从零构建ChatGPT CLI工具：开发者入门指南与实战代码解析

共计 3135 个字符，预计需要花费 8 分钟才能阅读完成。

在 AI 开发中，命令行工具能快速验证模型响应，避免反复登录网页控制台。批量测试时，CLI 工具更是实现自动化流程的关键组件，直接提升调试效率。

技术选型：requests vs openai 库

1. requests 库
2. 优点：无需额外依赖，适合简单请求场景

3. 缺点：需手动处理 API 版本、认证等细节，缺少流式输出等高级功能支持

4. 官方 openai 库

5. 优点：内置 API 版本管理、自动重试等机制，原生支持流式响应

6. 缺点：强依赖库版本更新，部分历史版本存在兼容性问题

7. 异步方案选择

8. 常规场景：直接使用 openai.ChatCompletion.create 的同步调用
9. 高频请求：建议搭配 asyncio+aiohttp 实现非阻塞 I /O，实测可提升吞吐量 200%

核心实现模块拆解

1. API 密钥安全管理

使用 configparser 读取本地配置文件，避免密钥硬编码：

import configparser

def load_api_key():
    config = configparser.ConfigParser()
    config.read('config.ini')
    return config['OPENAI']['API_KEY']

配套的 config.ini 文件格式：

[OPENAI]
API_KEY = your_actual_key_here

2. 命令行参数解析

基于 click 库构建用户友好的 CLI 界面：

import click

@click.command()
@click.option('--model', default='gpt-3.5-turbo', help='OpenAI 模型名称')
@click.option('--temperature', type=float, default=0.7, help='生成多样性控制')
def chat(model, temperature):
    click.echo(f'启动 {model} 对话 (temperature={temperature})')

3. 带记忆的对话循环

实现上下文保持的核心逻辑：

messages = [{"role": "system", "content": "你是有帮助的 AI 助手"}]

while True:
    try:
        user_input = input("用户:")
        if user_input.lower() in ('exit', 'quit'):
            break

        messages.append({"role": "user", "content": user_input})
        response = openai.ChatCompletion.create(
            model="gpt-3.5-turbo",
            messages=messages,
            stream=True  # 启用流式输出
        )

        # 流式输出处理
        print("AI:", end="", flush=True)
        full_reply = ""
        for chunk in response:
            content = chunk["choices"][0].get("delta", {}).get("content", "")
            print(content, end="", flush=True)
            full_reply += content
        print()

        messages.append({"role": "assistant", "content": full_reply})
    except Exception as e:
        print(f"错误: {str(e)}")
        continue

完整代码模板

# chatgpt_cli.py
import click
import openai
from typing import List, Dict
import configparser

# 类型别名
Message = Dict[str, str]
MessageHistory = List[Message]

def load_config() -> str:
    """加载 API 密钥配置"""
    config = configparser.ConfigParser()
    config.read('config.ini')
    return config['OPENAI']['API_KEY']

@click.command()
@click.option('--model', default='gpt-3.5-turbo', help='OpenAI 模型名称')
@click.option('--temp', type=float, default=0.7, help='生成多样性控制')
def main(model: str, temp: float):
    """ChatGPT 命令行交互工具"""
    openai.api_key = load_config()
    history: MessageHistory = [{"role": "system", "content": "你是有帮助的 AI 助手"}
    ]

    while True:
        try:
            user_input = input("\n 用户:")
            if user_input.lower() in ('exit', 'quit'):
                break

            history.append({"role": "user", "content": user_input})

            print("AI:", end="", flush=True)
            full_reply = ""
            response = openai.ChatCompletion.create(
                model=model,
                messages=history,
                temperature=temp,
                stream=True
            )

            for chunk in response:
                content = chunk["choices"][0].get("delta", {}).get("content", "")
                print(content, end="", flush=True)
                full_reply += content

            history.append({"role": "assistant", "content": full_reply})

        except KeyboardInterrupt:
            print("\n 对话终止")
            break
        except Exception as e:
            print(f"\n 错误: {str(e)}")
            continue

if __name__ == "__main__":
    main()

生产环境注意事项

1. API 调用控制

2. 通过 tenacity 库实现自动重试：

   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 safe_api_call():
       # API 调用代码

3. 敏感信息加密

4. 使用 cryptography 库加密配置文件：

   from cryptography.fernet import Fernet
   
   key = Fernet.generate_key()
   cipher_suite = Fernet(key)
   encrypted_key = cipher_suite.encrypt(b"your_api_key")

5. 网络超时处理

6. 设置全局超时参数：

   import httpx
   
   timeout = httpx.Timeout(10.0, connect=5.0)
   client = httpx.Client(timeout=timeout)

进阶思考方向

1. 如何扩展支持图片生成等多模态交互？
2. 怎样设计插件系统来动态加载功能模块？
3. 能否通过本地缓存实现离线历史对话检索？

通过这个 CLI 工具，开发者可以快速验证对话逻辑，其模块化设计也便于后续扩展。建议先从小流量测试开始，逐步完善异常处理机制。