如何用Python构建ChatGPT聊天机器人ChatGPT小型机器人专属QQ机器人源代码程序


（超140MB的网盘链接）

自从 OpenAI 推出 ChatGPT 以来，互联网一直没有停止对技术或人类未来的猜测。

ChatGPT 已成为一种革命性产品，有可能影响人类工作的几乎所有领域。

对于开发人员来说，集成这些API 代表着创新的新前沿。

在本文中，我们将使用Gradio 和 OpenAI ChatGPT模型来快速构建我们自己的聊天机器人。

Gradio 基础介绍

Gradio 是一个用 Python 编写的开源工具。

Gradio 为机器学习开发人员提供了一种方便的方式来共享他们的模型。

它提供了一个简单、用户友好的Web 界面，可以随时随地与每个人共享机器学习模型。

Gradio 的独特卖点是它不需要开发人员编写 Javascript、HTML 或 CSS 来构建 Web 界面。

为了构建 Web 应用程序，你需要熟悉 Gradio 的基本构建块。

Gradio 允许你以两种方式设计 Web 应用程序：Interface 和 Block。

Interface

它是一个高级类，可让你使用几行代码构建组件。

你可以为文本、图像、音频和视频构建输入/输出组件。

这具有较低的设计灵活性。

Gradio 界面的一个简单示例。

python

复制代码

import gradio as grdef sketch_recognition(img):    pass# Implement your sketch recognition model here...gr.Interface(fn=sketch_recognition, inputs="sketchpad", outputs="label").launch()

这将创建一个简单的 Web 界面，其中有一个画板作为输入组件，一个标签作为输出组件。函数 sketch_recognition 负责结果。

Block

Gradio Block 提供了一种更底层的构建界面的方法。

随着灵活性的提高，这使开发人员可以更深入地构建复杂的 Web 界面。

Block 具有高级功能，可让你将组件灵活地放置在屏幕上的任何位置、改进的数据流控制以及用于交互式用户体验的事件处理程序。

scss

复制代码

import gradio as gr def greet(name):    return"Hello " + name + "!"    with gr.Blocks() as demo:     name = gr.Textbox(label="Name")     output = gr.Textbox(label="Output Box")     greet_btn = gr.Button("Greet")     greet_btn.click(fn=greet, inputs=name, outputs=output, api_name="greet")     demo.launch()

获取 OpenAI 的 api key

在构建聊天界面之前，我们需要访问OpenAI API .

因此，我们需要做的第一件事是创建一个 OpenAi 帐户并生成我们的 API key。

可以点击 platform.openai.com/account/api…来获取 api key。

让我们看一下 OpenAIAPI 的请求和响应结构。

下面是对 ChatGPT API的典型请求示例，该请求用于获取响应。

ini

复制代码

import openaiopenai.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?"}    ])

该消息是具有各自角色及其内容的字典列表。

• 预先配置系统角色为模型以特定方式运行提供一些上下文。
  
• 用户角色存储用户提示
  
• 助理角色保存来自模型的响应。
  

而这个消息列表负责维护对话的上下文。

如果你具有 API 访问权限，则模型参数可以设置为 “gpt-3.5-turbo” 或 “gpt-4”。

现在让我们看看我们的响应格式。

arduino

复制代码

{ 'id': 'chatcmpl-6p9XYPYSTTRi0xEviKjjilqrWU2Ve', 'object': 'chat.completion', 'created': 1677649420, 'model': 'gpt-3.5-turbo', 'usage': {'prompt_tokens': 56, 'completion_tokens': 31, 'total_tokens': 87}, 'choices': [   {    'message': {      'role': 'assistant',      'content': 'The 2020 World Series was played in Arlington, Texas at the Globe Life Field.'},    'finish_reason': 'stop',    'index': 0   }  ]}

响应采用 JSON 格式。

构建 ChatGPT 聊天机器人应用前端

我们将使用 Gradio 的 Blocks 类。 Gradio 有一个预构建的聊天机器人组件，可以呈现聊天界面。

scss

复制代码

with gr.Blocks() as demo:     chatbot = gr.Chatbot(value=[], elem_id="chatbot").style(height=650)   

现在，我们需要一个文本框以便传递提示。

Gradio 具有 Row 和 Column 类，可让您垂直和水平添加组件。

我们将添加一个文本框组件，从最终用户那里获取文本输入。

ini

复制代码

with gr.Row():         with gr.Column(scale=0.85):          txt = gr.Textbox(                show_label=False,                placeholder="Enter text and press enter",                ).style(container=False)

保存并重新加载页面。你将在聊天界面下方看到一个文本框。

• 使用 gr.Row() 容器，我们创建了一个布局块。这会为其他组件创建一行，使其水平放置在一行中。
  
• 在第 2 行中，我们使用 gr.Column() 在前一个容器中创建了另一个布局块。与 Row 不同的是，它垂直堆叠其他组件或块。
  
• 在列容器内，我们定义了一个文本框组件。这将接受用户的任何文本输入。我们可以配置一些参数以使其更加用户友好。
  
• 列容器内的 scale 参数对里面的组件进行缩放。值为 0.85 表示它将在单行中占据屏幕的 85%。
  

如果你希望添加任何其他组件，你可以使用 Row 和 Column 容器的组合来添加它们。

假设我们添加了一个单选按钮来在模型之间切换。这可以按如下方式完成。

ini

复制代码

with gr.Blocks() as demo:      radio = gr.Radio(value='gpt-3.5-turbo', choices=['gpt-3.5-turbo','gpt-4'], label='models')    chatbot = gr.Chatbot(value=[], elem_id="chatbot").style(height=650)    with gr.Row():        with gr.Column(scale=0.70):            txt = gr.Textbox(                show_label=False,                placeholder="Enter text and press enter, or upload an image",            ).style(container=False)

到目前为止，我们已经创建好了应用的前端。

应用后端

这样，我们就成功地构建了 Web应用程序的前端。

现在，剩下的部分就是让它运行起来。

我们需要做的第一件事是处理输入。

这里定义一个函数add_text() , 此功能将负责以适当的方式格式化消息。

bash

复制代码

def add_text(history, text):    global messages  #message

is defined globally    history = history + [(text,'')]    messages = messages + [{"role":'user', 'content': text}]    return history, ""

这里， history 参数是元组的列表，text 是用户的输入。

接下来，定义一个返回响应的函数。

ini

复制代码

def generate_response(history, model):        global messages        response = openai.ChatCompletion.create(            model = model,            messages=messages,            temperature=0.2,        )        response_msg = response.choices[0].message.content        messages = messages + [{"role":'assistant', 'content': response_msg}]                for char in response_msg:            history[-1][1] += char            #time.sleep(0.05)            yield history

正如你在上面看到的，我们正在向OpenAI API 端点发送模型名称、消息和温度值。

我们收到响应。最后的循环负责在接收到文本时按顺序呈现文本，以改善用户体验。

正如你在上面看到的，我们正在向OpenAI API 端点发送模型名称、消息和温度值。我们收到响应。

该循环负责在接收到文本时按顺序呈现文本，以改善用户体验。

下面我们来添加当用户输入提交时，触发调用该方法。

ini

复制代码

with gr.Blocks() as demo:    radio = gr.Radio(value='gpt-3.5-turbo', choices=['gpt-3.5-turbo','gpt-4'], label='models')    chatbot = gr.Chatbot(value=[],elem_id="chatbot").style(height=550)    with gr.Row():        with gr.Column(scale=0.90):            txt = gr.Textbox(                show_label=False,                placeholder="Enter text and press enter",            ).style(container=False)     txt.submit(add_text, [chatbot, txt], [chatbot, txt], queue=False).then(            generate_response, inputs =[chatbot,radio],outputs = chatbot,)            demo.queue()

当用户提交文本时，它需要一个聊天机器人对象和提示作为输入。然后将其输出发送到聊天机器人组件。之后，将触发 generate_response 函数。这将在聊天机器人中按顺序呈现响应。