Python+OpenAI API 10分钟搭建GPT-3.5聊天机器人

导读：本文将与大家一起学习在几分钟内使用 Python 和 OpenAI 的 API 构建一个简单的聊天机器人，并提供初学者可直接运行的源代码示例。

此时此刻，我对 ChatGPT 的存在，反而感到心安。

但它刚推出时，我确实有过一阵恐惧：它会不会让很多写作者、内容岗位失去价值？这种担忧并不罕见。多年以后再回头看，我依然在工作，而且我更愿意把 ChatGPT 当成真正的盟友。

为什么要说这些？因为“理解”是合作的第一步。与 AI 协作是一项很实用的技能，它不只是会在 ChatGPT 页面里提问，更关键的是：你能否把它接入自己的代码、自己的工作流，并让它在你的业务场景里跑起来。

学习如何与大语言模型一起写代码，是把 GPT 能力真正用起来的下一步。

本教程面向初学者，目标很明确：让你理解 ChatGPT API 的调用方式、响应结构以及如何维护一段持续对话。它不会直接带你搭建复杂应用，但会把最核心的“第一公里”打通。

本文会用 Jupyter Notebook 来演示，跟着复制粘贴即可。

---

OpenAI 入门准备

请先在 https://platform.openai.com 注册并登录。

登录成功后：

1. 进入 API 仪表板（Dashboard）
2. 打开 API Keys 页面，点击“创建新密钥（Create new secret key）”
3. 创建后立刻复制保存：该密钥通常只展示一次，后续无法再次查看

接下来添加账单信息：

• OpenAI 可能提供免费试用，但不少情况下需要绑定支付方式才可正常调用
• 例如充值 10 美元的额度，通常足够你试用 GPT-3.5

注意：你需要免费试用额度或有效计费，才能使用 GPT-3.5。

---

使用 ChatGPT-3.5 构建聊天机器人（Jupyter Notebook）

1）安装依赖

将以下命令粘贴到 Notebook 的第一个单元执行：

!pip install openai python-dotenv --quiet

• openai：用于与 OpenAI 模型（如 GPT-3.5）交互
• python-dotenv：用于安全管理 API Key 等敏感信息，从 .env 文件加载到环境变量中（避免把密钥硬编码到代码里）

---

2）导入模块

使用以下代码导入 openai、os 和 dotenv：

import openai
import os
from dotenv import load_dotenv

---

3）加载 API 密钥（写入 .env 并读取）

确保你已经在 OpenAI 控制台创建了 API Key。接下来我们创建一个 .env 文件来保存它：

api_key = "sk-proj-api-key-here"
# Save the key to a .env file
with open(".env", "w") as f:
    f.write(f"OPENAI_API_KEY={api_key}")
print(".env file created.")

把你真实的 API Key 粘贴到 sk-proj-api-key-here 位置。然后将密钥加载到当前环境：

load_dotenv()
openai.api_key = os.getenv("OPENAI_API_KEY")

到这里，你已经完成了最关键的鉴权准备。很多新手卡住的点，往往就出在“Key 放哪、怎么读、怎么不泄露”这一步。

如果你想系统补齐 Python 环境、虚拟环境与依赖管理等基础，也可以先把这些点梳理清楚，再继续往下做。

---

4）定义聊天机器人函数（封装 Chat Completions 调用）

下面我们定义机器人如何与 OpenAI API 通信，并把模型的回复提取成可用文本：

def chat_with_gpt(messages):
    response = openai.chat.completions.create(
        model="gpt-3.5-turbo",
        messages=messages,
        temperature=0.7,
    )
    return response.choices[0].message.content
messages = [
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": "Hello, who are you?"}
]

这里的 openai.chat.completions.create() 是专为对话交互设计的 API 调用方式：你发送一个 messages 列表，模型会结合历史上下文返回更相关的响应。

messages 的结构
列表中的每条消息都有 role 字段，用来标识“谁在说话”：

• "user"：用户输入
• "assistant"：模型回复
• "system"：系统指令（可选，用于设定行为、风格、边界等）

temperature 是什么？
temperature 控制回复的随机性/创造性，取值范围通常在 0 到 1：

• 0：更稳定、更可预测（适合严谨问答、结构化输出）
• 1：更发散、更有创造性（适合脑暴、写作灵感）

本文用 0.7，属于比较常见的平衡值。

如何拿到模型输出？
API 会返回一个响应对象，我们用 response.choices[0].message.content 提取真正的文本回复。

---

5）运行聊天循环（让对话“持续”起来）

现在让机器人进入交互式循环，支持连续对话，直到用户退出：

while True:
    user_input = input("You: ")
    if user_input.lower() in ["exit", "quit"]:
        print("Goodbye!")
        break
    messages.append({"role": "user", "content": user_input})
    reply = chat_with_gpt(messages)
    messages.append({"role": "assistant", "content": reply})
    print(f"Assistant: {reply}")

这一段做了三件关键的事：

1. 持续读取用户输入：通过 input() 接收对话内容
2. 维护对话历史：每次把 user/assistant 的消息都 append 进 messages
3. 把上下文带给模型：下一次请求时仍然传入完整 messages，模型就能“参考之前说过什么”

为什么要维护历史？
因为这会显著提升对话的连贯性：模型不是只回答“当前这一句”，而是在“已知前文”的前提下做出更贴近上下文的回应。

---

与机器人“交朋友”：你已经完成了第一步

现在你已经跑通了一个最小可用的 GPT-3.5 聊天机器人，并掌握了三件事：

• 如何完成 OpenAI API 的鉴权与密钥管理（.env + 环境变量）
• 如何用 messages 维护上下文，实现连续对话
• 如何在 Jupyter Notebook 中快速测试、迭代你的对话逻辑

这当然只是开端。下一步你可以思考：要不要加上日志？要不要把对话存数据库？要不要接一个 Web UI 或命令行参数？当你开始提出这些问题，你就已经在“把能力做成产品”的路上了。

更多相关教程与资料，也可以在云栈社区的技术文档板块继续延伸阅读与检索。