嗨，你好哈，今天分享一个如何利用 OpenAI 提供的接口，快速搭建出一个聊天机器人。说实话，要在 ChatGPT 之前，一个人完成聊天机器人真的太难了。
接下来，我们对比一下看看哈。
ChatGPT 之前的架构
图片互联网收集整理
每个模块都是一个工程，如：分词、词性标注、命名实体识别、信息抽取、句法分析、词向量、命名实体消歧、特征提取、问题分类、情感分析、指代消解、意图识别、语义理解、构建知识库、对话管理等等。
如果想了解更多详细内容，可以参考以下资料：
OPPO唐黎：OPPO小布助手在对话系统技能平台建设中的落地实践
ChatCompletion 简介
因为 ChatGPT 的火热，OpenAI 发布了一个直接可以进行对话聊天的接口 ChatCompletion，对应的模型叫为 gpt-3.5-turbo，用起来更容易了，速度还快，而且价格也是 text-davinci-003 的十分之一。
官网地址：https://platform.openai.com/docs/guides/chat
以下代码获取自官网，先直观感受下：
# Note: you need to be using OpenAI Python v0.27.0 for the code below to work
import openai
openai.ChatCompletion.create(
model="gpt-3.5-turbo",
messages=[
{"role": "system", "content": "You are a helpful assistant."},
{"role": "user", "content": "Who won the world series in 2020?"},
{"role": "assistant", "content": "The Los Angeles Dodgers won the World Series in 2020."},
{"role": "user", "content": "Where was it played?"}
]
)
主要输入是 message 参数。消息必须是一个消息对象数组，其中每个对象都有一个角色(“系统”、“用户”或“助手”)和内容(消息的内容)。
当 role 是 system 的时候，content 里面的内容代表给 AI 的一个指令，也就是告诉 AI 应该怎么回答用户的问题。比如我们希望 AI 都通过中文回答，我们就可以在 content 里面写“你是一个只会用中文回答问题的助理，回答的内容在100字以内。”。
当 role 是 user 或者 assistant 的时候，content 里面的内容就代表用户和 AI 对话的内容。
上面接口返回内容大概格式为：
{
'id': 'chatcmpl-6p9XYPYSTTRi0xEviKjjilqrWU2Ve',
'object': 'chat.completion',
'created': 1677649420,
'model': 'gpt-3.5-turbo',
'usage': {'prompt_tokens': 56, 'completion_tokens': 31, 'total_tokens': 87},
'choices': [
{
'message': {
'role': 'assistant',
'content': 'The 2020 World Series was played in Arlington, Texas at the Globe Life Field, which was the new home stadium for the Texas Rangers.'},
'finish_reason': 'stop',
'index': 0
}
]
}
在 Python 中，可以使用 response['choices'][0]['message']['content'] 提取 AI 的回复。
每个响应都包含一个 finish_reason。finish_reason 的可能值是:
- stop: API 返回的完整模型输出
- length: 由于 max _ tokens 参数或令牌限制，模型输出不完整
- content_filter: 由于内容过滤器的标志而被省略的内容
- null: API 响应仍在进行中或不完整
封装自己的聊天机器人
按照上面的例子，就可以照猫画虎，很容易去封装一个聊天机器人了，具体步骤如下：
封装了一个 Conversation 类，它的构造函数 init 会接受两个参数，prompt 作为 system 的 content，代表对这个聊天机器人的指令，round 代表每次向 ChatGPT 发起请求的时候，保留过去几轮会话。
Conversation 类本身只有一个 ask 函数，输入是一个 string 类型的 question，返回结果也是 string 类型的一条 message。每次调用 ask 函数，都会向 ChatGPT 发起一个请求。
支持多轮对话，把最新的问题拼接到整个对话数组的最后，而在得到 ChatGPT 的回答之后也会把回答拼接上去。如果回答完之后，发现会话的轮数超过我们设置的 round，可以对历史问答的数据利用文本摘要的方式支持无限轮数的聊天。
import openai
import os
openai.api_key = os.environ.get("OPENAI\_API\_KEY")
class Conversation:
def \_\_init\_\_(self, prompt, round):
self.prompt = prompt
self.round = round
self.messages = []
self.messages.append({"role": "system", "content": self.prompt})
def ask(self, question):
try:
self.messages.append({"role": "user", "content": question})
response = openai.ChatCompletion.create(
model="gpt-3.5-turbo",
messages=self.messages,
temperature=0.5,
max_tokens=2048,
top_p=1,
)
except Exception as e:
print(e)
return e
message = response["choices"][0]["message"]["content"]
self.messages.append({"role": "assistant", "content": message})
if len(self.messages) > self.round * 2 + 1:
text = self._build_message(self.messages)
#print (text)
#print ("=====summarize=====")
summarize = self.summarize(text)
#print (summarize)
#print ("=====summarize=====")
self.messages = []
self.messages.append({"role": "system", "content": summarize})
return message
def summarize(self, text, max\_tokens=200):
response = openai.Completion.create(
model = "text-davinci-003",
prompt = text + "\n\n请总结一下上面User和Assistant聊了些什么：\n",
max_tokens = max_tokens,
)
return response["choices"][0]["text"]
def \_build\_message(self, messages):
text = ""
for message in messages:
if message["role"] == "user":
text += "User : " + message["content"] + "\n\n"
if message["role"] == "assistant":
text += "Assistant : " + message["content"] + "\n\n"
return text
验证
我们知道 ChatGPT 的数据是2021年9月份之前的，目前对话没有接入实时的数据，另一个问题是事实性错误。所以，查看了 GitHub 上 ChatGPT 的调教指南，选择了厨师这样一个角色，不会受到数据和事实性错误的影响。
接下来，学习做几道菜。
prompt = """你是一个中餐厨师，用中文回答做菜的问题。你的回答需要满足以下要求:
1. 你的回答必须是中文
2. 回答限制在100个字以内"""
conv = Conversation(prompt, 3)