使用java从零起步接入chatGPT_chatgpt-java

chatGPT调研文档

前言

chatGPT(全名：Chat Generative Pre-trained Transformer)是由OpenAI公司推出的一款聊天机器人程序，既其公司下的一款聊天机器人产品，于2022年11月30日发布，该程序于同年的12月13日加入了接入校验cf认证，因此本次调研主要针对与chatGPT同源的InstructGPT(text-davinci-003)进行接入，这也是目前国内市场上接入所谓chatGPT的企业所接入的实际语言模型，具体chatGPT与InstructGPT的区别可以参照openAI官方于Reddit上的回复内容(原文地址)，总结下来实际上chatGPT相当于时使用InstructGPT相关的数据模型通过微调而衍生的产品，而InstructGPT则是用于API层面的对接，通过阅读官方文档也可得出该结论([文档地址](Models - OpenAI API))，同时openAI所提供的数据模型是非常强大的，本次我们只针对文本模型做探讨。

1、接入准备

1.1、注册账号

由于目前OpenAI并未对中国大陆进行地区支持，因此该网站的账号申请需要特殊网络环境，以及真实可用的境外手机号，具体申请步骤在此不做赘述，可参考下文中的申请流程。

openAI账号申请流程(可使用chatGPT功能)

1.2、获取调用token

1.登录上文注册好的账号，进入控制台页面，界面展示如下：

2.点击个人头像，展开后点击查看appkey，操作图如下：

3.进入后点击创建令牌，即可获取到对应令牌，获取到后建议保存到本地，只显示一次，也可以后续重新创建，操作图如下：

获取到对应token后建议保存，后续调用api时均使用该token进行调用

2、正式接入

2.1、模型分析

前言中有提到该公司对于文字的问答均有对应的数据模型，目前官网支持GPT-3的文本模型有以下几种，具体区别可参考官网中的解释，个人建议在不考虑实际业务的场景下使用最新的即可，因为就数据模型而言越新的数据模型，其模型的功能经过长期的机器学习以及版本迭代肯定是更为完善的，并且其所使用的训练数据也更为庞大及具有时效性，当然具体的使用还需结合业务场景选择最优解，下表为目前文档中给到的文本模型情况，及个人对各个模型的梳理：

上文只是粗略的对各个模型做了相应的描述，具体区别请参考[官方文档](模型 - OpenAI API),也可使用官方推出的模型处理比较工具获取模型的比较结果，模型比较工具

下文是针对这三种模型接口调用费用描述图：

针对费用情况，新注册的帐号享用前三个月十八美元免费额度，可在控制台进行查看，查看方式如下图：

2.2、代码编写

经过上述操作后，我们可获取到对应的token，目前便可直接进行接口的调用，具体的参数可参考以下文档，再次便不进行一一列举。

接口参数参考地址

DEMO代码：

HttpClient httpClient = HttpClients.createDefault();
        HttpPost request = new HttpPost();
        request.setURI(URI.create("https://api.openai.com/v1/completions"));
        request.setHeader("Content-Type", "application/json");
        request.setHeader("Authorization", "Bearer 上文拿到的token");

        String[] a = new String[2];
        a[0] = "Human：";
        a[1] = "AI：";
        JSONObject requestBody = new JSONObject();
        requestBody.put("prompt", "提问语句");
        requestBody.put("model", "所使用的模型编号");
        requestBody.put("temperature", 0);
        requestBody.put("max_tokens", 4000);
        requestBody.put("top_p", 1);
        requestBody.put("frequency_penalty", 0.0);
        requestBody.put("presence_penalty", 0.0);
        requestBody.put("stop", a);
        request.setEntity(new StringEntity(requestBody.toString(),"utf-8"));

        HttpResponse response = httpClient.execute(request);
        HttpEntity responseEntity = response.getEntity();
        String responseString = EntityUtils.toString(responseEntity);

        JSONObject responseJson = new JSONObject(responseString);
        String choices1 = responseJson.getString("choices");
        List<Map> choices = JacksonUtil.toList(choices1, Map.class);
        Map<String,String> s = choices.get(0);
        System.out.println(s.get("text"));
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

返回结果：

3、总结

经多次发现测试，该模型有以下几点需要注意：

3.1、上下文会话的信息抽取。

由于官方并未给到维持会话的具体说明，经多次测试发现，在后续提问的过程中带入之前的上下文可做到一定程度的会话保持，但并不能做到完全符合人类逻辑思维，并且由于接口对提问的字符长度有所限制(最大限制4000)，所以只能做到部分上下文带入，由此得出结论：

该模型在回答一些结论性问题时是比较优秀的，但针对一些联系上下文的回答则不能做到稳定输出

3.2、实时性问题

由于该模型的维护时间与当前时间存在较大差异，经调研发现，在去处理一些实时性的问题时，会出现问题，例如询问今天的日期是什么，他会回答2020年7月14日(实际是完全对不上的)，因此得出结论理:

尽量避免这类实时性问题的提问，针对这类问题期待后续官方是否会进行修复，若要深入开发则需要我们自己进行数据模型的维护，针对这类实时性得问题进行微调或等后续chatGPT的API可接入时直接进行替换。

3.3、网络环境问题

经调研，该技术目前虽然在国内并未做到支持，但其接口调用在使用本地网络时是可以正常返回的(不排除后续进行封锁)，因此这一点也是再接入企业项目时需考虑的风险。

注：上文中所提到的文档，大多需要进行网络环境的配置，请注意