步驟1：建立OpenAI帳戶並取得API金鑰

首先，您需要建立一個OpenAI帳戶。前往OpenAI官方網站，按照指示進行帳戶註冊。

步驟2：取得API金鑰，這是連接應用程式與ChatGPT API的重要憑證

完成註冊後，點擊右上個人頭像，選擇View API Keys。

選擇Create new serect key。

Key的Name可自行選擇是否填寫。

送出後將Key複製並保存好，並注意不要外流了，不然別人就會有免費的API可用。基於安全原則，視窗一旦關閉就無法再看到這個Key了。

步驟3：Python環境設置

OpenAI的API可透過HTTP請求進行互動，官方也有提供Python及Node.js相關套件，以下示範如何透過Python發送HTTP請求使用GPT模型。

請下載Python並使用以下指令安裝requests模組。

pip3 install requests

並確認步驟2-API Key是否成功取得，後續需要在請求的Header中做為Authorization帶入。

Authorization: Bearer OPENAI_API_KEY

以上步驟完成後，請嘗試呼叫以下程式碼，並將API Key替換成剛剛取得的Key。

import requests

OPENAI_API_KEY = "<Your API Key>" # 替換成你自己的Key

headers = {
    "Authorization": f"Bearer {OPENAI_API_KEY}"
}

url = "https://api.openai.com/v1/models"

res = requests.get(url, headers=headers)
print(res.text)

該段程式碼可列出所有當前可用模型，格式如下，如果有順利看到類似內容，代表你的設定成功了，在下一小節將示範如何串接ChatGPT。

{
  "data": [
    {
      "id": "model-id-0",
      "object": "model",
      "owned_by": "organization-owner",
      "permission": [...]
    },
    {
      "id": "model-id-1",
      "object": "model",
      "owned_by": "organization-owner",
      "permission": [...]
    },
    {
      "id": "model-id-2",
      "object": "model",
      "owned_by": "openai",
      "permission": [...]
    },
  ],
  "object": "list"
}

步驟4：了解計費方式

首先，讓我們了解API的計費方式。OpenAI API使用的計費方式可能根據不同的需求而有所不同，通常是根據API的請求次數、輸入文本的長度等因素進行計算。開發者在使用API時，應詳細閱讀OpenAI官方網站上的計費說明，以確保了解API的計費模式和相關限制，並合理控制API的使用頻率，以避免意外的高額花費。如果你是首次使用OpenAI的服務，可參考以下文章How can I get Free Trial Credits? – API – OpenAI Developer Forum，確認是否能夠取得免額試用額度。

另外也可以從Manage acccount中，

進入Usage頁面查看用量並確認試用額度，如果後續呼叫API時無法使用，可點選set up a paid account，進行升級，

升級過後建議透過Billing -> Usage limits限制可用花費，避免非必要支出

GPT API的基本概念

OpenAI的GPT（generative pre-trained transformer）模型是一種經過訓練的語言模型，能夠理解自然語言和代碼。GPT通過文本輸入來產生相應的文本輸出，而這些文本輸入就是我們所謂的「提示」（prompts）。設計良好的提示在本質上是「program」GPT模型的方法，通常通過提供說明或成功完成任務的示例來達成。

值得注意的是，近期比較受歡迎的ChatGPT使用的是gpt-3.x及gpt-4，在OpenAI中較新的這些語言模型，使用的API端點與過去的模型不同，接下來我們會以目前最高階版本gpt-4進行示範。

GPT API的兩種應用模式

Chat Completions API

Chat Completions API的主要特點在於它能夠根據之前的對話內容進行上下文理解。這意味著開發者可以將先前用戶和ChatGPT之間的對話歷史納入考慮，以便更好地回應用戶的輸入。透過這種上下文感知能力，ChatGPT可以更聰明地進行對話，提供更具連貫性和個性化的回答。

使用Chat Completions API非常簡單。開發者只需將用戶的對話歷史和輸入（稱為「prompt」）作為API請求的一部分，然後送出請求。ChatGPT將根據這些提示進行理解，生成相應的回應，然後將其作為API的回覆返回。這樣的流程使得開發者可以輕鬆地實現具有上下文意識的對話體驗。

然而，使用Chat Completions API時需要注意的是，開發者應該清楚地設計提示，確保它們能夠明確地引導ChatGPT的回答。精心設計的提示有助於獲得更準確、有用的回應，避免模糊或不必要的回答。

Completions API

Completions API的主要功能是生成文本的補全。使用者可以提供一段文本輸入，也稱為「prompt」，然後API會根據這個提示生成相應的文本回覆。這種API的設計允許用戶通過簡單的文本輸入與模型進行互動，而無需進行複雜的語言處理編程。

在使用Completions API時，用戶可以指定所需的生成文本的最大長度，以控制回覆的篇幅。此外，用戶還可以設置”temperature”參數，調整生成文本的創造性程度。當”temperature”較低時，生成的文本更加保守和確定性，而較高的”temperature”則會產生更多的隨機性和創造性。

這個API的應用場景廣泛，包括智慧聊天機器人、自動化文本補充、生成故事情節、語言翻譯等。它為開發者提供了一個強大的語言處理工具，能夠快速生成自然、連貫的文本，並且具有可配置的創造性。

Chat Completions vs. Completions

OpenAI的Chat Completions API是針對即時對話場景設計的，具有上下文感知能力，能夠產生連貫性和個性化的回答。而Completions API則是通用的文本生成API，不考慮上下文，適用於單一文本生成應用。Chat Completions API適用於智慧聊天機器人、客戶支援等，而Completions API適用於文本補充、故事情節生成等。兩者的差異在於上下文處理能力，開發者可根據需求選擇適合的API，為應用程式提供優秀的自然語言處理能力。

接下來將介紹如何使用Chat Completions API，透過GPT-4模型的API進行實作。

API端點資訊

Request URL：https://api.openai.com/v1/chat/completions

Request Method：POST

headers = {
    "Content-Type": "application/json",
    "Authorization": f"Bearer {OPENAI_API_KEY}"
}

{
    "model": "gpt-4",
    "messages": [
        {
            "role": "system",
            "content": "你是一個能提供 Python 程式指南的助理。"},
        {
            "role": "user",
            "content": "我如何在 python 中創建一個字典?"},
    ]
}

範例1：程式指南的助理

import json
import requests

OPENAI_API_KEY = "<OPENAI_API_KEY>"  # 替換成你自己的Key

headers = {
    "Content-Type": "application/json",
    "Authorization": f"Bearer {OPENAI_API_KEY}"
}


body = {
    "model": "gpt-4",
    "messages": [
        {
            "role": "system",
            "content": "你是一個能提供 Python 程式指南的助理。"},
        {
            "role": "user",
            "content": "我如何在 python 中創建一個字典?"},
    ]
}


url = "https://api.openai.com/v1/chat/completions"

res = requests.post(url, headers=headers, json=body)
resDict = json.loads(res.text)

for mes in resDict['choices']:
    print(mes['message'])

範例2：情緒分析

一則評論中如果同時提及多品牌或同時出現正負向評論，一般的分析模型很容易被此混淆，但在GPT這種語言模型下，他能夠精準的分辨出這些評論到底屬於誰，給出準確的指標分數。

在這個例子中，示範了如何使用ChatGPT API進行情緒分析，同時也展現了Chat Completions API的特色，通過role的設定，在第一輪請求後將Response再放入body中，並模擬使用者提問了新的問題，達成Chat的特性。

在這個範例中，新的使用者提問僅僅是要求將特定資訊萃取出來，但只要你想你可以任意改變新的使用者提問，藉此可以達成不同的目的，至於要達成什麼樣子的目的，看的就是你的需求。

透過控制每一輪Request Body帶入的資訊，可以有效控制模型的記憶能力，GPT的API並不會記錄你過去提問的問題，所以如果你希望有紀錄的功能，就必須自行設計，但也提供了極大的靈活度。

import json
import requests

OPENAI_API_KEY = "<OPENAI_API_KEY>"  # 替換成你自己的Key

headers = {
    "Content-Type": "application/json",
    "Authorization": f"Bearer {OPENAI_API_KEY}"
}


body = {
    "model": "gpt-4",
    "messages": [
        {
            "role": "system",
            "content": "你行銷分析專家，專長在於市場情緒分析"},
        {
            "role": "user",
            "content": """
            請分析品牌A和品牌B在以下敘述中，市場對她的好感度(1-10分，1分好感度最低，10分好感度最高)：
            品牌A門市人員很熱情，東西也很好吃；品牌B雖然東西很好吃，但那個服務真的是沒救了
            """
        },
    ]
}


url = "https://api.openai.com/v1/chat/completions"

res = requests.post(url, headers=headers, json=body)
resDict = json.loads(res.text)

for mes in resDict['choices']:
    print(mes['message']['role'])
    print(mes['message']['content'])

    body["messages"].append(
        {
            "role": mes['message']['role'],
            "content": mes['message']['content']
        }
    )

    body["messages"].append(
        {
            "role": "user",
            "content": "請根據你的分析，告訴我品牌B的好感度應該為幾分，直接給我一個整數就好，不要有其他文字"
        }
    )

    resAgain = requests.post(url, headers=headers, json=body)
    resAgainDict = json.loads(resAgain.text)
    for mes in resAgainDict['choices']:
        print(mes['message']['role'])
        print(mes['message']['content'])