AIGC应用落地观察

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)

``` bash

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：

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

2. 查看Secret并记录下来

3. 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

4. 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 requests

   import json

   def send_request():

   # 对话

   # POST https://api.openai.com/v1/completions

   try:

   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 main

   import (

   "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 client

   client := &http.Client{}

   // Create request

   req, err := http.NewRequest("POST", "https://api.openai.com/v1/completions", body)

   // Headers

   req.Header.Add("Authorization", "Bearer [你自己的API key]")

   req.Header.Add("Content-Type", "application/json; charset=utf-8")

   // Fetch Request

   resp, err := client.Do(req)

   if err != nil {

   fmt.Println("Failure : ", err)

   }

   // Read Response Body

   respBody, _ := io.ReadAll(resp.Body)

   // Display Results

   fmt.Println("response Status : ", resp.Status)

   fmt.Println("response Headers : ", resp.Header)

   fmt.Println("response Body : ", string(respBody))

   }