目标

• 学习将 OpenAI 接入 Web 应用，构建交互式 API 网关
• 理解 Flask 框架的基本用法
• 实现 GPT 模型的 API 集成并返回结果

内容与实操

一、环境准备

• 安装必要依赖：
  打开终端或命令行，执行以下命令安装 Flask 和 OpenAI SDK：

  pip install flask openai
  

• 获取 OpenAI API 密钥：
  登录 OpenAI 平台 创建 API 密钥。

二、创建基础 Flask 项目

1. 创建项目结构

├── app.py              # Flask 入口文件  
├── requirements.txt     # 项目依赖  
└── README.md            # 项目说明文档

2. 编写基础 Flask 代码

在 app.py 中编写以下代码，支持不同类型的 API 功能：

from flask import Flask, request, jsonify
import openai

# 初始化 Flask 应用
app = Flask(__name__)

# 设置 OpenAI API 密钥
openai.api_key = "your-api-key"

# 定义 API 路由：生成摘要
@app.route("/gpt-summary", methods=["POST"])
def generate_summary():
    data = request.json
    user_text = data.get("text", "")

    if not user_text:
        return jsonify({"error": "未提供有效的输入文本"}), 400

    response = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=[{"role": "user", "content": f"请对以下文本生成摘要：{user_text}"}],
        max_tokens=150
    )
    summary = response["choices"][0]["message"]["content"]
    return jsonify({"summary": summary})

# 定义 API 路由：自动写作
@app.route("/gpt-writing", methods=["POST"])
def generate_text():
    data = request.json
    topic = data.get("topic", "")

    if not topic:
        return jsonify({"error": "未提供主题"}), 400

    prompt = f"写一篇关于{topic}的中文文章。"
    response = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=[{"role": "user", "content": prompt}],
        max_tokens=300
    )
    generated_text = response["choices"][0]["message"]["content"]
    return jsonify({"generated_text": generated_text})

# 定义 API 路由：代码生成
@app.route("/gpt-code", methods=["POST"])
def generate_code():
    data = request.json
    task_description = data.get("task", "")

    if not task_description:
        return jsonify({"error": "未提供任务描述"}), 400

    prompt = f"编写一个 Python 函数来完成以下任务：{task_description}"
    response = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=[{"role": "user", "content": prompt}],
        max_tokens=150
    )
    generated_code = response["choices"][0]["message"]["content"]
    return jsonify({"generated_code": generated_code})

if __name__ == "__main__":
    app.run(port=5000)

3. 代码说明

• gpt-summary: 接收用户文本，生成摘要。
• gpt-writing: 根据给定主题自动生成中文文章内容。
• gpt-code: 根据描述生成 Python 代码片段。

三、运行与测试

1. 启动 Flask 服务

python app.py

启动成功后，终端输出：

* Running on http://127.0.0.1:5000

2. 使用 Postman 测试

• 请求方法：POST
• 请求 URL：
  • http://127.0.0.1:5000/gpt-summary
  • http://127.0.0.1:5000/gpt-writing
  • http://127.0.0.1:5000/gpt-code
• 示例请求体

1. 文本摘要

   {
     "text": "人工智能正在迅速改变我们的生活方式和工作模式。越来越多的行业开始采用智能化方案。"
   }
   

2. 文章生成

   {
     "topic": "人工智能的未来发展趋势"
   }
   

3. 代码生成

   {
     "task": "读取一个文件，统计包含关键字 '错误' 的行数"
   }
   

3. 使用 curl 测试

curl -X POST http://127.0.0.1:5000/gpt-summary \
-H "Content-Type: application/json" \
-d '{"text": "人工智能技术正在重新定义行业标准。"}'

4. 预期输出

文本摘要

{
  "summary": "人工智能技术正在改变行业标准。"
}

文章生成

{
  "generated_text": "人工智能（AI）在过去几年中取得了飞速发展，未来其应用场景将更加广泛……"
}

代码生成

{
  "generated_code": "def count_error_lines(file_path):\n    count = 0\n    with open(file_path, 'r') as file:\n        for line in file:\n            if '错误' in line:\n                count += 1\n    return count"
}

小结

本节通过实际示例讲解了如何使用 Flask 构建一个支持多功能的 API 网关，将 OpenAI 强大的生成能力接入到 Web 服务中。通过这些示例，开发者可以为不同业务场景快速创建交互式服务。

练习题

1. 功能扩展
   • 添加新的路由 gpt-translate，实现中英文互译功能。
     示例提示语：将 "This is a test" 翻译为中文。
2. 性能优化
   • 设置最大请求次数或缓存策略，以应对高并发请求。
3. 异常处理
   • 为网络超时、API请求失败等情况添加详细的错误提示。