关于ChatGPT3.5模型的使用（java）

怼烎@ 2024-05-09 09:03 59阅读 0赞

#### ChatGPT小程序实战后台部分 ####

*   *  目的
     *  开发准备
     *  封装模型调用方法
     *   *  获取已缓存对话上下文方法（可忽略）
         *  最新的上下文缓存进去（可忽略）
     *  请求模型实体
     *  响应实体
     *  messages实体
     *  choices实体
     *  效果
     *   *  帮我写博客大纲
         *  玩游戏
     *  总结
     *  注意：

### 目的 ###

最近网上关于ChatGPT的内容特别多，但是浏览大多数文章，能够完整拿来即用的代码却少之又少，索性自己写了一份以\*\* gpt-3.5-turbo \*\* 模型为基础的demo，技术有限，仅供参考，不喜勿喷！

### 开发准备 ###

想要进行利用chatGPT进行开发，前提是要申请OpenAI账号，拿到自己的秘钥。这一步劝退了大部分人，但是对于一个技术人来讲，如果连这最基础的准备都无法达到，那也不必继续研究了，网上白嫖其他人的就可以。这里我就不做赘述了！接下来直接进入主题！

### 封装模型调用方法 ###

final static private String chatCompletionUrl = "https://api.openai.com/v1/chat/completions";
        final static private String model = "gpt-3.5-turbo";
        final static private String Authorization = "Bearer sk-XXXXXXXXXXXXXXXXX";//这里使用你自己的认证信息
        public static CompletionChatResponse chatCompletion(String prompt){
        //prompt即要将要发送至gtp的内容
        	//这里是我根据模型请求封装的模型实体
            CompletionChatRequest completionChatRequest = new CompletionChatRequest();
            
            //封装http请求
            HttpRequest post = HttpUtil.createPost(chatCompletionUrl).timeout(300000);
            Map<String, String> headers = new HashMap<>();
            headers.put("Authorization", Authorization);
            post.addHeaders(headers);
            post.contentType("application/json;charset=UTF-8");
            completionChatRequest.setModel(model);
            ChoiceMessage message = new ChoiceMessage("user", prompt);
            
    		//这里我把用户发送和机器人返回的20条内容内容存在了redis中，用于关联对话上下文场景，如果不需要，注释掉即可，直接new一个ArrayList
            List<Object> messages = getUserCacheMessages();
            int size = messages.size();
    
            if (size>19){
        
                messages.remove(0);
            }
    
            messages.add(message);
            setUserCacheMessages(messages);//把新的放到redis
            completionChatRequest.setMessages(messages);
            post.body(JSON.toJSONString(completionChatRequest));
            String body = post.execute().body();
            CompletionChatResponse completionChatResponse = JSON.parseObject(body, CompletionChatResponse.class);
            return completionChatResponse;
        }

#### 获取已缓存对话上下文方法（可忽略） ####

public static List<Object> getUserCacheMessages(){
        
            RedisCache redisCache = SpringUtils.getBean(RedisCache.class);
            List<Object> cacheMessages = redisCache.getCacheObject(JwtTokenUtil.getUserId + ":messages");
            if (StringUtils.isEmpty(cacheMessages)){
        
                cacheMessages= new ArrayList<>();
            }
            return cacheMessages;
        }

#### 最新的上下文缓存进去（可忽略） ####

public static void setUserCacheMessages(List<Object> messages){
        
            while(messages.size()>20){
        
                messages.remove(0);
            }
            RedisCache redisCache = SpringUtils.getBean(RedisCache.class);
            redisCache.setCacheObject(JwtTokenUtil.getUserId + ":messages", messages, 30, TimeUnit.MINUTES);
        }

### 请求模型实体 ###

参数的具体意义，可以自行查阅OpenAI官网进行调整

import lombok.AllArgsConstructor;
    import lombok.Builder;
    import lombok.Data;
    import lombok.NoArgsConstructor;
    
    import java.util.List;
    import java.util.Map;
    
    @Builder
    @NoArgsConstructor
    @AllArgsConstructor
    @Data
    public class CompletionChatRequest {
        
        String model;
        List<Object> messages;
        Integer maxTokens;
        Double temperature;
        Double topP;
        Integer n;
        Boolean stream;
        Integer logprobs;
        Boolean echo;
        List<String> stop;
        Double presencePenalty;
        Double frequencyPenalty;
        Integer bestOf;
        Map<String, Integer> logitBias;
        String user;
    }

### 响应实体 ###

import com.theokanning.openai.Usage;
    import lombok.AllArgsConstructor;
    import lombok.Builder;
    import lombok.Data;
    import lombok.NoArgsConstructor;
    
    import java.util.List;
    
    @Builder
    @NoArgsConstructor
    @AllArgsConstructor
    @Data
    public class CompletionChatResponse {
        
        String id;
        String object;
        long created;
        String model;
        List<CompletionChatChoice> choices;
        Usage usage;
    }

### messages实体 ###

这里role我只用到了两种，一种是用户，另外就是机器人，其实还可以设置一个系统场景角色

import lombok.AllArgsConstructor;
    import lombok.Builder;
    import lombok.Data;
    import lombok.NoArgsConstructor;
    
    @Builder
    @NoArgsConstructor
    @AllArgsConstructor
    @Data
    public class ChoiceMessage {
        
        String role;
        String content;
    }

### choices实体 ###

到这里为止，就可以跑main方法进行测试了！

### 效果 ###

**下面是我自己接入的小程序效果示例，，工作效率瞬间提高有没有？  
有需要体验的可以找我交流**

#### 帮我写博客大纲 ####

![效果][ce56bc535d724cb0be44e5cd5ca918d4.jpeg_pic_center]

#### 玩游戏 ####

![在这里插入图片描述][6307031330424ba99e0137898971aeab.jpeg_pic_center]

### 总结 ###

当然，请求的内容越详细，机器人的回复也就越精准！快去试试吧！

### 注意： ###

国内ip被墙，可能需要科学上网，自行研究！

[ce56bc535d724cb0be44e5cd5ca918d4.jpeg_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/09/f81fa89363444abaac8167c742a00936.jpeg
[6307031330424ba99e0137898971aeab.jpeg_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/05/09/f986935829c442a89b60d1becc0aaa6f.jpeg