亚洲成人在线免费,99精品视频99,成人在线小视频

使用openai.chatcompletion.create的基本方法

在使用openai.chatcompletion.create接口時，了解其參數設置是至關重要的。該接口的核心參數是messages，它定義了對話中的信息流。

參數messages的配置

messages參數是一個消息對象數組，每個對象都有角色和內容兩部分。角色可以是“system”、“user”或“assistant”，內容則是消息的具體文本。

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?"}
    ]
)

roles的作用

system：用于設置AI助手的行為。
user：用于輸入用戶的問題或指令。
assistant：用于存儲先前的響應。

通過合理配置messages，可以有效地管理對話的上下文，確保AI生成的回復能夠符合用戶的需求。

ChatCompletion用法示例

上下文消息引用的重要性

由于ChatCompletion接口是無狀態的，因此在請求時引用以前的消息非常關鍵。這種做法有助于AI理解上下文，從而生成更貼切的回復。

如何管理上下文

在對話中，確保每條消息都能合理地延續前面的上下文，是提升AI響應準確性的關鍵。以下是一個有效的上下文管理示例：

class Conversation:
    def __init__(self, prompt, num_of_round):
        self.prompt = prompt
        self.num_of_round = num_of_round
        self.messages = []
        self.messages.append({"role": "system", "content": self.prompt})

    def ask(self, question):
        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,
        )
        message = response["choices"][0]["message"]["content"]
        self.messages.append({"role": "assistant", "content": message})
        if len(self.messages) > self.num_of_round*2 + 1:
            del self.messages[1:3]  # Remove the first round conversation left.
        return message

上下文管理的注意事項

管理上下文時，需要注意token的使用量，因為它會影響API的費用。合理管理對話的長度和內容，可以有效降低成本。

上下文管理示例

返回參數finish_reason的解讀

在API響應中，finish_reason參數提供了模型輸出的終止原因，這對理解響應的完整性非常重要。

可能的finish_reason值

stop：API返回完整的模型輸出。
length：由于參數或令牌限制，模型輸出不完整。
content_filter：由于內容過濾器的標志而遺漏了內容。
null：API響應仍在進行中或不完整。

通過分析finish_reason，可以判斷響應是否需要進一步處理或擴展。

finish_reason示例

如何調用工具函數

在復雜的應用場景中，結合工具函數可以增強ChatCompletion接口的功能。通過定義和調用工具函數，可以實現更復雜的數據處理和信息生成。

工具函數的定義與使用

工具函數的定義通過functions參數傳遞給API。以下是一個工具函數調用的示例：

from openai.types.chat.chat_completion_message_tool_call import (
    ChatCompletionMessageToolCall,
    Function,
)

weather_tool = ChatCompletionMessageToolCall(
    function=Function(
        name="weather_forecast",
        description="獲取指定城市的天氣預報",
        parameters={
            "type": "object",
            "properties": {
                "city": {"type": "string", "description": "需要查詢的城市名稱"},
                "date": {"type": "string", "description": "需要查詢的日期，格式為YYYY-MM-DD"}
            },
            "required": ["city"]
        }
    ),
    arguments={"city": "北京", "date": "2023-10-01"}
)