文章目录
- 前言
- 一、账号注册申请密钥
- 二、参数详情
- 三、Java集成
- 1.调用接口
- 2.响应数据
- 四、效果
- 总结
前言
OpenAI API 几乎可以应用于任何涉及理解或生成自然语言或实现代码等场景。提供一系列具有不同学习训练的模型，适用于处理不同的任务，并且自己能够自定义学习模型，通过大样本数据去喂养该模型，使其能实现自己的应用场景。这些模型可用于从内容生成到语义搜索和分类的所有领域。
一、账号注册申请密钥
openai获取密钥
二、参数详情
- models：模型，其包含Davinci, Curie, Babbage 和 Ada等子模型，每个子模型的功能不尽相同
- prompt：生成完成的提示，编码为字符串、字符串数组、标记数组或标记数组数组。
- tokens：文本长度限制，要求输入和输出的文本总长度不能超过各模型限定的Tokens长度
- temperature：温度，使用什么采样温度，介于 0 和 2 之间。较高的值（如 0.8）将使输出更加随机，而较低的值（如 0.2）将使输出更加集中和确定。控制结果随机性，0.0表示结果固定，随机性大可以设置为0.9
- topP：一种替代温度采样的方法，称为核采样，其中模型考虑具有 top_p 概率质量的标记的结果。所以 0.1 意味着只考虑构成前 10% 概率质量的标记。
- frequencyPenalty：-2.0 和 2.0 之间的数字。正值会根据新标记在文本中的现有频率对其进行惩罚，从而降低模型逐字重复同一行的可能性。
- presencePenalty：-2.0 和 2.0 之间的数字。正值会根据到目前为止是否出现在文本中来惩罚新标记，从而增加模型谈论新主题的可能性。
- stop：API 将停止生成更多令牌的最多 4 个序列。返回的文本将不包含停止序列。
- n：为每个提示生成多少完成。
- stream：是否以流方式返回输出
三、Java集成
1.调用接口
这边就以流的方式接收结果
// 调用接口 https://api.openai.com/v1/completions
// 请求头：
Authorization: Bearer + KEY
// 参数：
Map<String, Object> param = new HashMap<>();
param.put("model", "text-davinci-003");
param.put("prompt", text);
param.put("max_tokens", 2048);
param.put("temperature", 0);
param.put("frequency_penalty", 0);
param.put("presence_penalty", 0);
param.put("stream", true);
param.put("stop", CollectionUtil.newArrayList("\n"));
2.响应数据
// text/event-stream
//设置推送内容类型为事件流
response.setContentType("text/event-stream");
//消息流编码格式
response.setCharacterEncoding("utf-8");
// 将收到的流数据返回给前端显示
四、效果
问答示例效果：
后端运行实时接收与推送数据：
总结
效果还是不错的，可以接入AI聊天机器人~~~
