如何快速部署一个OpenAI机器人

本文介绍了如何使用 OpenAI 官方提供的 API 部署 ChatGPT，并以企业微信机器人为例，快速实现自然语言理解和生成功能。

本文还对官方文档提供的模型和 ChatGPT 使用的模型进行了比较，并提供了使用 golang、python、PHP 和 nodejs 等常见语言请求 ChatGPT 的代码。本文会大致说一下基于企业微信、飞书、钉钉等工具自建的机器人的相关流程，其中企业微信机器人的代码可以参考项目：https://github.com/thlz998/openai-bot

快速部署

先看看如何使用`docker一行代码运行OpenAI机器人(企业微信版本)

> docker run -d -p 3201:3200 \        -e api_key="[chatgpt的APIkey]" \        -e app_port=":3200" \        -e app_model="text-davinci-003" \        -e wework_token="[企业微信自建应用的API token]" \        -e wework_encodingAeskey="[企业微信自建应用的encodingAeskey]" \        -e wework_corpid="[企业微信企业唯一ID]" \        -e wework_secret="[企业微信自建应用的secret]" \        -e wework_agentid="[企业微信自建应用的agentid]" \        ibfpig/openai-wework:1.0.0# 记得把用中括号OpenAI的相关信息和企业微信的相关信息换成自己的，其中OpenAI的apikey可以直接访问这个链接来创建和获取：https://platform.openai.com/account/api-keys

如果觉得部署机器人麻烦，我们来看看最重要的是什么：

> curl -X "POST" "https://api.openai.com/v1/completions" \-H 'Authorization: Bearer [这里换成你的API key]' \-H 'Content-Type: application/json; charset=utf-8' \-d $'{"prompt": "你好","frequency_penalty": 0,"model": "text-davinci-003","temperature": 0.7,"presence_penalty": 0,"max_tokens": 2000,"top_p": 1}'# 记得把这一行代码中的api key换成自己的api key，可以直接访问这个链接来创建和获取：https://platform.openai.com/account/api-keys

## 机器人流程原理

我们部署的机器人大概得流程是这样的：

![](https://static.xiaobot.net/file/2023-02-20/18858/6d6f537c46f5620b4a09537537f82a3c.png)

用户直接与企业微信自建应用聊天，之后企业微信会将收到的消息回调给我们写的机器人程序，我们拿到用户请求的内容去发给ChatGPT，等ChatGPT回复我们之后，我们再通过企业微信把消息发送给用户。

很好理解，其实就是以下三个步骤

1. 接收企业微信的应用消息

2. 发送请求给ChatGPT并拿到返回的内容

3. 通过企业微信给用户回复消息

## 如何自建企业微信应用

(钉钉飞书流程差不多，可以具体参考相关文档)

**新建企业微信应用**

1. 登录企业微信后台，在应用管理中，点击创建应用，设置好你的机器人的logo、名字，并选择可以使用机器人的企业微信用户

1. 查看Secret并记录下来
2. 设置企业可信IP，这个可信ip就是指能够给企业微信发送请求的服务器ip，需要是对外的公网ip，如果有服务器就填服务器的公网ip，如果在本地运行，就看看https://ip138.com 上写的地址是啥就填啥就可以了
3. 在接收消息这一栏点那一行设置API接受消息，URL填这个https://xxxx.com/api/wework，其中，Token和EncodingAESKey点随机获取就可以了，这个时候点保存肯定会提示不通过，我们先停在这个页面，然后开始编码。如果是在本地电脑上做调试，需要做好反向代理，目标是能通过一个域名访问到本地的一个服务

**使用docker部署企业微信机器人**

(代码在文章开头已经提供了，具体如下)

> docker run -d -p 3201:3200 \--name openai-wework \-e api_key="[chatgpt的APIkey]" \-e app_port=":3200" \-e app_model="text-davinci-003" \-e wework_token="[企业微信自建应用的API token]" \-e wework_encodingAeskey="[企业微信自建应用的encodingAeskey]" \-e wework_corpid="[企业微信企业唯一ID]" \-e wework_secret="[企业微信自建应用的secret]" \-e wework_agentid="[企业微信自建应用的agentid]" \ibfpig/openai-wework:1.0.0

3. 查看日志，确定服务运行是否正常

> docker logs -f openai-wework

4. 去企业微信测试即可

## 关于请求OpenAI的参数

这里会简单做个说明，后边在详细聊如何训练OpenAI的时候会做更详细的说明

> prompt: "需要给OpenAI理解文字",frequency_penalty: 0, #一个介于-2.0和2.0之间的数字。当它是正数时，会对新的token进行惩罚，根据它们在文本中已经出现的频率，减少模型重复相同文本的可能性。这个参数可以控制模型生成文本的创新性和多样性。model: "text-davinci-003", # 模型ID，目前API里效果最好的就是text-davinci-003，但是也是最慢的temperature: 0.7, # 0~1之间，随机性，越高，随机性越高presence_penalty: 0, # -2.0~2.0之间，是一个用于控制模型输出是否跟之前已经输出的文本相关的参数。如果这个参数的值为正数，那么模型会更倾向于生成与之前不同的单词，从而使生成的文本更加丰富多样，涉及到更多的话题。max_tokens: 2000, # 生成文本时所允许的最大单词数量top_p: 1 # 这种方法会限制生成的文本只包含最可能的一些词，而不会像用温度进行抽样一样随机生成词语。同时，通常建议只更改temperature或top_p中的一个参数，而不是同时更改两个参数。

## node、PHP、Python、golang请求OpenAI的代码示例

1. javascript(使用axios)

> axios({"method": "POST","url": "https://api.openai.com/v1/completions","headers": {"Authorization": "Bearer [你自己的API key]","Content-Type": "application/json; charset=utf-8"},"data": {"prompt": "你好","frequency_penalty": 0,"model": "text-davinci-003","temperature": 0.7,"presence_penalty": 0,"max_tokens": 2000,"top_p": 1}})
2. php

> // Include Guzzle. If using Composer:// require 'vendor/autoload.php';use GuzzleHttp\Pool;use GuzzleHttp\Client;use GuzzleHttp\Psr7\Request;$client = new Client();$request = new Request("POST","https://api.openai.com/v1/completions",["Authorization" => "Bearer [你自己的API key]","Content-Type" => "application/json; charset=utf-8"],"{\"model\":\"text-davinci-003\",\"prompt\":\"\\u4f60\\u597d\",\"max_tokens\":2000,\"temperature\":0.7,\"top_p\":1,\"frequency_penalty\":0,\"presence_penalty\":0}");$response = $client->send($request);echo "Response HTTP : " . $response->getStatusCode() . "";
3. python

> # Install the Python Requests library:# `pip install requests`import requestsimport jsondef send_request():# 对话# POST https://api.openai.com/v1/completionstry:response = requests.post(url="https://api.openai.com/v1/completions",headers={"Authorization": "Bearer [你自己的API key]","Content-Type": "application/json; charset=utf-8"},data=json.dumps({"prompt": "你好","frequency_penalty": 0,"model": "text-davinci-003","temperature": 0.7,"presence_penalty": 0,"max_tokens": 2000,"top_p": 1}))print('Response HTTP Status Code: {status_code}'.format(status_code=response.status_code))print('Response HTTP Response Body: {content}'.format(content=response.content))except requests.exceptions.RequestException:print('HTTP Request failed')
4. golang

> package mainimport ("fmt""io""net/http""bytes")func send() {// 对话 (POST https://api.openai.com/v1/completions)json := []byte(`{"prompt": "你好","frequency_penalty": 0,"model": "text-davinci-003","temperature": 0.7,"presence_penalty": 0,"max_tokens": 2000,"top_p": 1}`)body := bytes.NewBuffer(json)// Create clientclient := &http.Client{}// Create requestreq, err := http.NewRequest("POST", "https://api.openai.com/v1/completions", body)// Headersreq.Header.Add("Authorization", "Bearer [你自己的API key]")req.Header.Add("Content-Type", "application/json; charset=utf-8")// Fetch Requestresp, err := client.Do(req)if err != nil {fmt.Println("Failure : ", err)}// Read Response BodyrespBody, _ := io.ReadAll(resp.Body)// Display Resultsfmt.Println("response Status : ", resp.Status)fmt.Println("response Headers : ", resp.Header)fmt.Println("response Body : ", string(respBody))}