关于ChatGPT3.5模型的使用（java）

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ArrayListList<Object> messages = getUserCacheMessages();int size = messages.size();if (size>19){messages.remove(0);}messages.add(message);setUserCacheMessages(messages);//把新的放到rediscompletionChatRequest.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

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

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

玩游戏

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！

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！