共计 2222 个字符，预计需要花费 6 分钟才能阅读完成。

背景与痛点

直接使用 ChatGPT 访问地址进行开发时，新手常遇到以下问题：

• API 调用限制 ：免费账户有严格的每分钟请求次数限制，容易被封禁
• 错误处理缺失 ：未考虑网络超时、服务不可用等异常场景
• 性能瓶颈 ：同步请求导致界面卡顿，缺乏重试机制
• 敏感数据泄露 ：API 密钥硬编码在客户端代码中

技术选型对比

核心实现细节

1. 基础请求结构

   import requests
   
   headers = {
       "Authorization": "Bearer YOUR_API_KEY",
       "Content-Type": "application/json"
   }
   
   data = {
       "model": "gpt-3.5-turbo",
       "messages": [{"role": "user", "content": "你好"}]
   }

2. 响应处理要点

3. 检查 HTTP 状态码是否为 200
4. 解析 JSON 时捕获 ValueError

5. 记录完整的请求 / 响应日志

6. 重试策略实现

   from tenacity import retry, stop_after_attempt, wait_exponential
   
   @retry(stop=stop_after_attempt(3), 
          wait=wait_exponential(multiplier=1, min=4, max=10))
   def call_chatgpt(prompt):
       # 实现代码...

完整代码示例

import os
import json
import logging
from tenacity import *

logging.basicConfig(level=logging.INFO)

class ChatGPTClient:
    def __init__(self):
        self.api_key = os.getenv("OPENAI_API_KEY")
        self.base_url = "https://api.openai.com/v1/chat/completions"

    @retry(stop=stop_after_attempt(3),
           retry=retry_if_exception_type((requests.exceptions.Timeout, 
                                        requests.exceptions.ConnectionError)))
    def generate_response(self, messages, model="gpt-3.5-turbo", temperature=0.7):
        headers = {"Authorization": f"Bearer {self.api_key}",
            "Content-Type": "application/json"
        }

        payload = {
            "model": model,
            "messages": messages,
            "temperature": temperature
        }

        try:
            response = requests.post(
                self.base_url,
                headers=headers,
                json=payload,
                timeout=10
            )
            response.raise_for_status()
            return response.json()["choices"][0]["message"]["content"]

        except requests.exceptions.HTTPError as e:
            logging.error(f"HTTP 错误: {e.response.status_code}")
            raise
        except json.JSONDecodeError:
            logging.error("响应解析失败")
            raise
        except Exception as e:
            logging.error(f"未知错误: {str(e)}")
            raise

# 使用示例
if __name__ == "__main__":
    client = ChatGPTClient()
    messages = [{"role": "user", "content": "Python 如何实现快速排序？"}]
    print(client.generate_response(messages))

性能与安全优化

1. 请求频率控制
2. 使用令牌桶算法限制请求速率

3. 对非紧急请求实施队列缓冲

4. 敏感数据处理

   # 错误做法（密钥暴露）api_key = "sk-..." 
   
   # 正确做法
   from dotenv import load_dotenv
   load_dotenv()  # 从.env 文件加载
   api_key = os.getenv("OPENAI_KEY")

5. 缓存策略

6. 对相同 prompt 的响应进行内存缓存
7. 设置合理的 TTL（如 5 分钟）

避坑指南

1. 错误代码 429
2. 现象：请求被拒绝

3. 解决：实现指数退避重试机制

4. 响应截断

5. 现象：返回不完整句子

6. 解决：检查是否达到 max_tokens 限制

7. 内容过滤

8. 现象：返回空响应

9. 解决：检查是否触发敏感词过滤

10. 连接超时

11. 现象：长时间无响应
12. 解决：设置合理的 timeout 值（建议 10-30 秒）

最佳实践总结

• 始终使用环境变量管理 API 密钥
• 为生产环境配置独立的 API 访问账户
• 重要业务逻辑添加本地缓存层
• 监控 API 调用成功率与延迟

通过本文介绍的方法，开发者可以构建健壮的 ChatGPT 集成方案。建议先从沙箱环境测试开始，逐步迁移到生产环境。对于关键业务系统，推荐使用官方企业版 API 获取稳定支持。