ChatGPT API 开发第一步，验证你的 SECRET KEY 能不能用

当然可以，只要别人让人用。所以刚才我们讲，在你生成这个密钥之后，一定要把它放在一个别人看不到的地方。有人会错把它放在 Github 仓库里，这是一种失误，如果真出现了泄漏，也不要紧张，还是在上面的生成页面，单击密钥后面的删除按钮，将它删除便是了。

关于费用问题

刚才我们说了，接口调用是要花钱的。但 ChatGPT 为了方便开发者上手，为每人提供了一个小数额的信用额度，这个额度从早期的 18，再到目前的$5，信用额度是越来越低了。

这可能与使用的开发者过多及资源有限有关，所以我奉劝想研究 ChatGPT 的开发者，有时间尽早去发邮件申请一下 API 的试用权限。哪怕申请了之后你不用，额度也一直在哪里，在截止目前之前不会减少。

你可以在下面这个链接查看你剩余的额度：

image-20230325201629181

如果初始信用额度用完了，你可以在下面这个地址设置你的信用卡，每月月底 ChatGPT 会从你的卡上扣钱。

platform.openai.com/account/bil…

使用 curl 测试 API 通否

拿到密钥以后，第一步是测试接口的连通问题，这是最简单的，但也是最重要的。接口链路不通，后面一切都得研究了。

假设你的电脑上已经有了终端 curl 工具（没有的话可以自行搜索安装一下），在终端中执行以下代码：

curl https://api.openai.com/v1/models \
  -H "Authorization: Bearer $OPENAI_API_KEY"

99.99%的概率你看不到正确的返回。在这里有两个问题需要我们先处理一下。

第一个，关于系统变量$OPENAI_API_KEY，它是需要我们手动设置的。在 Windows 机器上，我们需要在系统设置->环境变量里面，添加名称为 OPENAI_API_KEY 的变量，值就是上面我们刚刚生成的 API 密钥。如果是 macOS/Linux 系统，我们需要在 bash 配置文件中手动导出一个名称为 OPENAI_API_KEY 的变量，值同样也是 API 密钥。

具体设置方法如果有不明白的可以谷歌。验证环境变量设置是否成功，可以在终端里执行以下指令：

echo $OPENAI_API_KEY

第二个，就是调用请求从我们的电路上发出，至到达终点，中间可能会遇到高墙大山，这时候我们需要梯子。研究 ChatGPT API 开发，梯子就像电工的钳子一样，必须随身携带。

将本地梯子设置好以后，在 curl 指令参数列表中加上 proxy 参数，如下所示：

curl --proxy http://127.0.0.1:7890 https://api.openai.com/v1/models \
  -H "Authorization: Bearer $OPENAI_API_KEY"

如果前面的两步你都完成了，正常情况下你就能得到一个 Models List 文本。ChatGPT 有很多模型，/v1/models 这个接口就是返回我们可以选择的模型，每个模型的功能、处理能力及价格都是不一样的，在目前我们知道这一点就足够了（应该足够了）。

返回的结果很长，是一个 JSON 字符串，内容没有必要细看，意义不大。我通过 map 方法处理了一下这个结果：

let models = ret.data.map(item=>item.id)

最后得到的列表是这样的：

(62) ['babbage', 'davinci', 'babbage-code-search-code', 'text-similarity-babbage-001', 'text-davinci-001', 'ada', 'curie-instruct-beta', 'babbage-code-search-text', 'babbage-similarity', 'whisper-1', 'code-search-babbage-text-001', 'text-curie-001', 'code-search-babbage-code-001', 'text-ada-001', 'text-embedding-ada-002', 'text-similarity-ada-001', 'ada-code-search-code', 'ada-similarity', 'text-davinci-003', 'code-search-ada-text-001', 'text-search-ada-query-001', 'davinci-search-document', 'ada-code-search-text', 'text-search-ada-doc-001', 'davinci-instruct-beta', 'text-similarity-curie-001', 'code-search-ada-code-001', 'ada-search-query', 'text-search-davinci-query-001', 'curie-search-query', 'gpt-3.5-turbo-0301', 'davinci-search-query', 'babbage-search-document', 'ada-search-document', 'text-search-curie-query-001', 'text-search-babbage-doc-001', 'gpt-3.5-turbo', 'curie-search-document', 'text-search-curie-doc-001', 'babbage-search-query', 'text-babbage-001', 'text-search-davinci-doc-001', 'text-search-babbage-query-001', 'curie-similarity', 'curie', 'text-similarity-davinci-001', 'text-davinci-002', 'davinci-similarity', 'cushman:2020-05-03', 'ada:2020-05-03', 'babbage:2020-05-03', 'curie:2020-05-03', 'davinci:2020-05-03', 'if-davinci-v2', 'if-curie-v2', 'if-davinci:3.0.0', 'davinci-if:3.0.0', 'davinci-instruct-beta:2.0.0', 'text-ada:001', 'text-davinci:001', 'text-curie:001', 'text-babbage:001']

最佳的模型选择

一共有 62 个，这是理论上我们在使用 ChatGPT 的能力时，可以选择的模型。有很多模型可能我们一直都不会研究，有 5 个模型是我们接下来可能会经常用到的。它们是：

Ada 阿达
Bargage 巴贝奇
Curie 居里
Davinci 达芬奇
gpt-3.5-turbo 3.5 涡轮

这 5 个模型，它们的能力从上至下是逐步升高的，它们的处理速度整体上（至少在前 4 个里面）是逐步降低的，这也很好理解，任务越复杂越要耗费的 CPU 时间就越多。还有，它们的每一千个 token（什么是 token？）消耗的 money（在前 4 个里面）也是逐步升高的，这可以理解为，能力越大，成本越大。

这里提到了一个新概念：token，什么是 token？这是个程序里的概念，可以简单理解为汉语里的字，英语句子里的单词，甚至单词里包含的前缀、后缀。有人做过统计，大概每 750 个字相当于 1000 个 token。token 是 ChatGPT API 接口调用的计量单位。

这 5 个模型我们看到了，基本越往后能力越大，但耗时及资费也越来越贵。但第 5 个模型 gpt-3.5-turbo，目前是一个例外。除了 GPT-4 的 API 之外，它在目前 5 个模型中，能力是最强的。我们看一下它们的资费对比：

Ada $0.0004
Babbage $0.0005
Curie $0.002
Davinci $0.02
gpt-3.5-turbo $0.002

gpt-3.5-turbo 不是最贵的，也不是处理时间最快的，但综合考虑能力、资费及耗时，它是目前的最优选择。除非你的工作任务使用前几个模型就可以完成，否则使用 gpt-3.5-turbo 模型是毫无疑问的默认选项。

好，现在知道选择哪个选型了。我们测试一两个 API，分别用 Node.js 和 Python 两种语言。

使用 Node.js 验证基于提示的问答接口

下面我们用 Node.js，实现对 ChatGPT 问答接口的调用。基于提示指令的问答，是 ChatGPT 最常被使用的接口。直接上主要代码吧：

// disc/01/main.js
import httpsProxyAgent from "https-proxy-agent";
import env from "env";
// all_proxy=socks5://127.0.0.1:7890
function httpsAgent() {
 // @ts-ignore
 return new httpsProxyAgent( {
  host: '127.0.0.1',
  port: 7890,
  protocol: 'socks5'
 } );
}
async function test(messages) {
  const apiKey = env.getenv("OPENAI_API_KEY");
  const result = await fetch(`https://api.openai.com/v1/chat/completions`, {
    agent: httpsAgent(),
    headers: {
      "Content-Type": "application/json",
      Authorization: `Bearer ${apiKey}`,
    },
    method: "POST",
    body: JSON.stringify({
      messages,
      model: "gpt-3.5-turbo",
      temperature: 0.5,
      max_tokens: 4096,
      stream: true,
    })
  });
  return result
}
async function main() {
  const r = await test("What's your name?").catch(console.log);
  console.log("result：",r);
}
main();

解决一下这个文件：

第 1 行，https-proxy-agent 是一个第三方模块，是用来设置本地代理的，需要提前安装；
第 8 行至第 12 行，这里设置的是本地代理，在测试开始之前，一定要记得开启代理；
第 16 行，这里是从环境变量中取密钥，这一步依赖前面使用 curl 测试 API 的一步。这里就体现了使用环境变量的好处，密钥放在本地电脑里面，不会随代码被推到 Github 仓库里；
第 17 行，这个地址/v1/chat/completions 就是问答的 API 地址；
第 26 行，这里选择的模型是 gpt-3.5-turbo，这是前面我们选定的默认模型。

在测试之前，有一点可能需要说明一下，这是一个 Node.js 项目，位置位于 disc/01，在测试时它需要被当作一个 Node.js 项目启动，测试指令为：

yarn dev or npm run dev

如果你不这样做，而直接执行 node main.js，可能会遇到一个关于 Node.js 模块导入的语法错误。

所有步骤一切都搞定以后，执行测试，应该就能看到结果了。

使用 Python 测试接口

前面使用 Node.js 测试接口，每一个接口参数都需要我们自己传递，这对于一部分开发者来说可能是透明的优点，但对于另外一部分开发者来说，可能就是麻烦了。下面我们尝试使用官方封装的 openai 模块，在 Python 中调用官方的 API。

首先，是安装 openai 模块：

pip3 install openai

在 Node.js 中，其实也有一个现成的 openai 模块，它可以使用 yarn 或 npn 安装：

yarn add openai or npm install openai

如果你想简单一些，又使用 Node.js 进行开发，可以安装这个 openai 模块。

获取 models 列表

下面的 Py 代码用于拉取 models：

# disc/02.py
import os
import openai
openai.api_key = os.getenv("OPENAI_API_KEY")
print(openai.Model.list())

它在内部也是调用了/v1/models 接口，只是封装了起来，只需要我们提供一个必须提供的 api_key。

调用 Chat 聊天接口

调用的是聊天接口/v1/chat/completions，代码如下所示：

# disc/03.py
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": "Do u know yishulun？"}]
)
print(completion)

对于像这样的简单的 Py 代码，可以这样测试：

python3 03.py

调用 Completion 问答接口

将要调用的是/v1/completions 接口，它在前面使用过，基于开发者提供的指令（prompt），完成特定的任务：

# disc/04.py
import os
import openai
openai.api_key = os.getenv("OPENAI_API_KEY")
text_prompt = "请你扮演一个脱口秀演员，讲一个与‘艺述论’有关的笑话。"
completion = openai.Completion.create(
    model="text-davinci-003",
    prompt=text_prompt,
    temperature=0.5,
)
generated_text = completion.choices[0].text
print(generated_text)

在这里有一个问题，请注意，==如果我们将第 8 行的模型换成 gpt-3.5-turbo，对不起代码就报错了，为什么？==

由文本生成图片

怎么生成呢？直接上 Py 代码吧：

# disc/05/main.py
import os
import openai
openai.api_key = os.getenv("OPENAI_API_KEY")
response = openai.Image.create(
  prompt="A red fish bites a black dog.",
  n=2,
  size="1024x1024"
)
# ['256x256', '512x512', '1024x1024']
image_url = response['data']
print(image_url)

这个示例会返回两个图片，其中一张是这样的：

第 8 行传递的参数 size，只能从有限的备选项中选取，它们是['256x256', '512x512', '1024x1024'] 。注意==，这里的 size 为什么一定是正方形呢？为什么不能由开发者随便指定比例及大小呢？==

小结

基本上通过以上几步的折腾，你大概就能搞明白 ChatGPT API 怎么调用了。当然了，具体的每个接口如何使用，还需要看官方的文档，地址是：

platform.openai.com/docs/api-re…

这篇文章的主要目的，在于使用 Node.js、Python 这样简单的脚本语言，快速验证你的密钥是否可用，是否具备进行 ChatGPT API 研究的基础条件。

有问题欢迎在评论区提问。

参考资料

[2] platform.openai.com/docs/api-re…

[2] ChatGPT API研究示例仓库：github.com/rixingyike/…

ChatGPT API 开发第一步，验证你的 SECRET KEY 能不能用

ChatGPT API 开发第一步，验证你的 SECRET KEY 能不能用

目录

生成接口调用密钥

关于费用问题

使用 curl 测试 API 通否

最佳的模型选择

使用 Node.js 验证基于提示的问答接口

使用 Python 测试接口

获取 models 列表

调用 Chat 聊天接口

调用 Completion 问答接口

由文本生成图片

小结

参考资料

热门文章

最新文章

相关电子书

相关实验场景

热门

活动广场

任务中心

开发者评测

高校计划

乘风者计划

训练营

阿里云MVP

话题

直播

下载

镜像站

技术资料

插件

ChatGPT API 开发第一步，验证你的 SECRET KEY 能不能用

ChatGPT API 开发第一步，验证你的 SECRET KEY 能不能用

目录

生成接口调用密钥

关于费用问题

使用 curl 测试 API 通否

最佳的模型选择

使用 Node.js 验证基于提示的问答接口

使用 Python 测试接口

获取 models 列表

调用 Chat 聊天接口

调用 Completion 问答接口

由文本生成图片

小结

参考资料

热门文章

最新文章

相关电子书

相关实验场景