如何在10分钟内创建一个免费的OpenAI服务?
最近 chatGPT 非常火,也出现了很多基于 chatGPT 写的插件,本次文章准备讲解一下基于 OpenAI 如何搭建一个 gpt 服务,并实现如下两个功能:
- 实现内容对话
- 实现根据内容生成 AI 图片
源码地址:github.com/MRwangqi/ch…
效果演示:
如下是效果演示:
- 内容对话:http-nodejs-production-32b8.up.railway.app/chat?prompt…
- AI 作画:http-nodejs-production-32b8.up.railway.app/image?promp…
- OPEN AI 开发者文档
- Node.js 开发
- Railway 部署(每个月有 5$ 的免费额度)
前期准备
1、OpenAI API 接入文档:
platform.openai.com/docs/api-re…
2、获取 OpenAI API Keys 和 Organization 组织 ID (前提是有 OpenAI 账号)
点击链接 platform.openai.com/account/api… 获取 API Keys,如果没有,可点击 Create new secret key
进行创建:
点击链接 platform.openai.com/account/org… 获取组织 ID:
正式开发
OpenAI API 文档提供了三种接入方式:
- Http 请求
- Python
- Node.js
无论用哪种方式接入,所对应的使用方式都差不多,仅仅只是技术栈不同而已,我们来看个 Http 请求的示例 :
curl https://api.openai.com/v1/completions \
-H 'Content-Type: application/json' \
-H 'Authorization: Bearer YOUR_API_KEY' \
-d '{
"model": "text-davinci-003",
"prompt": "今天星期几?",
"max_tokens": 7,
"temperature": 0
}'
请求参数:
- model :模型 Id,此处的文本生成模型为 GPT-3
- prompt:提示语
- max_tokens:回复结果的最大 tokens 数量,根据模型所定,有的最大2048,有的 4096,根据官网 tokenizer 描述,对于普通英文文本,100 个 tokens 差不多等于 75 个单词,具体计算规则可查看 platform.openai.com/tokenizer
- temperature:采样精确度,介于 0~2 之间,值越低约精确。
以官方示例为准,我们使用 Node.js 开始开发(需要安装 Node 环境,可自行搜索安装)。 执行初始化环境命令,根据提示完成项目创建
npm init
执行安装 openai 依赖命令:
npm install openai
安装完成后,我们在当前目录创建个 index.js 文件,为了能加载 ES 模块,我们还需在 package.json 中添加下 "type": "module"
,拷贝官方示例到该文件下,并替换掉 organization 组织 Id 与 apiKey 即可,配置效果如下:
如果 API KEY 和组织 Id 配置正确的话,我们可以执行运行命令:
node index.js
如果控制台没有任何报错的话,则表示配置成功,如果控制台有打印日志,则需要查看是 API KEY 配置不正确,还是组织 ID 配置不正确。
接下来,我们在此基础上,使用 gpt-3 文本模型开发功能:
// ... 省略上面代码
const res = await openai.createCompletion({
// text 模型
model: "text-davinci-003",
prompt: "周杰伦有多少张专辑?",
max_tokens: 2048,
temperature: 0.2
})
// 打印结果
console.log(res.data.choices)
这里我们询问 周杰伦有多少张专辑?
,并执行 node index.js
,查看打印的结果:
一个简单的问答结果出来了,接下来,我们暂时注释掉该段代码,尝试下 AI 作画的能力,编辑如下代码:
// ... 省略上面代码
const res = await openai.createImage({
model: "image-alpha-001",
prompt: "空山新雨后,天气晚来秋",
size: "256x256",
n: 1
})
// 打印图片 url
var url = res.data.data[0].url
console.log(url)
- model 为 AI 图片模型
- prompt 为描述的内容,这里,我们引用古诗,来查看最终的效果
- size 为生成的图片大小
- n 为生成的张数,这里我们就填写一张
执行成功后,会打印图片的 url:
我们将其拷贝出来到浏览器查看:
为了使这两个功能通过服务的方式访问,我们还需要安装两个依赖 koa 和 koa-router,执行如下命令安装:
npm install koa koa-router
重新编辑 index.js 文件,引入 koa 和 koa-router:
import Koa from "koa"
import Router from "koa-router";
// ... 省略 openai 初始化代码
const app = new Koa()
const router = new Router();
router.get("/chat", async (ctx, next) => {
// 获取请求中的 prompt 参数
const { prompt } = ctx.request.query;
const res = await openai.createCompletion({
model: "text-davinci-003",
prompt: prompt,
max_tokens: 2048,
temperature: 0.2
})
// 将生成的内容返回给客户端
ctx.body = res.data.choices
});
// 启用路由
app.use(router.routes()).use(router.allowedMethods());
// 启动服务器,端口暂时设置为 3000
app.listen(3000, () => {
console.log("Server is started ");
});
总体过程就是启用个端口为 3000 的服务,将原来执行的代码放到了 /chat 路由路径中,访问该路径即可执行该代码返回结果,接下来,我们继续执行 node index.js
命令,然后访问如下链接:
一个简单的服务访问已经开发好了,接下来,我们需要脱敏,将组织 ID、API KEY、端口 等设置成环境变量,并推到自己的 github 中(Railway 部署时需要选择该仓库),可以直接选择该项目,以避免秘钥泄漏,我们将其改成:http://localhost:3434/chat?prompt=周杰伦是谁
- process.env.APP_ORG
- process.env.APP_KEY
- process.env.PORT
具体操作代码可直接查看源码,这里就不贴了,避免代码太多影响阅读,接下来,我们需要开始部署应用了。
部署应用
访问 railway.app/dashboard 链接,建议使用 Github 快捷登录 Railway ,并点击 New Project
创建项目:
我们选择该项目,先不着急部署,我们先把前面的环境变量先设置上:
选择 `New Variable`创建 APP_ORG 和 APP_KEY 环境变量,并将对应的值写入到 value 中: 完成添加之后,Railway 会自动部署项目,我们选择左边的 `Depolyments`查看部署结果: 部署成功之后,我们需要生成 Domains 链接,我们继续点击右边的 Settings 选项卡,选择 `generate Domain`,此时会生成部署的域名链接:我们拿到该链接,就可以开始访问了,拷贝此链接,我们来访问下 AI 作画(链接+路由):
chatgpt-nodejs-production.up.railway.app/image?promp…