在 OpenAI 的官方 Python 库 (openai) 中，提交提示词（Prompt）等内容给 ChatGPT 进行处理的主要函数/接口如下：

1️⃣ openai.ChatCompletion.create()

用于与 GPT-4 / GPT-3.5 Turbo 进行多轮对话交互（适用于 ChatGPT）。

调用示例

import openai

openai.api_key = "your-api-key"

response = openai.ChatCompletion.create(
    model="gpt-4",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Tell me a joke."}
    ]
)

print(response["choices"][0]["message"]["content"])

关键参数

支持流式输出（Streaming）

适用于构建实时对话、聊天机器人：

response = openai.ChatCompletion.create(
    model="gpt-4",
    messages=[{"role": "user", "content": "Tell me a joke."}],
    stream=True
)

for chunk in response:
    if "choices" in chunk and len(chunk["choices"]) > 0:
        print(chunk["choices"][0]["delta"].get("content", ""), end="")

2️⃣ openai.Completion.create()

用于传统的 文本补全任务（适用于 GPT-3 系列，如 davinci、curie 等）。

调用示例

response = openai.Completion.create(
    model="text-davinci-003",
    prompt="Once upon a time,",
    max_tokens=100
)

print(response["choices"][0]["text"])

关键参数

🚀 适用于：

• 文章自动补全
• 代码生成
• 关键词扩展

3️⃣ openai.Edits.create()

用于 文本编辑，基于 text-davinci-edit-001 或 code-davinci-edit-001。

调用示例

response = openai.Edits.create(
    model="text-davinci-edit-001",
    input="I has a apple.",
    instruction="Correct grammar."
)

print(response["choices"][0]["text"])

🚀 适用于：

• 文本改写
• 代码修正
• 语法检查

4️⃣ openai.Embedding.create()

用于 文本向量化，适用于语义搜索、推荐系统等。

调用示例

response = openai.Embedding.create(
    model="text-embedding-ada-002",
    input="This is an example sentence."
)

embedding_vector = response["data"][0]["embedding"]
print(embedding_vector[:10])  # 打印前10个维度的数据

🚀 适用于：

• 语义搜索
• 相似度计算
• 向量数据库（如 Pinecone, Weaviate）

5️⃣ openai.Moderation.create()

用于 内容审核，检测是否包含不适当内容（仇恨、色情、暴力等）。

调用示例

response = openai.Moderation.create(
    input="I hate you!"
)

print(response["results"][0]["flagged"])  # 输出 True/False

🚀 适用于：

• 社交媒体审核
• 聊天机器人内容过滤
• 论坛评论审核

🔥 总结（不同用途的 OpenAI API 调用）

💡 如果你是 FastAPI 开发者，建议使用：

• ChatCompletion.create()（用于聊天应用）
• Embedding.create()（用于搜索、推荐系统）
• Moderation.create()（用于用户内容审核）

======================================

在 LangChain 框架中，提交提示词（Prompt）等内容给 ChatGPT 的主要函数/接口如下：

在 LangChain 框架中，提交提示词（Prompt）等内容给 ChatGPT 的主要函数/接口如下：

1️⃣ ChatOpenAI（用于 ChatGPT 对话模型）

ChatOpenAI 是 LangChain 用于访问 OpenAI ChatGPT（GPT-4, GPT-3.5-Turbo） 的核心接口。

调用示例

from langchain.chat_models import ChatOpenAI
from langchain.schema import HumanMessage, SystemMessage

chat = ChatOpenAI(model_name="gpt-4", temperature=0)

response = chat([
    SystemMessage(content="You are a helpful assistant."),
    HumanMessage(content="Tell me a joke.")
])

print(response.content)  # 输出 ChatGPT 的回复

关键参数

🚀 适用于：

• 多轮对话
• Chatbot（聊天机器人）
• 流式输出（Real-time Streaming）

2️⃣ OpenAI（用于普通文本补全模型）

OpenAI 是 LangChain 用于访问 传统 OpenAI 文本补全（Completion） 的接口，如 text-davinci-003。

调用示例

from langchain.llms import OpenAI

llm = OpenAI(model_name="text-davinci-003", temperature=0)

response = llm("Write a short poem about AI.")

print(response)  # 输出文本补全的结果

关键参数

🚀 适用于：

• 文章生成
• 代码补全
• 关键词扩展

3️⃣ ChatOpenAI + PromptTemplate（动态提示词模板）

如果你想使用结构化提示词（Prompt Engineering），可以结合 PromptTemplate：

调用示例

from langchain.chat_models import ChatOpenAI
from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain

chat = ChatOpenAI(model_name="gpt-4")

prompt = PromptTemplate(
    input_variables=["topic"],
    template="Tell me a joke about {topic}."
)

chain = LLMChain(llm=chat, prompt=prompt)

response = chain.run(topic="computers")
print(response)  # 输出关于“计算机”的笑话

🚀 适用于：

• 动态内容填充
• 批量内容生成
• 结构化提示词优化

4️⃣ ChatOpenAI + ConversationChain（多轮对话管理）

如果你需要记忆历史对话，可以使用 ConversationChain：

调用示例

from langchain.chat_models import ChatOpenAI
from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferMemory

chat = ChatOpenAI(model_name="gpt-4")
memory = ConversationBufferMemory()

conversation = ConversationChain(
    llm=chat,
    memory=memory
)

print(conversation.run("Hello!"))
print(conversation.run("Tell me a joke."))
print(conversation.run("What was the first thing I said?"))  # 记住历史对话

🚀 适用于：

• 多轮对话（Chatbot）
• 长记忆 AI 助手
• 客户服务 AI

5️⃣ ChatOpenAI + Streaming（流式输出）

如果你想构建实时流式响应（适用于 FastAPI 应用），可以使用 streaming=True：

调用示例

from langchain.chat_models import ChatOpenAI

chat = ChatOpenAI(model_name="gpt-4", streaming=True)

response = chat([{"role": "user", "content": "Tell me a joke."}])

for chunk in response:
    print(chunk.content, end="")  # 逐步打印生成的文本

🚀 适用于：

• 实时对话
• 命令行应用
• 流式 Web 交互（FastAPI, Flask）

6️⃣ OpenAIEmbeddings（文本向量化）

如果你需要向量化文本（用于语义搜索、知识库），可以使用 OpenAIEmbeddings：

调用示例

from langchain.embeddings import OpenAIEmbeddings

embedding_model = OpenAIEmbeddings()

vector = embedding_model.embed_query("Hello, world!")

print(vector[:10])  # 打印向量前10个数值

🚀 适用于：

• 语义搜索
• 向量数据库（Pinecone, Weaviate）
• 文档检索（RAG）

🔥 总结

💡 如果你是 FastAPI 开发者，建议：

• ChatOpenAI（用于聊天 AI）
• Streaming（用于实时对话）
• OpenAIEmbeddings（用于知识库和搜索）