笔者初次接触人工智能领域，文章中错误的地方还望各位大佬指正！

【初探人工智能】2、雏形开始长成

在上一篇文章中我们已经初步体验了一下人工智能的聊天功能，只是不具备真正的交互功能。这篇文章主要介绍如何打造一个基于Web的交互环境。

安装Flask

Flask是一个Python编写的Web 微框架，让我们可以使用Python语言快速实现一个网站或Web服务。我们可以通过Flask将聊天功能封装成Web接口对外发布。

要使用Flask，需要先安装，执行命令：

pip install flask

安装过程：

(OpenAI) wux_labs@wux-labs-vm:~$ pip install flask
Collecting flask
  Downloading Flask-2.2.3-py3-none-any.whl (101 kB)
     ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 101.8/101.8 kB 1.2 MB/s eta 0:00:00
Collecting click>=8.0
  Downloading click-8.1.3-py3-none-any.whl (96 kB)
     ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 96.6/96.6 kB 2.7 MB/s eta 0:00:00
Collecting Jinja2>=3.0
  Downloading Jinja2-3.1.2-py3-none-any.whl (133 kB)
     ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 133.1/133.1 kB 9.7 MB/s eta 0:00:00
Collecting importlib-metadata>=3.6.0
  Downloading importlib_metadata-6.0.0-py3-none-any.whl (21 kB)
Collecting Werkzeug>=2.2.2
  Downloading Werkzeug-2.2.3-py3-none-any.whl (233 kB)
     ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 233.6/233.6 kB 8.3 MB/s eta 0:00:00
Collecting itsdangerous>=2.0
  Downloading itsdangerous-2.1.2-py3-none-any.whl (15 kB)
Collecting zipp>=0.5
  Using cached zipp-3.13.0-py3-none-any.whl (6.7 kB)
Collecting MarkupSafe>=2.0
  Downloading MarkupSafe-2.1.2-cp39-cp39-manylinux_2_17_x86_64.manylinux2014_x86_64.whl (25 kB)
Installing collected packages: zipp, MarkupSafe, itsdangerous, click, Werkzeug, Jinja2, importlib-metadata, flask
Successfully installed Jinja2-3.1.2 MarkupSafe-2.1.2 Werkzeug-2.2.3 click-8.1.3 flask-2.2.3 importlib-metadata-6.0.0 itsdangerous-2.1.2 zipp-3.13.0
(OpenAI) wux_labs@wux-labs-vm:~$ 

安装好Flask之后，写一个脚本server.py验证一下。

from flask import Flask
app = Flask(__name__)

@app.route('/')
def hello_world():
   return 'Hello World'

if __name__ == '__main__':
   app.run()

启动服务：

python server.py

验证一下：

但是这样只能本地访问，无法外网访问。Flask类的run()方法可以指定参数，让服务按照我们的预期运行，这里需要指定外网可以访问。修改一下代码：

from flask import Flask
app = Flask(__name__)

@app.route('/')
def hello_world():
   return 'Hello World'

if __name__ == '__main__':
   app.run(host='0.0.0.0')

重新启动后，通过浏览器访问。

这样就可以通过外网访问了。

封装Web接口雏形

现在，我们可以将自己的功能封装成Web接口了，修改脚本：

from flask import Flask
import os
import openai

openai.api_key = os.getenv("openai_api_key")

app = Flask(__name__)

@app.route('/chatgpt')
def chatgpt():
    response = openai.Completion.create(
        model="text-davinci-003", # 最强大的GPT-3模型，This model's maximum context length is 4097 tokens
        prompt="介绍一下机器学习算法",
        temperature=0.8,
        max_tokens=3000,
        top_p=1.0,
        frequency_penalty=0.5,
        presence_penalty=0.0
    )
    return response.choices[0].text

if __name__ == '__main__':
    app.run(host='0.0.0.0')

重新启动之后，通过浏览器访问一下：

这样，我们就可以通过Web接口来调用相应的API了。

设置接收参数

接下来，修改我们的Web接口，让它可以接收用户参数。

from flask import Flask, request
import os, json
import openai

openai.api_key = os.getenv("openai_api_key")

app = Flask(__name__)

@app.route('/chatgpt', methods=['post'])
def chatgpt():
    get_data = request.get_data()
    get_data = json.loads(get_data)

    response = openai.Completion.create(
        model=get_data["model"],
        prompt=get_data["prompt"],
        temperature=get_data["temperature"],
        max_tokens=get_data["max_tokens"],
        top_p=get_data["top_p"],
        frequency_penalty=get_data["frequency_penalty"],
        presence_penalty=get_data["presence_penalty"],
    )
    return response.choices[0].text

if __name__ == '__main__':
    app.run(host='0.0.0.0')

功能验证

由于我们将接口改成了接收POST请求的，所以不能直接通过浏览器访问了，需要借助客户端工具，比如Postman、PyCharm中的Http Request插件等。

聊天

基于上述代码，发起POST请求，使用text-davinci-003模型，得到响应如下。

写代码

使用text-davinci-003模型，让机器人生成一段代码试试。

代码补全

尝试一下其他模型，比如code-davinci-002，该模型可用于补全代码，不过当前处于beta阶段。发起POST请求，补全一段Python代码中的测试用例代码，输出的内容为：

test_sum_numbers():
assert sum_numbers(2, 3) == 5
assert sum_numbers(1, -1) == 0
assert sum_numbers(10.5, 2) == 12.5
test_sum_numbers()
# 测试错误的函数：
def test_sum_numbers():
assert sum_numbers(2, 3) == 6 # 这个测试会失败
test_sum_numbers()


# 单元测试中的断言函数：assertEqual()、assertTrue()、assertFalse()……以及方法还有很多。你可以在文档中查看所有的断言函数。

上述代码只有openai生成的部分。

如果是在交互式环境下，真实场景应该是在代码后面进行补全：

生成图片

修改一下脚本，在代码中添加生成图片的接口：

from flask import Flask, request
import os, json
import openai

openai.api_key = os.getenv("openai_api_key")

app = Flask(__name__)

@app.route('/chat', methods=['post'])
def chat():
    get_data = request.get_data()
    get_data = json.loads(get_data)

    response = openai.Completion.create(
        model=get_data["model"],
        prompt=get_data["prompt"],
        temperature=get_data["temperature"],
        max_tokens=get_data["max_tokens"],
        top_p=get_data["top_p"],
        frequency_penalty=get_data["frequency_penalty"],
        presence_penalty=get_data["presence_penalty"],
    )
    return response.choices[0].text

@app.route("/image", methods=['post'])
def image():
    get_data = request.get_data()
    get_data = json.loads(get_data)

    response = openai.Image.create(
        prompt=get_data["prompt"],
        n=1,
        size="1024x1024"
    )
    return response['data'][0]['url']

if __name__ == '__main__':
    app.run(host='0.0.0.0')

重启服务后发送POST请求，生成的图片结果如下。

写在后面

至此，我们的机器人就具备了一些基本的功能了，后续做好用户界面就可以了。