1、开始使用
1.1 介绍
OpenAI API 几乎可以应用于任何涉及理解或生成自然语言或代码的任务。我们提供一系列具有不同功率水平的型号，适用于不同的任务，并能够微调您自己的定制模型。这些模型可用于从内容生成到语义搜索和分类的所有内容。
- 提示和完成（Prompts and completions）
completions终结点位于 API 的中心。它为我们的模型提供了一个简单的界面，非常灵活和强大。您输入一些文本作为提示，模型将生成一个文本补全，尝试匹配您为其提供的任何上下文或模式。例如，如果您向 API 提供提示“Write a tagline for an ice cream shop”，它将返回类似“We serve up smiles with every scoop！
设计Prompts 本质上是“编程”模型的方式，通常是通过提供一些说明或一些示例。这与大多数其他 NLP 服务不同，后者是为单个任务设计的，例如情绪分类或命名实体识别。相反，completions端点几乎可用于任何任务，包括内容或代码生成、摘要、扩展、对话、创意写作、风格迁移等。
- 令 牌（Tokens）
我们的模型通过将文本分解为标记来理解和处理文本。标记可以是单词，也可以只是字符块。例如，单词“hamburger”被分解为标记“ham”，“bur”和“ger”，而像“pear”这样的简短而常见的单词是单个令牌。许多标记以空格开头，例如“hello”和“bye”。
给定 API 请求中处理的Tokens数量取决于输入和输出的长度。根据粗略的经验法则，对于英文文本，1 个标记大约是 4 个字符或 0.75 个单词。要记住的一个限制是，文本提示和生成的完成组合不得超过模型的最大上下文长度（对于大多数模型，这是 2048 个标记，或大约 1500 个单词）。
- 温度（temperature）
提示设计并不是您可以使用的唯一工具。您还可以通过调整设置来控制完成。最重要的设置之一称为temperature。您可能已经注意到，如果在上面的示例中多次提交相同的提示，则模型将始终返回相同或非常相似的完成。这是因为您的temperature设置为 0。尝试在temperature设置为 1 的情况下重新提交相同的提示几次。当温度高于 0 时，提交相同的提示每次会导致不同的完成。
请记住，该模型预测哪些文本最有可能跟随其前面的文本。温度是介于 0 和 1 之间的值，实质上允许您控制模型在进行这些预测时的置信度。降低温度意味着风险更小，完成将更加准确和确定。温度升高将导致更多样化的完成。
- 模型（Models）
该 API 由一组具有不同功能和价位的模型提供支持。我们的基本 GPT-3 模型称为Davinci、Curie、Babbage 和Ada。我们的 Codex 系列是 GPT-3 的后代，经过自然语言和代码训练。
- 指南（Guides）
聊天（Chat）：了解如何使用基于聊天的语言模型 文本完成（Text completion）：了解如何生成或编辑文本 嵌入（Embeddings）：了解如何搜索、分类和比较文本 语音转文本（Speech to text）：了解如何将音频转换为文本 图像生成（Image generation）：了解如何生成或编辑图像 代码完成（Code completion）：了解如何生成、编辑或解释代码 微调（Fine-tuning）：了解如何为您的用例训练模型
1.2 快速入门
现在您已经找到了一个很好的提示和设置，您可以构建您的应用！我们编写了一些代码来帮助你入门，按照以下说明下载代码并运行应用。
- 安装开发环境
（1）首先安装 Node.js或者Python。这两种是官网推荐的方式。 （2）然后通过git下载开发包。
# nodejs
git clone https://github.com/openai/openai-quickstart-node.git
# python
git clone https://github.com/openai/openai-quickstart-python.git
- 添加您的 API 密钥
要使应用正常运行，您需要一个 API 密钥。您可以通过注册一个帐户并返回此页面来获取一个。
- 运行应用
在项目目录中运行以下命令以安装依赖项并运行应用。 （1）nodejs
npm install
npm run dev
（2）python
python -m venv venv
. venv/bin/activate
pip install -r requirements.txt
flask run
在浏览器中打开如下网址就可以看见官网的开发测试demo了：
http://localhost:5000
<font color=blue>要记住的一个限制是，对于大多数模型，单个 API 请求在提示和完成之间最多只能处理 2048 个tokens（大约 1500 个单词）。
1.3 开发库
- python开发库
OpenAI提供了一个 Python 库，您可以按如下方式安装：
pip install openai
安装后，可以使用bindings 和secret key运行以下命令：
import os
import openai
# Load your API key from an environment variable or secret management service
openai.api_key = os.getenv("OPENAI_API_KEY")
response = openai.Completion.create(model="text-davinci-003", prompt="Say this is a test", temperature=0, max_tokens=7)
还可以使用命令行实用工具，您可以使用如下方式：
$ openai api completions.create -m text-davinci-003 -p "Say this is a test" -t 0 -M 7 --stream
- nodejs开发库
OpenAI还有一个 Node.js 库，您可以通过在 Node.js 项目目录中运行以下命令来安装它：
$ npm install openai
安装后，您可以使用库和密钥运行以下命令：
const { Configuration, OpenAIApi } = require("openai");
const configuration = new Configuration({
apiKey: process.env.OPENAI_API_KEY,
});
const openai = new OpenAIApi(configuration);
const response = await openai.createCompletion({
model: "text-davinci-003",
prompt: "Say this is a test",
temperature: 0,
max_tokens: 7,
});
2、模型
2.1 Overview
OpenAI API 由具有不同功能和价位的各种模型提供支持。您还可以通过微调，针对您的特定用例对我们的原始基本模型进行有限的自定义。
| 模型 | 描述 |
|---|---|
| GPT-3.5 | 一组改进 GPT-3 的模型，可以理解并生成自然语言或代码 |
| DALL·E | 可以在给定自然语言提示的情况下生成和编辑图像的模型 |
| Whisper | 可以将音频转换为文本的模型 |
| Embeddings | 一组可以将文本转换为数字形式的模型 |
| Codex | 一组可以理解和生成代码的模型，包括将自然语言转换为代码 |
| Moderation | 可以检测文本是否敏感或不安全的微调模型 |
| GPT-3 | 一组可以理解和生成自然语言的模型 |
2.2 GPT-3.5
GPT-3.5 模型可以理解和生成自然语言或代码。我们功能最强大、最具成本效益的模型是针对聊天进行了优化，但也适用于传统的完成任务。gpt-3.5-turbo
| 最新模型 | 描述 | 最大请求数 | 训练数据 |
|---|---|---|---|
| gpt-3.5-turbo | Most capable GPT-3.5 model and optimized for chat at 1/10th the cost of text-davinci-003. Will be updated with our latest model iteration. | 4,096 tokens | Up to Sep 2021 |
| gpt-3.5-turbo-0301 | Snapshot of gpt-3.5-turbo from March 1st 2023. Unlike gpt-3.5-turbo, this model will not receive updates, and will only be supported for a three month period ending on June 1st 2023. | 4,096 tokens | Up to Sep 2021 |
| text-davinci-003 | Can do any language task with better quality, longer output, and consistent instruction-following than the curie, babbage, or ada models. Also supports inserting completions within text. | 4,097 tokens | Up to Jun 2021 |
| text-davinci-002 | Similar capabilities to text-davinci-003 but trained with supervised fine-tuning instead of reinforcement learning | 4,097 tokens | Up to Jun 2021 |
| code-davinci-002 | Optimized for code-completion tasks | 8,001 tokens | Up to Jun 2021 |
我们建议在实验时使用 gpt-3.5-turbo，因为它会产生最佳结果。一旦你开始工作，我们鼓励尝试其他模型，看看你是否能以更低的延迟或成本获得相同的结果。
2.3 DALL·E
DALL·E是一个AI系统，可以从自然语言的描述中创建逼真的图像和艺术。我们目前支持创建具有特定大小的新图像、编辑现有图像或创建用户提供的图像的变体的功能。
通过我们的 API 提供的当前 DALL·E模型是 DALL·E的第二次迭代，具有比原始模型更逼真、更准确和分辨率高 4 倍的图像。您可以通过我们的实验室界面或通过 API 进行尝试。
2.4 Whisper
耳语是一种通用语音识别模型。它是在各种音频的大型数据集上进行训练的，也是一个多任务模型，可以执行多语言语音识别以及语音翻译和语言识别。Whisper v2-large 模型目前可通过我们的 API 使用模型名称。whisper-1
目前，Whisper的开源版本和通过我们的API提供的版本之间没有区别。但是，通过我们的 API，我们提供了一个优化的推理过程，这使得通过我们的 API 运行 Whisper 比通过其他方式运行要快得多。有关Whisper的更多技术细节，您可以阅读论文。
2.5 Embeddings
Embeddings是文本的数字表示形式，可用于衡量两段文本之间的相关性。我们的第二代Embeddings模型 text-embedding-ada-002 旨在以一小部分成本取代之前的 16 个第一代Embeddings模型。Embeddings对于搜索、聚类分析、建议、异常检测和分类任务非常有用。
2.6 Codex
Codex 模型是我们的 GPT-3 模型的后代，可以理解和生成代码。他们的训练数据包含自然语言和来自GitHub的数十亿行公共代码。他们最擅长Python，精通十几种语言，包括JavaScript，Go，Perl，PHP，Ruby，Swift，TypeScript，SQL甚至Shell。
我们目前提供两种Codex 模式：
| 最新模型 | 描述 | 最大请求数 | 训练数据 |
|---|---|---|---|
| code-davinci-002 | Most capable Codex model. Particularly good at translating natural language to code. In addition to completing code, also supports inserting completions within code. | 8,001 tokens | Up to Jun 2021 |
| code-cushman-001 | Almost as capable as Davinci Codex, but slightly faster. This speed advantage may make it preferable for real-time applications. | Up to 2,048 tokens |
2.7 Moderation
Moderation模型旨在检查内容是否符合 OpenAI 的使用策略。这些模型提供的分类功能可查找以下类别中的内容：hate, hate/threatening, self-harm, sexual, sexual/minors, violence, and violence/graphic。您可以在我们的审核指南中找到更多信息。Moderation模型采用任意大小的输入，该输入会自动分解以修复模型特定的上下文窗口。
| 描述 | 描述 |
|---|---|
| text-moderation-latest | Most capable moderation model. Accuracy will be slighlty higher than the stable model |
| text-moderation-stable | Almost as capable as the latest model, but slightly older. |
2.8 GPT-3
GPT-3 模型可以理解和生成自然语言。这些模型被更强大的 GPT-3.5 代模型所取代。但是，原始的 GPT-3 基本模型（davinci, curie, ada, and babbage）是当前唯一可用于微调的模型。
| 最新模型 | 描述 | 最大请求数 | 训练数据 |
|---|---|---|---|
| text-curie-001 | Very capable, faster and lower cost than Davinci. | 2,049 tokens | Up to Oct 2019 |
| text-babbage-001 | Capable of straightforward tasks, very fast, and lower cost. | 2,049 tokens | Up to Oct 2019 |
| text-ada-001 | Capable of very simple tasks, usually the fastest model in the GPT-3 series, and lowest cost. | 2,049 tokens | Up to Oct 2019 |
| davinci | Most capable GPT-3 model. Can do any task the other models can do, often with higher quality. | 2,049 tokens | Up to Oct 2019 |
| curie | Very capable, but faster and lower cost than Davinci. | 2,049 tokens | Up to Oct 2019 |
| babbage | Capable of straightforward tasks, very fast, and lower cost. | 2,049 tokens | Up to Oct 2019 |
| ada | Capable of very simple tasks, usually the fastest model in the GPT-3 series, and lowest cost. | 2,049 tokens | Up to Oct 2019 |
2.9 Model endpoint compatability
| 模型名称 | ENDPOINTS |
|---|---|
| gpt-3.5-turbo | /v1/chat/completions |
| gpt-3.5-turbo-0301 | /v1/chat/completions |
| text-davinci-003 | /v1/completions |
| text-davinci-002 | /v1/completions` |
| text-davinci-edit-001 | /v1/edits |
| code-davinci-edit-001 | /v1/edits |
| whisper-1 | /v1/audio/transcriptions, /v1/audio/translations |
| text-curie-001 | /v1/completions |
| text-babbage-001 | /v1/completions |
| text-ada-001 | /v1/completions |
| davinci | /v1/completions, /v1/fine-tunes |
| curie | /v1/completions, /v1/fine-tunes |
| babbage | /v1/completions, /v1/fine-tunes |
| ada | /v1/completions, /v1/fine-tunes |
| text-embedding-ada-002 | /v1/embeddings |
| text-search-ada-doc-001 | /v1/embeddings |
| text-moderation-stable | /v1/moderations |
| text-moderation-latest | /v1/moderations |
3、指南
3.1 Text completion
这个completions endpoint可用于各种任务。它为我们的任何模型提供了一个简单但功能强大的界面。您输入一些文本作为提示，模型将生成一个文本补全，尝试匹配您为其提供的任何上下文或模式。例如，如果你给 API 提示，“As Descartes said, I think, therefore”，它将以很高的概率返回完成“I am”。
3.2 Code completion
Codex 模型系列是我们的 GPT-3 系列的后代，该系列经过自然语言和数十亿行代码的训练。它最擅长Python，精通十几种语言，包括JavaScript，Go，Perl，PHP，Ruby，Swift，TypeScript，SQL甚至Shell。在最初的有限测试期内，Codex 使用是免费的。
您可以将 Codex 用于各种任务，包括：
- 将注释转换为代码
- 在上下文中完成下一行或函数
- 为您提供知识，例如查找有用的库或应用程序的 API 调用
- 添加评论
- 重写代码以提高效率
import os
import openai
openai.api_key = os.getenv("OPENAI_API_KEY")
response = openai.Completion.create(
model="code-davinci-002",
prompt="# Python 3 \ndef remove_common_prefix(x, prefix, ws_prefix): \n x[\"completion\"] = x[\"completion\"].str[len(prefix) :] \n if ws_prefix: \n # keep the single whitespace as prefix \n x[\"completion\"] = \" \" + x[\"completion\"] \nreturn x \n\n# Explanation of what the code does\n\n#",
temperature=0,
max_tokens=64,
top_p=1.0,
frequency_penalty=0.0,
presence_penalty=0.0
)
3.3 Chat completions
ChatGPT由OpenAI最先进的语言模型。gpt-3.5-turbo提供支持。 使用 OpenAI API，您可以构建自己的应用程序来执行以下操作：gpt-3.5-turbo
- 起草电子邮件或其他文章
- 编写Python代码
- 回答有关一组文档的问题
- 创建会话代理
- 为您的软件提供自然语言界面
- 一系列科目的导师
- 翻译语言
- 模拟视频游戏的角色等等
聊天模型将一系列消息作为输入，并返回模型生成的消息作为输出。尽管聊天格式旨在使多轮对话变得容易，但它对于没有任何对话的单轮任务同样有用（例如以前由指令遵循模型提供的任务 ）.text-davinci-003
示例 API 调用如下所示：
# Note: you need to be using OpenAI Python v0.27.0 for the code below to work
import openai
openai.ChatCompletion.create(
model="gpt-3.5-turbo",
messages=[
{"role": "system", "content": "You are a helpful assistant."},
{"role": "user", "content": "Who won the world series in 2020?"},
{"role": "assistant", "content": "The Los Angeles Dodgers won the World Series in 2020."},
{"role": "user", "content": "Where was it played?"}
]
)
示例 API 响应如下所示：
{
'id': 'chatcmpl-6p9XYPYSTTRi0xEviKjjilqrWU2Ve',
'object': 'chat.completion',
'created': 1677649420,
'model': 'gpt-3.5-turbo',
'usage': {'prompt_tokens': 56, 'completion_tokens': 31, 'total_tokens': 87},
'choices': [
{
'message': {
'role': 'assistant',
'content': 'The 2020 World Series was played in Arlington, Texas at the Globe Life Field, which was the new home stadium for the Texas Rangers.'},
'finish_reason': 'stop',
'index': 0
}
]
}
<font color=blue>由于 gpt-3.5-turbo 的性能与 text-davinci-003 相似，但每个代币的价格仅为 10%，因此我们建议 gpt-3.5-turbo 用于大多数用例。 gpt-3.5-turbo是否可以进行微调？不。自 2023 年 3 月 1 日起，您只能微调基本 GPT-3 模型。
3.4 Image generation
了解如何使用 DALL·E 模型。 图像 API 提供了三种与图像交互的方法：
- 根据文本提示从头开始创建图像
- 根据新的文本提示创建现有图像的编辑
- 创建现有图像的变体
Image generation终结点允许您在给定文本提示的情况下创建原始图像。生成的图像的大小可以是 256x256、512x512 或 1024x1024 像素。较小的尺寸生成速度更快。您可以使用 n 参数一次请求 1-10 张图像。
- python
response = openai.Image.create(
prompt="a white siamese cat",
n=1,
size="1024x1024"
)
image_url = response['data'][0]['url']
- nodejs
const response = await openai.createImage({
prompt: "a white siamese cat",
n: 1,
size: "1024x1024",
});
image_url = response.data.data[0].url;
- curl
curl https://api.openai.com/v1/images/generations \
-H 'Content-Type: application/json' \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{
"prompt": "a white siamese cat",
"n": 1,
"size": "1024x1024"
}'
3.5 Fine-tuning
通过微调，您可以通过提供以下内容从通过 API 提供的模型中获得更多收益：
- 比提示设计更高质量的结果
- 能够训练比提示所能容纳的更多示例
- 由于提示时间较短，可以节省代币
- 更低的延迟请求
概括地说，微调涉及以下步骤：
- 准备和上传训练数据
- 训练新的微调模型
- 使用微调模型
# Start your fine-tuning job
openai api fine_tunes.create -t <TRAIN_FILE_ID_OR_PATH> -m <BASE_MODEL>
# List all created fine-tunes
openai api fine_tunes.list
# Retrieve the state of a fine-tune. The resulting object includes
# job status (which can be one of pending, running, succeeded, or failed)
# and other information
openai api fine_tunes.get -i <YOUR_FINE_TUNE_JOB_ID>
# Cancel a job
openai api fine_tunes.cancel -i <YOUR_FINE_TUNE_JOB_ID>
# Use a fine-tuned model
openai api completions.create -m <FINE_TUNED_MODEL> -p <YOUR_PROMPT>
# Delete a fine-tuned model
openai api models.delete -i <FINE_TUNED_MODEL>
# Customize your model name
openai api fine_tunes.create -t test.jsonl -m ada --suffix "custom model name"
# Analyzing your fine-tuned model
openai api fine_tunes.results -i <YOUR_FINE_TUNE_JOB_ID>
# Classification specific metrics
# For multiclass classification
openai api fine_tunes.create \
-t <TRAIN_FILE_ID_OR_PATH> \
-v <VALIDATION_FILE_OR_PATH> \
-m <MODEL> \
--compute_classification_metrics \
--classification_n_classes <N_CLASSES>
# For binary classification
openai api fine_tunes.create \
-t <TRAIN_FILE_ID_OR_PATH> \
-v <VALIDATION_FILE_OR_PATH> \
-m <MODEL> \
--compute_classification_metrics \
--classification_n_classes 2 \
--classification_positive_class <POSITIVE_CLASS_FROM_DATASET>
# Validation
openai api fine_tunes.create -t <TRAIN_FILE_ID_OR_PATH> \
-v <VALIDATION_FILE_ID_OR_PATH> \
-m <MODEL>
# Hyperparameters
openai api fine_tunes.create \
-t file-JD89ePi5KMsB3Tayeli5ovfW \
-m ada \
--n_epochs 1
3.6 Embeddings
OpenAI的文本嵌入衡量文本字符串的相关性。嵌入通常用于：
- 搜索（其中结果按与查询字符串的相关性排名）
- 聚类分析（其中文本字符串按相似性分组）
- 建议（建议使用具有相关文本字符串的项目）
- 异常检测（识别相关性不大的异常值）
- 多样性测量（分析相似性分布）
- 分类（其中文本字符串按其最相似的标签分类）
Embeddings是浮点数的向量（列表）。两个向量之间的距离衡量它们的相关性。小距离表示高相关性，大距离表示低相关性。
要获取嵌入，请将文本字符串发送到嵌入 API 终结点，同时选择嵌入模型 ID。响应将包含一个嵌入，您可以提取、保存和使用嵌入。text-embedding-ada-002
（1）示例请求：
- python
response = openai.Embedding.create(
input="Your text string goes here",
model="text-embedding-ada-002"
)
embeddings = response['data'][0]['embedding']
- curl
curl https://api.openai.com/v1/embeddings \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-d '{"input": "Your text string goes here",
"model":"text-embedding-ada-002"}'
（2）示例响应：
{
"data": [
{
"embedding": [
-0.006929283495992422,
-0.005336422007530928,
...
-4.547132266452536e-05,
-0.024047505110502243
],
"index": 0,
"object": "embedding"
}
],
"model": "text-embedding-ada-002",
"object": "list",
"usage": {
"prompt_tokens": 5,
"total_tokens": 5
}
}
3.7 Speech to text
了解如何将音频转换为文本。 语音转文本 API 提供了两个终结点，并且基于我们最先进的开源 large-v2： Whisper 模型。它们可用于： 转译、翻译。
- 将音频转录为音频使用的任何语言。
- 将音频翻译并转录为英语。
（1）转译（Transcriptions ）
# Note: you need to be using OpenAI Python v0.27.0 for the code below to work
import openai
audio_file= open("/path/to/file/audio.mp3", "rb")
transcript = openai.Audio.transcribe("whisper-1", audio_file)
（2）翻译（Translations）
# Note: you need to be using OpenAI Python v0.27.0 for the code below to work
import openai
audio_file= open("/path/to/file/german.mp3", "rb")
transcript = openai.Audio.translate("whisper-1", audio_file)
3.8 Moderation
审查端点是一种工具，可用于检查内容是否符合 OpenAI 的使用策略。因此，开发人员可以识别我们的使用策略禁止的内容并采取行动，例如通过过滤。
- 示例请求：
response = openai.Moderation.create(
input="Sample text goes here"
)
output = response["results"][0]
- 示例响应：
{
"id": "modr-XXXXX",
"model": "text-moderation-001",
"results": [
{
"categories": {
"hate": false,
"hate/threatening": false,
"self-harm": false,
"sexual": false,
"sexual/minors": false,
"violence": false,
"violence/graphic": false
},
"category_scores": {
"hate": 0.18805529177188873,
"hate/threatening": 0.0001250059431185946,
"self-harm": 0.0003706029092427343,
"sexual": 0.0008735615410842001,
"sexual/minors": 0.0007470346172340214,
"violence": 0.0041268812492489815,
"violence/graphic": 0.00023186142789199948
},
"flagged": false
}
]
}
4、其他
4.1 接口申请
OpenAI API 接入需要如下条件。
- 已成功注册 OpenAI 的账号。https://platform.openai.com/account/api-keys
- 创建 API KEY，这个 API KEY 是用于 HTTP 请求身份验证的，可以创建多个。如下图点击“Create new secret key“，注意这个创建之后需要马上复制好保存，关闭弹框之后就看不到了。
- 官方 API 文档链接 api-reference。https://platform.openai.com/docs/api-reference/
- 注意 API 调用是收费的，但是 OpenAI 已经为我们免费提供了18美元的用量，足够大家放心使用。
4.2 接口说明
接口文档：https://platform.openai.com/docs/api-reference/completions/create 请求URL：https://api.openai.com/v1/completions 请求方式：Post 请求体 ：json
{
"model": "text-davinci-003",
"prompt": "hello world",
"max_tokens": 7,
"temperature": 0,
"top_p": 1,
"n": 1,
"stream": false
}
请求参数说明：
| 字段 | 说明 |
|---|---|
| model | 可选参数。语言模型，这里选择的是text-davinci-003 |
| prompt | 必选参数。即用户的输入。 |
| max_tokens | 可选参数，默认值为 16。最大分词数，会影响返回结果的长度。 |
| temperature | 可选参数，默认值为 1，取值 0-2。该值越大每次返回的结果越随机，即相似度越小。 |
| top_p | 可选参数，与temperature类似。 |
| n | 可选参数，默认值为 1。表示对每条prompt生成多少条结果。 |
| stream | 可选参数，默认值为false。表示是否回流部分结果。 |
code-davinci-002 与 text-davinci-002 更偏向于轻量，使用这两种模型，获得回答的速度也许会加快。
4.3 代码例子
- 这里提供网上网友的一个js的例子如下：
let url = "https://api.openai.com/v1/completions";
let answer = await axios // 使用axios发送post请求
.post(url, data, { headers: headers })
.then((res) => {
return res.data.choices[0].text.trim();
})
.catch((err) => {
console.log(err.response.data);
return "error";
});
post提交数据的时候, 把之前所有的对话都提交上去, 这样就有了上下文; 比如, 你把之前的对话, 存到一个数组里面, 提交数据的时候, 把数组里面的元素用 \n\n连接起来, AI 就会识别你上传的对话内容, 就有了上下文。
getPreviousConversationContent(data) {
var len = data.length;
let arr = [];
for (var i = 0; i < len; i++) {
let item = data[i];
arr.push(item.content);
}
return arr.join("\n\n");
}
结语
如果您觉得该方法或代码有一点点用处，可以给作者点个赞，或打赏杯咖啡；╮(￣▽￣)╭
如果您感觉方法或代码不咋地//(ㄒoㄒ)//，就在评论处留言，作者继续改进；o_O???
如果您需要相关功能的代码定制化开发，可以留言私信作者；(✿◡‿◡)
感谢各位大佬童鞋们的支持！( ´ ▽´ )ﾉ ( ´ ▽´)っ！！！
