ChatGPT的初探与使用
前言
最近的chatgpt智能聊天AI真的是太火了，微信公众号、BiliBili都能看到博主在展示自己与chatgpt的聊天截图，感叹它的强大。当然也有深度测试过的大佬发现chatgpt也并不是非常智能，只能说目前和其他的聊天机器人相比智能太多了，chatgpt也存在着许多不足，比如有时回答的问题根本就是错误的，需要你自己去指出错误，此时它就会立马回道：
那我错了。您说的是对的......马上就认错，但有的网友表明，它有时并不能改正错误，问完问题，再问相同的问题回答的还是和之前的错误答案一样。
但不管怎样，chatgpt确实让许多人震惊，它能回答的问题太多了，会写代码、能写文章，也听说过有外国人拿自己想问的问题让chatgpt回答，把结果和Google搜索的结果相比，认为chatgpt的回答完爆了Google搜索给出的答案，发出“Google Done”的感叹。
也不说别人的感受了，自己上手体验才是最重要的😊。要使用chatgpt目前需要有一个国外的手机号接收验证码来注册，我是使用国外的接码平台SMS-Activate，花了大概11卢布，差不多1元钱，还是可以接受的，具体的注册教程网上有非常多，就不记录了。
关键在于现在就有很多的关于chatgpt的开源项目，我也利用OpenAI开放的接口来探索了一番。
把chatgpt搬到python中
1.模型探索
我首先在OpenAI的接口文档中找到了模型的介绍，主要的模型有三种：
| 模型 | 描述 |
|---|---|
| GPT-3 | 一组可以理解和生成自然语言的模型 |
| Codex | 一组可以理解和生成代码的模型，包括将自然语言转换为代码 |
| Content filter | 一个经过微调的模型，可以检测文本是敏感的还是不安全的 |
以下主要是在官方文档中的翻译内容，了解一下就行了。
GPT-3
| 型号 | 描述 | 最大请求 |
| ———————— | —————————————————————————————— | ———— |
| text-davinci-003 | 是GPT-3模型中最强大的，可以做任何其他模型可以做的任务，往往具有更高的质量、更长的输出和更好的遵循指令。也支持在文本中插入补全句子，使其语义更连贯。 | 4000字符 |
| text-curie-001 | 非常有能力，但比 Davinci 更快，成本更低。 | 2048字符 |
| text-babbage-001 | 能够完成简单的任务，速度快，成本低 | 2048字符 |
| text-ada-001 | 能够完成非常简单的任务，通常是 GPT-3系列中最快的型号，成本最低。 | 2048字符 |虽然Davinci通常是最好用的，其他型号可以非常好地执行某些任务，具有显著的速度或成本优势。例如，Curie可以执行许多与Davinci相同的任务，但速度更快，成本只有Davinci的十分之一。
建议在实验时使用 Davinci，因为它会产生最好的结果。一旦开始工作，鼓励尝试其他模型，看看是否能以较低的延迟获得相同的结果。还可以通过在特定任务上对其他模型进行微调来改进它们的性能。
Codex
Codex 模型是我们可以理解和生成代码的 GPT-3模型的后代。他们的培训数据包含自然语言和来自 GitHub 的数十亿行公共代码。了解更多。
他们最擅长 Python，精通十几种语言，包括 JavaScript、 Go、 Perl、 PHP、 Ruby、 Swift、 TypeScript、 SQL，甚至是 Shell。
后续补充更新。
Content Filter
过滤器旨在检测来自 API 的敏感或不安全的生成文本。它目前处于测试模式，有三种方式来分类文本-安全，敏感，或不安全。过滤器会犯错误，我们目前已经建立了它的错误，在谨慎的一边，因此，导致更高的假阳性。后续补充更新。
2.用Flask实现在线聊天
了解了模型和接口调用后，就可以用Flask把接口所需参数包装一下调用，更方便的聊天。在这之前还需要找一个网页模板。
Flask路由函数
按照OpenAI官方的接口调用方法，写一个/ask的get请求接口，请求参数主要为prompt，表示问的问题，返回回答。@app.route('/ask') def ask(): p = request.args.get('prompt', '') eng = request.args.get('engine', 'text-davinci-003') max_token = int(request.args.get('max_tokens', 256)) if not p: return "" response = openai.Completion.create( engine=eng, prompt=p, temperature=0.3, max_tokens=max_token, n=1 ) return jsonify(result=response["choices"][0]["text"])
前端页面请求
我一个不懂前端的小白，即便找到一个页面模板，也还是搞了好久才把前端后端整合起来。来看下效果吧，默认是用text-davinci-003模型。
上面让AI写一首古诗，结果不知从哪搬来了《春江花月夜》，要是我不认识的诗，还真会以为是AI自己写的呢，估计其他诗也都是网络上搬的。也可以更换模型，不过试了下，其他模型效果也确实不敢恭维，真就是。
用Ada模型聊天可以看下图，AI的回复有时候都不是一句完整的句子。
- 部署
最后是部署到了Azure中，网站是Slek - Chat and Discussion Platform (webgptchat.azurewebsites.net)，可以自行体验下，不过目前还是有些bug。另外使用OpenAI接口是有18美元的免费额度，调用接口会有计费，目前也还能用一阵子。
总结
上面只是用OpenAI一部分接口来实现聊天，效果一般，且没有上下文的联系，但在网页上和ChatGPT聊天时就不一样，会有上下文关联，能生成代码等等，应该就是结合了多个模型的结果，而我上面只是用了一部分接口的结果，所以效果没得比。后续有空会继续完善这个聊天的Web项目，添加OpenAI其他接口，比如代码生成等，也会加入其他的聊天接口。
