Python调用ChatGPT API：10个实用代码示例

pip install openai python-dotenv

from openai import OpenAI
client = OpenAI(
    api_key="your-api-key",
    base_url="https://api.jiekou.ai/v1"  # 国内用户使用jiekou.ai直连
)

from openai import OpenAI
client = OpenAI(
    api_key="your-api-key",
    base_url="https://api.jiekou.ai/v1"
)
def ask_gpt(question: str, system_prompt: str = "你是一个有帮助的助手") -> str:
    """简单封装的问答函数"""
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[
            {"role": "system", "content": system_prompt},
            {"role": "user", "content": question}
        ],
        temperature=0.7
    )
    return response.choices[0].message.content
# 使用示例
print(ask_gpt("Python中的*args和**kwargs有什么区别？"))
print(ask_gpt("用一句话解释量子纠缠"))
print(ask_gpt("今晚吃什么好？", "你是一个美食推荐专家"))

def summarize(text: str, max_words: int = 200) -> str:
    """
    对长文本进行摘要
    :param text: 原始文本
    :param max_words: 摘要最大字数
    """
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[
            {
                "role": "system",
                "content": f"你是一个文本摘要专家。请将用户提供的文本压缩为不超过{max_words}字的摘要，保留核心信息。"
            },
            {
                "role": "user",
                "content": text
            }
        ],
        temperature=0.3  # 摘要任务用较低temperature，确保准确性
    )
    return response.choices[0].message.content
# 使用示例
long_text = """
人工智能（AI）是计算机科学的一个分支，致力于创建能够执行通常需要人类智能才能完成的任务的系统。
这些任务包括视觉感知、语音识别、决策制定和语言翻译等。AI技术可分为两大类：
窄人工智能（ANI），专注于单一特定任务；通用人工智能（AGI），能够像人类一样理解和学习任何智力任务。
目前，我们主要使用的是窄AI系统，例如推荐算法、自动驾驶、语音助手等...
"""
print(summarize(long_text, max_words=50))

def code_review(code: str, language: str = "Python") -> str:
    """
    对代码进行审查
    :param code: 待审查的代码
    :param language: 编程语言
    """
    prompt = f"""请对以下{language}代码进行审查，从以下角度分析：
1. 代码正确性（是否存在Bug）
2. 性能问题
3. 代码风格和可读性
4. 安全性问题
5. 改进建议
代码：
```{language.lower()}
{code}
```"""
    
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[
            {"role": "system", "content": "你是一位资深软件工程师，擅长代码审查。"},
            {"role": "user", "content": prompt}
        ],
        temperature=0.2
    )
    return response.choices[0].message.content
# 使用示例
bad_code = """
def get_user(id):
    sql = "SELECT * FROM users WHERE id = " + id  # SQL注入漏洞！
    return db.execute(sql)
def process_list(lst):
    result = []
    for i in range(len(lst)):  # 不够Pythonic
        result.append(lst[i] * 2)
    return result
"""
print(code_review(bad_code))

def translate(text: str, target_language: str = "英文", source_language: str = "自动检测") -> str:
    """
    翻译文本
    :param text: 要翻译的文本
    :param target_language: 目标语言
    :param source_language: 源语言（默认自动检测）
    """
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[
            {
                "role": "system",
                "content": f"你是专业翻译。将用户提供的{source_language}文本翻译成{target_language}，只输出翻译结果，不要解释。"
            },
            {"role": "user", "content": text}
        ],
        temperature=0.1  # 翻译需要精确，用极低temperature
    )
    return response.choices[0].message.content
# 使用示例
print(translate("人工智能正在改变世界", "英文"))
print(translate("Artificial Intelligence is changing the world", "中文"))
print(translate("AI wa sekai wo kaete iru", "中文"))  # 日文
print(translate("Hello, how are you?", "法语"))

import json
def extract_info(text: str, schema_description: str) -> dict:
    """
    从文本中提取结构化信息
    :param text: 原始文本
    :param schema_description: 描述要提取的字段
    """
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[
            {
                "role": "system",
                "content": f"从用户提供的文本中提取以下信息，以JSON格式返回，只输出JSON不要其他内容：{schema_description}"
            },
            {"role": "user", "content": text}
        ],
        temperature=0,  # 结构化提取用temperature=0确保稳定性
        response_format={"type": "json_object"}  # 强制JSON输出
    )
    
    return json.loads(response.choices[0].message.content)
# 使用示例
resume_text = """
张三，男，28岁，本科学历，计算机科学专业。
工作经验：5年Python开发经验，曾就职于阿里巴巴（2019-2022），
现在字节跳动担任高级工程师。技能：Python, Java, MySQL, Redis。
联系方式：zhangsan@email.com，手机：13812345678
"""
result = extract_info(
    resume_text,
    "姓名、年龄、学历、工作年限、当前公司、当前职位、技能列表（数组）、邮箱"
)
print(json.dumps(result, ensure_ascii=False, indent=2))

from typing import List
def classify_texts(texts: List[str], categories: List[str]) -> List[str]:
    """
    批量文本分类
    :param texts: 文本列表
    :param categories: 可选分类
    """
    categories_str = "、".join(categories)
    
    # 批量处理以减少API调用次数
    batch_text = "\n".join([f"{i+1}. {text}" for i, text in enumerate(texts)])
    
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[
            {
                "role": "system",
                "content": f"将用户提供的文本分别分类为以下类别之一：{categories_str}。按序号顺序输出分类结果，每行一个，只输出类别名称。"
            },
            {"role": "user", "content": batch_text}
        ],
        temperature=0
    )
    
    results = response.choices[0].message.content.strip().split("\n")
    return [r.strip() for r in results]
# 使用示例
texts = [
    "今天股市大涨，上证指数上涨2.3%",
    "新研究发现新冠病毒的新变种",
    "皇马3-1战胜巴塞罗那，登顶西甲榜首",
    "iPhone 17发布，搭载全新A19芯片",
    "央行决定降准0.5个百分点"
]
categories = ["财经", "科技", "体育", "健康", "政治"]
results = classify_texts(texts, categories)
for text, category in zip(texts, results):
    print(f"[{category}] {text[:20]}...")

def generate_content(content_type: str, topic: str, **kwargs) -> str:
    """
    生成各类内容
    :param content_type: 内容类型（文章/邮件/广告文案/社交媒体等）
    :param topic: 主题
    :param kwargs: 额外参数（如字数、风格、受众等）
    """
    options_str = "，".join([f"{k}：{v}" for k, v in kwargs.items()])
    requirements = f"额外要求：{options_str}" if options_str else ""
    
    prompt = f"请为我生成一篇{content_type}，主题是：{topic}。{requirements}"
    
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[
            {"role": "system", "content": "你是专业的内容创作者。"},
            {"role": "user", "content": prompt}
        ],
        temperature=0.8
    )
    return response.choices[0].message.content
# 使用示例
# 生成产品描述
print(generate_content(
    "电商产品描述",
    "无线蓝牙耳机",
    字数="100字以内",
    风格="简洁有力",
    亮点="降噪、续航30小时"
))
# 生成工作邮件
print(generate_content(
    "正式商务邮件",
    "申请延期提交报告",
    语气="礼貌诚恳",
    延期原因="数据收集遇到困难"
))

def document_qa(document: str, question: str) -> str:
    """
    基于文档的问答
    :param document: 参考文档内容
    :param question: 用户问题
    """
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[
            {
                "role": "system",
                "content": "你是一个文档助手。只根据提供的文档内容回答问题，如果文档中没有相关信息，请说明。不要编造信息。"
            },
            {
                "role": "user",
                "content": f"文档内容：\n{document}\n\n问题：{question}"
            }
        ],
        temperature=0.1
    )
    return response.choices[0].message.content
# 使用示例
policy_doc = """
公司差旅报销政策（2026版）：
1. 机票：经济舱全额报销，商务舱需部门总监审批
2. 酒店：一线城市标准500元/晚，二线城市300元/晚
3. 餐饮：出差期间每日餐补100元，凭发票报销
4. 交通：打车费用全额报销，需提供发票
5. 报销期限：出差结束后30天内提交
"""
print(document_qa(policy_doc, "出差住酒店的报销标准是多少？"))
print(document_qa(policy_doc, "商务舱机票可以报销吗？"))
print(document_qa(policy_doc, "报销期限是多长时间？"))

import json
def analyze_data(data: dict, question: str) -> str:
    """
    用自然语言分析JSON数据
    :param data: 要分析的数据（字典或列表）
    :param question: 分析问题
    """
    data_str = json.dumps(data, ensure_ascii=False, indent=2)
    
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[
            {
                "role": "system",
                "content": "你是数据分析专家，擅长从数据中发现洞察。请根据用户提供的数据回答问题，给出具体数字和分析结论。"
            },
            {
                "role": "user",
                "content": f"数据：\n{data_str}\n\n问题：{question}"
            }
        ],
        temperature=0.2
    )
    return response.choices[0].message.content
# 使用示例
sales_data = {
    "2026年Q1销售数据": {
        "1月": {"销售额": 1250000, "订单数": 3200, "退货率": "2.1%"},
        "2月": {"销售额": 980000, "订单数": 2800, "退货率": "1.8%"},
        "3月": {"销售额": 1560000, "订单数": 4100, "退货率": "2.5%"}
    }
}
print(analyze_data(sales_data, "哪个月销售表现最好？整体趋势如何？"))
print(analyze_data(sales_data, "退货率是否有问题？有什么改进建议？"))

import json
def content_moderation(text: str) -> dict:
    """
    内容审核：检测文本是否合规
    :param text: 待审核文本
    :return: 审核结果字典
    """
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[
            {
                "role": "system",
                "content": """你是内容审核专家。分析用户提供的文本，检测是否包含以下问题：
1. 色情内容
2. 暴力内容
3. 违法信息
4. 仇恨言论
5. 欺诈信息
以JSON格式返回结果，包含：
- is_safe: 是否安全（布尔值）
- categories: 触发的违规类别列表
- confidence: 置信度（0-1）
- reason: 简短说明"""
            },
            {"role": "user", "content": text}
        ],
        temperature=0,
        response_format={"type": "json_object"}
    )
    
    return json.loads(response.choices[0].message.content)
# 使用示例
texts_to_check = [
    "今天天气真好，适合出去玩",
    "这款产品质量很差，强烈投诉",
    "大促销，买一送一，限时优惠"
]
for text in texts_to_check:
    result = content_moderation(text)
    status = "✅ 安全" if result["is_safe"] else "❌ 违规"
    print(f"{status}: {text[:20]}...")
    if not result["is_safe"]:
        print(f"  原因: {result.get('reason', '未知')}")