OpenAI API 入门：从申请 Key 到第一个 Chat 应用

前言

用 ChatGPT 的网页版聊天很简单，但如果想把 AI 能力集成到自己的应用里——比如做个客服机器人、自动写周报的工具、代码审查助手——就需要通过 API。

OpenAI 的 API 是目前最成熟的大模型接口，而且很多国产模型（DeepSeek、通义千问、豆包）都兼容它的格式，学一次到处能用。

---

一、申请 API Key

1. 打开 platform.openai.com
2. 注册账号（需要海外手机号验证，可以用虚拟号平台）
3. 进入 Dashboard → API Keys → Create new secret key
4. 复制 Key（只显示一次，保存好）

充值：OpenAI 是预付费制，在 Billing 页面绑定信用卡或使用充值额度。个人开发者先充 5-10 美元足够玩很久了。

如果 OpenAI 用不了怎么办？

国内的替代方案（都兼容 OpenAI API 格式，只改 base_url 和 key）：

平台	base_url	获取 Key
DeepSeek	https://api.deepseek.com	platform.deepseek.com
通义千问	https://dashscope.aliyuncs.com/compatible-mode/v1	阿里云百炼平台
豆包（字节）	https://ark.cn-beijing.volces.com/api/v3	火山引擎
硅基流动	https://api.siliconflow.cn/v1	siliconflow.cn（有免费额度）
零一万物	https://api.lingyiwanwu.com/v1	platform.lingyiwanwu.com

---

二、第一个 API 调用

# pip install openai
from openai import OpenAI

client = OpenAI(api_key="sk-your-key-here")

response = client.chat.completions.create(
    model="gpt-4o",
    messages=[
        {"role": "system", "content": "你是一个 Linux 运维专家"},
        {"role": "user", "content": "如何查看端口占用？"}
    ]
)

print(response.choices[0].message.content)
# 输出：可以使用以下命令查看端口占用：
# sudo ss -tlnp | grep :80
# 或
# sudo lsof -i :80

三个 message 角色：

role	含义	什么时候用
system	设定 AI 的身份和行为规则	在最前面，定义”人设”
user	用户说的话	每次用户输入
assistant	AI 之前回复过的话	多轮对话时把历史回复带上

---

三、多轮对话

模型本身没有记忆，每次请求都是独立的。要实现”记得之前聊了什么”，需要把对话历史在每次请求时都带过去：

messages = [
    {"role": "system", "content": "你是一个 Python 编程助手"},
]

while True:
    user_input = input("你: ")
    if user_input == "quit":
        break
    
    messages.append({"role": "user", "content": user_input})
    
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=messages
    )
    
    reply = response.choices[0].message.content
    print(f"AI: {reply}")
    
    messages.append({"role": "assistant", "content": reply})

对话历史越长，消耗的 token 越多（因为每次都要把历史重新发给模型）。实际应用中需要考虑对话摘要或滑动窗口来控制上下文长度。

---

四、流式输出

ChatGPT 的那种一个字一个字往外蹦的效果，就是流式输出（streaming）：

stream = client.chat.completions.create(
    model="gpt-4o",
    messages=[{"role": "user", "content": "讲个笑话"}],
    stream=True
)

for chunk in stream:
    if chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="", flush=True)
print()  # 最后换行

流式输出的好处：用户体验好，不用等半天才看到结果，特别适合交互式应用。

---

五、核心参数调优

response = client.chat.completions.create(
    model="gpt-4o",
    messages=[...],
    temperature=0.7,        # 随机性，0~2
    top_p=0.9,              # 核采样
    max_tokens=1000,        # 最大输出 token 数
    frequency_penalty=0.0,  # 惩罚重复内容
    presence_penalty=0.0,   # 惩罚已出现过的词
    stop=["\n\n\n"],        # 遇到这个就停止
    n=1,                    # 返回几个回答
)

参数	作用	代码/翻译用	创意写作用
temperature	越高越随机	0.1~0.3	0.7~0.9
top_p	核采样阈值	0.5~0.8	0.9~1.0
max_tokens	控制回答长度	看需求	看需求
frequency_penalty	抑制重复	0.1~0.3（避免废话）	0

---

六、Token 管理

查看用了多少 token

response = client.chat.completions.create(...)
print(response.usage)
# CompletionUsage(
#   completion_tokens=150,   # 输出消耗
#   prompt_tokens=45,        # 输入消耗
#   total_tokens=195         # 总计
# )

估算费用

GPT-4o 的价格（2024 年）：

• 输入：$2.50 / 1M tokens
• 输出：$10.00 / 1M tokens

举例：一次问答输入 500 token + 输出 200 token，费用约为 (500/1M)*2.5 + (200/1M)*10 = $0.00325，约 2 分钱人民币。

计算 token 数量

import tiktoken

enc = tiktoken.encoding_for_model("gpt-4o")
tokens = enc.encode("Hello, 你好")
print(len(tokens))  # 输出 token 数量

也可以直接用 OpenAI 的在线工具 tokenizer。

控制上下文不超限

def trim_messages(messages, max_tokens=4000):
    """保留最近的对话，确保总 token 不超限"""
    enc = tiktoken.encoding_for_model("gpt-4o")
    total = 0
    trimmed = []
    for msg in reversed(messages):
        count = len(enc.encode(msg["content"]))
        if total + count > max_tokens:
            break
        trimmed.insert(0, msg)
        total += count
    return trimmed

---

七、错误处理

from openai import (
    APIError, APIConnectionError, RateLimitError,
    APITimeoutError, AuthenticationError
)

def chat_with_retry(messages, max_retries=3):
    for attempt in range(max_retries):
        try:
            return client.chat.completions.create(
                model="gpt-4o",
                messages=messages,
                timeout=30
            )
        except RateLimitError:
            wait = 2 ** attempt  # 指数退避
            print(f"请求太频繁，{wait}秒后重试...")
            time.sleep(wait)
        except APITimeoutError:
            print(f"请求超时，重试 {attempt+1}/{max_retries}")
        except APIConnectionError:
            print("网络连接失败，检查代理或 VPN")
            raise
        except AuthenticationError:
            print("API Key 无效")
            raise
    return None

---

八、一个小示例：代码审查机器人

from openai import OpenAI
import sys

client = OpenAI(api_key="sk-xxx")

SYSTEM_PROMPT = """你是一个资深代码审查专家。审查代码时请关注：
1. 潜在的 bug 和逻辑错误
2. 性能问题
3. 安全隐患
4. 代码风格和可读性
回复格式：先给总体评分（1-10），再逐条列出问题和改进建议。"""

def review_code(code):
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[
            {"role": "system", "content": SYSTEM_PROMPT},
            {"role": "user", "content": f"请审查以下代码：\n```\n{code}\n```"}
        ],
        temperature=0.3,
        max_tokens=2000
    )
    return response.choices[0].message.content

if __name__ == "__main__":
    if len(sys.argv) < 2:
        print("用法: python code_review.py <文件路径>")
        sys.exit(1)
    
    with open(sys.argv[1], "r") as f:
        code = f.read()
    
    print(review_code(code))

python code_review.py app.py

---

九、几个实用技巧

1. 在 system prompt 里指定输出格式能大幅提升稳定性：

回复时必须使用以下 JSON 格式（不要包含其他文字）：
{"score": 评分, "issues": [{"title": "问题", "suggestion": "建议"}]}

2. 让模型自己检查自己：

# 第一次请求：让模型回答
response = client.chat.completions.create(...)
answer = response.choices[0].message.content

# 第二次请求：让模型检查自己的回答
check = client.chat.completions.create(
    model="gpt-4o",
    messages=[
        {"role": "user", "content": f"检查以下回答是否有事实错误或逻辑问题：\n{answer}"}
    ]
)

3. 不要在一轮对话里塞太多任务：一个 Prompt 问一件事的效果，远好于一个 Prompt 同时问五件事。

---

以上覆盖了 OpenAI API 日常开发 80% 的场景。掌握了这些，换成 DeepSeek、通义千问、豆包等兼容接口的模型基本不需要额外的学习成本。