如何配置 OpenAI 环境变量

简介: 如何配置 OpenAI 环境变量
  1. 配置 OpenAI 环境变量
  2. 操作步骤
  1. 本地创建一个新文件夹(文件夹命名最好是英文、文件夹内无其他文件)
  2. 打开编辑器(VScode)→打开刚才创建的「文件夹」
  3. 在项目文件夹里,创建一个名为.env的文件
  1. 不是 .env.py
  2. 不是 xxx.env
  3. .env文件确认要保存(MacOS系统: command+s)
  4. VSCode 编辑器,看一下当前文件上面是否有小圆点,如果有代表没有保存
  1. 输入如下代码
  1. sk-xxx 使用自己的 key 替换
  2. OPENAI_BASE_URL
  1. 不是 OPENAI_API_BASE
  2. 不是 OPENAI_API_URL
  3. OPENAI_BASE_URL的值是 https://api.fe8.cn/v1/v1不要漏掉)
  4. OPENAI_BASE_URL是访问 OpenAI 的代理跳板,已解决网络通道问题
OPENAI_API_KEY="sk-xxx"
OPENAI_BASE_URL="https://api.fe8.cn/v1"
  1. 注意事项
  1. 关闭:梯子、魔法、科学上网
  2. 无需在命令行或 Windows 的全局环境配置变量
  1. 安装包 pip
  2. 安装项目依赖的包
  1. MacOS 系统
pip3 install python-dotenv openai    
  1. Windows 系统
pip install python-dotenv openai    
  1. 创建源代码文件
  2. 编辑器(VSCode)里,新建名为 index.py 的文件
  3. 复制如下代码在 index.py 文件中
import os
from openai import OpenAI
# 加载 .env 到环境变量
from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv())
# 配置 OpenAI 服务  
client = OpenAI()
response = client.chat.completions.create(
    messages=[
        {
            "role": "user",
            "content": "讲个笑话",
        }
    ],
    model="gpt-3.5-turbo",
)
print(response)
# print(print(response.choices[0].message.content))  # 更具体的的打印
  1. 运行代码,在index.py的文件,运行 Python 代码
  1. 保存 .env文件
  2. 确保为最新的 Python 版本
  3. 查看运行代码结果
目录
相关文章
|
7月前
|
JSON 测试技术 API
大模型工程师基础之学会使用openai
本系列教程涵盖OpenAI API基础到高级应用,包括文本生成、图像处理、语音交互、会话管理、流式响应、文件输入、推理模型及性能评估等十大核心功能。适合新手入门与工程师实践,助您掌握大模型开发关键技术。从简单Prompt设计到复杂多模态任务,逐步深入,结合实例代码与最佳实践,提升实际开发能力。希望这些内容对您有帮助!
704 11
|
机器学习/深度学习 并行计算 Shell
docker 获取Nvidia 镜像 | cuda |cudnn
本文分享如何使用docker获取Nvidia 镜像,包括cuda10、cuda11等不同版本,cudnn7、cudnn8等,快速搭建深度学习环境。
7231 0
pip镜像源大全及配置
在中国使用pip时,可以配置国内镜像源来提高安装速度和稳定性。以下是一些常见的国内镜像源:
18546 0
|
API
[已解决]openai.error.APIConnectionError: Error communicating with OpenAI: HTTPSConnectionPool(host=‘api
[已解决]openai.error.APIConnectionError: Error communicating with OpenAI: HTTPSConnectionPool(host=‘api
2563 0
|
6月前
|
人工智能 Cloud Native Java
2025 开源之夏开启报名|AI + 云原生,10个开源项目、24个课题任您挑选
“开源之夏”是由中国科学院软件研究所发起的暑期活动,旨在鼓励高校学生参与开源软件开发与维护。活动联合各大开源社区提供项目任务,面向全球年满18周岁的高校学生开放报名。每位学生最多可申请一个项目。阿里云云原生提报了包括Apache Dubbo、RocketMQ、Seata等在内的10个开源项目共24个课题,涵盖技术优化、功能实现及AI应用等领域。活动流程包括选题、申请、开发与结项考核,具体信息可访问官网了解。
2136 32
ModuleNotFoundError: No module named ‘openai.error‘
这篇文章讨论了在使用OpenAI库时遇到的`ModuleNotFoundError: No module named ‘openai.error'`错误,并提供了两种解决方案:将OpenAI版本降级到0.28.0或修改代码以去掉对`openai.error`的引用并将异常处理放置到`openai`模块下。
ModuleNotFoundError: No module named ‘openai.error‘
|
11月前
|
数据采集 前端开发 物联网
【项目实战】通过LLaMaFactory+Qwen2-VL-2B微调一个多模态医疗大模型
本文介绍了一个基于多模态大模型的医疗图像诊断项目。项目旨在通过训练一个医疗领域的多模态大模型,提高医生处理医学图像的效率,辅助诊断和治疗。作者以家中老人的脑部CT为例,展示了如何利用MedTrinity-25M数据集训练模型,经过数据准备、环境搭建、模型训练及微调、最终验证等步骤,成功使模型能够识别CT图像并给出具体的诊断意见,与专业医生的诊断结果高度吻合。
20415 162
【项目实战】通过LLaMaFactory+Qwen2-VL-2B微调一个多模态医疗大模型
|
10月前
|
XML 人工智能 文字识别
Mobile-Agent:通过视觉感知实现自动化手机操作,支持多应用跨平台
Mobile-Agent 是一款基于多模态大语言模型的智能代理,能够通过视觉感知自主完成复杂的移动设备操作任务,支持跨应用操作和纯视觉解决方案。
3458 10
Mobile-Agent:通过视觉感知实现自动化手机操作,支持多应用跨平台
|
11月前
|
自然语言处理 数据可视化 API
Qwen系列模型+GraphRAG/LightRAG/Kotaemon从0开始构建中医方剂大模型知识图谱问答
本文详细记录了作者在短时间内尝试构建中医药知识图谱的过程,涵盖了GraphRAG、LightRAG和Kotaemon三种图RAG架构的对比与应用。通过实际操作,作者不仅展示了如何利用这些工具构建知识图谱,还指出了每种工具的优势和局限性。尽管初步构建的知识图谱在数据处理、实体识别和关系抽取等方面存在不足,但为后续的优化和改进提供了宝贵的经验和方向。此外,文章强调了知识图谱构建不仅仅是技术问题,还需要深入整合领域知识和满足用户需求,体现了跨学科合作的重要性。