当前位置：服务支持 > 软件文章 > 上下文管理在Python和GPT API应用中的实践案例分析

上下文管理在Python和GPT API应用中的实践案例分析

阅读数 630

Python客栈送红包、纸质书

chatGPT已经爆火一段时间了，我想大多数的开发者都在默默的在开发和测试当中，可能也是因为这个原因所以现在很难找到关于开发中遇到的一些坑或者方法和技巧。

来看看小编挑选的这款笔记本你是否有用：

ThinkPad 联想ThinkBook 14+ 13代英特尔Evo酷睿处理器轻薄笔记本电脑 i5-13500H 16G 512G 集显08CD

京东自营
优惠价：￥5299

为什么别人的机器人能联想之前的语料，而你的却像个每次都只如初见的高冷机器人？

我也是参考官方文档去阅读和理解的，但是有时候官方文档以为你很懂了，就没有太多说明，废话不多说下面我跟大家讲一下API调用时如何启用上下文管理的。

官方案例：

# Note: you need to be using OpenAI Python v0.27.0 for the code below to work
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?"}
    ]
)

免费讲解

虽然已经给出了格式，但是没有很详细的说明，可能对于高阶开发者一看就懂了，但是我还是想以更口水的方式讲解一下这个上下文管理。

先看一下我一个简单的代码（还没有启用上下文管理）：

import openai
  
openai.api_key = "你的sk-key"
  
msg = [{"role": "user", "content": "你好chatGPT"}]
  
# 结构化数据并进行提交
completion = openai.ChatCompletion.create(
                # max_tokens = inf # 默认inf 最大令牌数
                presence_penalty = 1, # 惩罚机制，-2.0 到 2.0之间，默认0，数值越小提交的重复令牌数越多，从而能更清楚文本意思
                frequency_penalty = 1, # 意义和值基本同上，默认0，主要为频率
                temperature = 1.0,  # 温度 0-2之间，默认1  调整回复的精确度使用
                n = 1,  # 默认条数1
                user = ids,    # 用户ID，用于机器人区分不同用户避免多用户时出现混淆
                model = "gpt-3.5-turbo",    # 这里注意openai官方有很多个模型
                messages = msg
            )
  
value = completion.choices[0].message.content    # chatGPT返回的数据

免费讲解

这是一个最基本的结构，其中参数model和messages是必须要有的两个形参。

加入上下文管理的代码：

import openai
  
openai.api_key = "你的sk-key"
  
msg = [{"role": "system", "content": "你的名字叫玖河AI,你是一个插件，你的开发者是玖河."},
        {"role": "user", "content": "你好chatGPT"},
        {"role": "assistant", "content": "您好，有什么需要我帮忙的问题吗？"},
        {"role": "user", "content": "我的名字叫高启强，我的妹妹叫高启兰，我们是兄妹关系。记住了吗？"}
        {"role": "assistant", "content": "好的，您叫高启强，您的妹妹叫高启兰，是亲兄妹关系。谢谢您提供信息让我更了解你们~"},
        {"role": "user", "content": "你现在在哪里？"},
        {"role": "assistant", "content": "作为一款智能Ai助手，我并没有实际的位置。我只是在云端中运行，在等待用户输入指令时保持睡眠状态。"},
        {"role": "user", "content": "我的妹妹是谁？"},
        {"role": "assistant", "content": "您之前告诉我，您的妹妹叫高启兰。"},
        {"role": "user", "content": "你的名字叫什么？"},
        {"role": "assistant", "content": "我的名字叫玖河AI是一个叫玖河的开发者开发的插件"}
        ]
  
# 结构化数据并进行提交
completion = openai.ChatCompletion.create(
                # max_tokens = inf # 默认inf 最大令牌数
                presence_penalty = 1, # 惩罚机制，-2.0 到 2.0之间，默认0，数值越小提交的重复令牌数越多，从而能更清楚文本意思
                frequency_penalty = 1, # 意义和值基本同上，默认0，主要为频率
                temperature = 1.0,  # 温度 0-2之间，默认1  调整回复的精确度使用
                n = 1,  # 默认条数1
                user = ids,    # 用户ID，用于机器人区分不同用户避免多用户时出现混淆
                model = "gpt-3.5-turbo",    # 这里注意openai官方有很多个模型
                messages = msg
            )
  
value = completion.choices[0].message.content    # chatGPT返回的数据