ChatGPT Plus API 新手入门指南：从注册到第一个生产级应用

1次阅读

没有评论

共计 1703 个字符，预计需要花费 5 分钟才能阅读完成。

ChatGPT Plus API 是 OpenAI 提供的接口服务，允许开发者将强大的对话 AI 集成到自己的应用中。典型场景包括：

智能客服（自动回答用户问题）
内容生成（文章大纲、营销文案等）
代码辅助（解释代码、生成示例）

但需要注意它的能力边界：

不适合需要 100% 准确性的场景（如医疗诊断）
无法访问实时网络信息（知识截止到训练数据时间点）
对超长文本（超过 4000 tokens）处理效果会下降

访问 OpenAI 官网并登录
点击右上角头像 → “View API keys”
点击 “Create new secret key” 按钮

注意：
– API Key 只显示一次，请妥善保存
– 免费试用额度用完后需要绑定支付方式

import openai
from time import sleep

openai.api_key = "你的 API_KEY"

def chat_with_retry(prompt, max_retries=3):
    for i in range(max_retries):
        try:
            response = openai.ChatCompletion.create(
                model="gpt-3.5-turbo",
                messages=[{"role": "user", "content": prompt}],
                temperature=0.7  # 控制输出随机性
            )
            return response.choices[0].message.content
        except Exception as e:
            if i == max_retries - 1:
                raise
            sleep(2 ** i)  # 指数退避

print(chat_with_retry("你好，请用中文回答"))

正确的消息数组构造方式：

messages = [{"role": "system", "content": "你是一个乐于助人的 AI 助手"},  # 设定角色
    {"role": "user", "content": "推荐几本 Python 入门书籍"},
    {"role": "assistant", "content": "《Python 编程：从入门到实践》很不错"},
    {"role": "user", "content": "这本书适合完全零基础吗？"}  # 会记住上文
]

设置 max_tokens 参数限制响应长度
用 stream=True 逐步获取响应（特别适合长文本）
对用户输入预先过滤无关内容

速率限制处理示例（令牌桶算法）：

from datetime import datetime, timedelta

class RateLimiter:
    def __init__(self, rpm):
        self.allowance = rpm
        self.last_check = datetime.now()
        self.rpm = rpm

    def check(self):
        now = datetime.now()
        time_passed = (now - self.last_check).total_seconds() / 60
        self.allowance += time_passed * self.rpm
        if self.allowance > self.rpm:
            self.allowance = self.rpm

        if self.allowance < 1:
            sleep(60 / self.rpm)
            return False

        self.allowance -= 1
        self.last_check = now
        return True

建议在调用 API 前进行：

def sanitize_input(text):
    sensitive_words = ["密码", "信用卡", "身份证号"]
    for word in sensitive_words:
        if word in text:
            raise ValueError("包含敏感信息")
    return text

GitHub 示例 Notebook 包含：