
    ],
    temperature=0.7,
    max_tokens=500
)

# 获取结果
print(response.choices[0].message.content)
# 输出：Artificial intelligence is changing the world.

安装依赖

pip install openai

四、API 核心参数详解

常用参数

response = openai.chat.completions.create(
    model="gpt-4o",              # 模型选择
    messages=[...],               # 对话消息列表
    temperature=0.7,              # 随机性（0-2）
    max_tokens=500,               # 最大输出长度
    top_p=1.0,                    # 核采样参数
    frequency_penalty=0.0,        # 频率惩罚
    presence_penalty=0.0,         # 存在惩罚
)

参数含义

参数	范围	作用	推荐值
model	字符串	使用的模型	gpt-4o（全能）
temperature	0-2	随机性。越高越有创意	0.7（平衡）
max_tokens	1-4096	最大输出 token 数	按需
top_p	0-1	核采样概率	1.0（默认）
frequency_penalty	-2-2	减少重复。正数减少重复	0（默认）
presence_penalty	-2-2	鼓励新话题	0（默认）

Temperature 的用法

# 需要准确答案（翻译、数学、代码）
temperature=0.1  # 几乎确定性的输出

# 一般对话
temperature=0.7  # 平衡质量和创意

# 需要创意内容（写故事、头脑风暴）
temperature=1.0  # 更有创意和变化

五、构建一个简单的聊天应用

基础版（带记忆）

import openai

openai.api_key = "sk-your-api-key"

# 对话历史（维护上下文）
conversation = [
    {"role": "system", "content": "你是一个乐于助人的助手。"}
]

def chat(message):
    """发送消息并获取回复"""
    conversation.append({"role": "user", "content": message})

    response = openai.chat.completions.create(
        model="gpt-4o",
        messages=conversation,
        temperature=0.7
    )

    reply = response.choices[0].message.content
    conversation.append({"role": "assistant", "content": reply})
    return reply

# 开始对话
print(chat("你好，请介绍一下你自己。"))
print(chat("你能帮我做什么？"))
print(chat("帮我写一首关于秋天的诗"))

进阶版（带流式输出）

import openai

openai.api_key = "sk-your-api-key"

def chat_stream(messages, model="gpt-4o"):
    """流式输出，逐字显示回复"""
    response = openai.chat.completions.create(
        model=model,
        messages=messages,
        temperature=0.7,
        stream=True  # 启用流式输出
    )

    full_reply = ""
    for chunk in response:
        if chunk.choices[0].delta.content:
            content = chunk.choices[0].delta.content
            full_reply += content
            print(content, end="", flush=True)  # 逐字打印

    print()  # 换行
    return full_reply

# 使用
messages = [
    {"role": "system", "content": "你是一个专业的 Python 编程助手。"},
    {"role": "user", "content": "请帮我写一个快速排序函数"}
]

chat_stream(messages)

六、实际项目案例

案例1：钉钉/飞书机器人

import openai
import requests

# 模拟收到一条用户消息
def on_user_message(user_message, webhook_url):
    messages = [
        {"role": "system", "content": "你是公司的智能客服。"},
        {"role": "user", "content": user_message}
    ]

    response = openai.chat.completions.create(
        model="gpt-4o",
        messages=messages,
        temperature=0.5
    )

    reply = response.choices[0].message.content

    # 发送回复到钉钉/飞书
    requests.post(webhook_url, json={"content": reply})
    return reply

案例2：批量翻译工具

import openai

openai.api_key = "sk-your-api-key"

def batch_translate(texts, from_lang="zh", to_lang="en"):
    """批量翻译"""
    results = []

    for text in texts:
        response = openai.chat.completions.create(
            model="gpt-4o",
            messages=[
                {"role": "system", f"content": f"你是一个专业的{from_lang}到{to_lang}翻译。"},
                {"role": "user", "content": text}
            ]
        )
        results.append(response.choices[0].message.content)

    return results

# 使用
texts = ["你好世界", "今天天气真好", "编程很有趣"]
translations = batch_translate(texts)

for original, translated in zip(texts, translations):
    print(f"{original} → {translated}")

案例3：代码审查助手

import openai

openai.api_key = "sk-your-api-key"

def code_review(code, language="python"):
    """代码审查"""
    response = openai.chat.completions.create(
        model="gpt-4o",
        messages=[
            {
                "role": "system",
                "content": f"你是一位{language}代码审查专家，精通最佳实践和安全检查。"
            },
            {
                "role": "user",
                "content": f"请审查以下{language}代码，指出问题和改进建议：\n\n```{language}\n{code}\n```"
            }
        ]
    )
    return response.choices[0].message.content

七、成本控制

Token 计算

API 按 Token 计费，1 个 Token 约等于 0.7 个英文单词或 0.5 个中文字。

import tiktoken

def count_tokens(text, model="gpt-4o"):
    """计算文本的 token 数量"""
    encoding = tiktoken.encoding_for_model(model)
    return len(encoding.encode(text))

# 示例
text = "你好，请帮我写一个 Python 函数。"
print(f"Token 数量：{count_tokens(text)}")

省钱技巧

技巧	说明
选择合适的模型	简单任务用 gpt-4o-mini（便宜）
控制 max_tokens	按需设置，不要过大
缓存回复	相同问题复用之前的结果
批量处理	减少 API 调用次数
监控用量	定期检查 Dashboard 的用量统计

价格参考（大致）

模型	输入价格	输出价格	适用场景
gpt-4o-mini	约 ¥0.05/百万 token	约 ¥0.15/百万 token	简单任务
gpt-4o	约 ¥3/百万 token	约 ¥10/百万 token	通用任务
o3	约 ¥10/百万 token	约 ¥40/百万 token	复杂推理

八、常见问题

Q: API 调用失败怎么办？

import time

def call_api_with_retry(messages, max_retries=3):
    for attempt in range(max_retries):
        try:
            response = openai.chat.completions.create(
                model="gpt-4o",
                messages=messages
            )
            return response
        except openai.RateLimitError:
            time.sleep(2 ** attempt)  # 指数退避
        except openai.APIError as e:
            print(f"API 错误：{e}")
            return None
    return None

Q: 如何设置超时？

# 设置超时（Python SDK）
import openai

client = openai.OpenAI(
    api_key="sk-your-api-key",
    timeout=30.0  # 30秒超时
)

Q: 如何集成到 Web 应用？

# Flask 示例
from flask import Flask, request, jsonify
import openai

app = Flask(__name__)
openai.api_key = "sk-your-api-key"

@app.route("/api/chat", methods=["POST"])
def chat():
    user_message = request.json["message"]

    response = openai.chat.completions.create(
        model="gpt-4o",
        messages=[
            {"role": "system", "content": "你是助手"},
            {"role": "user", "content": user_message}
        ]
    )

    return jsonify({
        "reply": response.choices[0].message.content
    })

if __name__ == "__main__":
    app.run(debug=True)

总结

恭喜你完成了 ChatGPT 教程的全部课程！🎉

现在你已经掌握：

• ✅ 从零入门 ChatGPT
• ✅ 提示词工程
• ✅ 多模态功能
• ✅ GPTs 定制
• ✅ API 开发

下一步

如果你觉得 ChatGPT 教程对你有帮助，也可以看看我们的其他教程：

• Midjourney 入门到精通 — 学习 AI 图像生成
• Stable Diffusion 实战 — 学习本地部署 AI 绘画