OpenAI API 是由OpenAI公司开发，为LLM开发人员提供的一个简单接口。通过此API能在应用程序中方便地调用OpenAI提供的大模型基础能力。
OpenAI的API协议已成为LLM领域的标准。
本文将首先介绍OpenAI API基础知识和模型，然后以Chat Completions API和Embedding API为例子介绍OpenAI API的用法。
最后使用Embedding模型构建一个网站智能问答系统。本文内容包括：
- API快速入门
- OpenAI提供的模型
- Chat Completions API和Embedding API
- 基于Embedding模型构建智能问答系统
- 安装OpenAI Python Library
- 设置API Key
- 发送请求
- python
- curl
OpenAI API 提供不同功能和价位的模型。您甚至可以根据自己的具体使用情况对模型进行定制和微调。
Chat Model将对话信息以列表的形式作为输入，并将模型生成的信息作为输出返回。
虽然聊天格式是为了方便多轮对话而设计的，但它同样适用于没有任何对话的单轮任务。
Example Reqeust
- curl request
- python request
Request主要输入是参数。必须是一个对象数组，其中每个对象都有一个角色（“system”、"user"或 “assistant”）和。对话可以短至一条信息，也可以来回多次。
通常情况下，对话的格式是在前，和交替在后。
有助于设置assistant的行为。例如，您可以修改assistant的个性，或对其在整个对话过程中的行为提供具体指导。不过请注意，系统信息是可选的，如果没有系统信息，模型的行为可能与使用 "You are a helpful assistant."这样的通用信息类似。
提供请求或评论，供assistant回复。assistant信息会存储以前的回复，但也可以由您自己编写，以提供所需的行为示例。
当用户引用之前的信息时，包括对话历史记录就显得非常重要。由于模型无法记忆过去的请求，因此所有相关信息都必须作为每次请求中对话历史的一部分提供。如果一个对话无法容纳在模型的标记限制内，就需要以某种方式将其缩短。
Example Response
每次响应，都包括一个. 的可能值是：
- ：API返回完整信息，或由通过 stop 参数提供的stop序列之一终止的消息
- ：不完整模型的输出，由于max_tokens参数或限制令牌
- ：模型决定调用一个函数
- :由于我们的内容过滤器中的标记而省略了内容
- ：API响应仍在进行中的或不完整
根据输入的参数不同，模型的返回可能包括不同的信息。
LLM的Embedding通常用在RAG中，给模型某个特定领域的知识，以提高生成文本的准确性和信息含量。
要获取Embedding，将文本字符串和Embedding模型名称（如 text-embedding-3-small）一起发送到 embeddings API 端点。响应将包含一个Embedding（浮点数列表），
可以提取它，保存在矢量数据库中，并用于许多不同的用例。
Example Request
- curl
- python