Linux环境下高效使用ChatGPT的完整指南：从命令行到自动化集成

1次阅读

共计 2605 个字符，预计需要花费 7 分钟才能阅读完成。

ChatGPT API 采用标准的 HTTP 协议通信，数据交换格式为 JSON。认证机制使用 Bearer Token 方式，开发者需要在请求头中携带 API 密钥：

curl -X POST https://api.openai.com/v1/chat/completions \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"gpt-3.5-turbo","messages": [{"role":"user","content":"Hello!"}]}'

YOUR_API_KEY：OpenAI 账户中获取的密钥
model：指定使用的模型版本
messages：对话消息数组，包含角色 (role) 和内容(content)

原始 curl 命令需要处理多层嵌套的 JSON 和特殊字符转义，容易出错。解决方案是用 jq 生成规范 JSON：

data=$(jq -n \
  --arg model "gpt-3.5-turbo" \
  --arg content "$user_input" \
  '{model: $model, messages: [{role:"user", content: $content}]}')

通过维护对话历史文件实现上下文：

# 保存对话历史
echo '{"role":"user","content":"$input"}' >> chat_history.json

# 读取历史构建请求
history=$(jq -s . chat_history.json)

使用 jq 提取并格式化响应内容：

curl ... | jq -r '.choices[0].message.content'

创建可复用的 shell 函数：

chatgpt() {
  local prompt=$1
  local tempfile=$(mktemp)

  curl -s -X POST https://api.openai.com/v1/chat/completions \
    -H "Authorization: Bearer $API_KEY" \
    -H "Content-Type: application/json" \
    -d "$(jq -n --arg prompt"$prompt" '
      {
        model: "gpt-3.5-turbo",
        messages: [{role: "user", content: $prompt}]
      }')" \
    > $tempfile

  if jq -e '.error' $tempfile >/dev/null; then
    jq -r '.error.message' $tempfile >&2
    return 1
  else
    jq -r '.choices[0].message.content' $tempfile
  fi

  rm $tempfile
}

使用 aiohttp 实现高效并发：

import aiohttp
import asyncio

async def chat_completion(prompt):
    headers = {"Authorization": f"Bearer {API_KEY}",
        "Content-Type": "application/json"
    }

    data = {
        "model": "gpt-3.5-turbo",
        "messages": [{"role": "user", "content": prompt}]
    }

    async with aiohttp.ClientSession() as session:
        try:
            async with session.post(
                "https://api.openai.com/v1/chat/completions",
                headers=headers,
                json=data
            ) as resp:
                if resp.status != 200:
                    error = await resp.json()
                    raise Exception(error.get("error", {}).get("message"))
                return await resp.json()
        except Exception as e:
            print(f"Error: {str(e)}")
            return None

在 ~/.zshrc 中添加：

_chatgpt_complete() {
    local suggestions=(
        "--help"
        "--history"
        "--clear"
    )
    _describe 'command' suggestions
}

compdef _chatgpt_complete chatgpt

每天 9 点自动获取技术新闻摘要：

0 9 * * * /usr/bin/chatgpt "总结今天最重要的 3 条 AI 领域新闻" >> ~/ai_news.log

创建专用会话窗口：

tmux new -s chatgpt -d
# 在会话中运行交互式对话脚本
tmux send-keys -t chatgpt "python3 interactive_chat.py" Enter

频率限制：
实现指数退避重试机制
使用 rate_limit.sh 脚本监控调用次数
安全存储：

使用 pass 管理 API 密钥：

echo "your-api-key" | pass insert -e openai/api

运行时读取：
```
API_KEY=$(pass openai/api)
```
日志管理：

设置日志轮转：

# /etc/logrotate.d/chatgpt
/var/log/chatgpt.log {
    daily
    rotate 7
    compress
    missingok
}

测试 100 次 ”Hello” 请求的平均耗时：

方法	平均耗时	内存占用
curl	1.2s	最低
httpie	1.5s	中等
python-aio	0.8s	最高

如何实现基于自然语言的 Linux 系统管理？我们能否构建这样的工作流：
1. 用户用自然语言描述需求（” 找出占用 CPU 最高的 Java 进程 ”）
2. ChatGPT 转换为实际命令（ps -eo pid,cmd,%cpu --sort=-%cpu | grep java | head -n 1）
3. 自动验证命令安全性后执行
4. 将结果用自然语言反馈

这需要解决命令验证、权限控制和上下文理解等挑战，但可能是提升系统管理效率的新范式。

正文完