介绍

Chat Model

（别称：Chat Completion Model）
用途：专门用于对话场景，擅长理解上下文、多轮对话，以及生成自然、连贯、有情感的回应。

• 以“对话”为单位输入和输出。
• 保留上下文信息，更适合多轮交流。
• 能够生成更具“人性化”的回答，带有风格和情绪。

代码：

from openai import OpenAI
from dotenv import load_dotenv
import os

load_dotenv()
client = OpenAI(
    api_key=os.getenv("API_KEY"),
    base_url=os.getenv("BASE_URL")
)
messages = [
    {"role": "system", "content": "你是一个博学的 AI 助手。"},
    {"role": "user", "content": "请帮我写一段关于人工智能在医疗领域应用的介绍。"}
]

response = client.chat.completions.create(
    model="gpt-4o",
    messages=messages,
    temperature=0.7
)

print(response.choices[0].message.content)

运行结果：

Completion Model

用途：生成文本的延续或补全，适合自由写作、代码生成、文本摘要等任务。

• 输入是一段文字或提示（prompt），输出是该提示的延续或回答。
• 不强制多轮对话结构，通常一次输入对应一次输出。
• 对上下文有一定感知，但需要手动拼接上下文

代码：

from openai import OpenAI
from dotenv import load_dotenv
import os
client = OpenAI(
        api_key=os.getenv("API_KEY"),
        base_url=os.getenv("BASE_URL")
    )
prompt = "写一段关于气候变化对农业影响的开头："

response = client.completions.create(
        model="text-davinci-001",
        prompt=prompt,
        max_tokens=150,
        temperature=0.7
    )

print(response.choices[0].text.strip())

目前我没有这个接口的api_key。原谅我没法演示运行结果。

Embeding Model

用途：将文本或其他数据（如图像、音频）转换成向量表示，用于语义理解、相似度计算、搜索和聚类。

• 不生成自然语言，而是生成数值向量。
• 向量可以表示文本的语义信息，便于后续计算相似度或进行机器学习任务。

代码：

from openai import OpenAI
from dotenv import load_dotenv
import os

load_dotenv()
client = OpenAI(
        api_key=os.getenv("API_KEY"),
        base_url=os.getenv("BASE_URL")
    )
texts = [
        "人工智能在医疗领域的应用",
        "肺结节良恶性预测模型",
        "自动驾驶技术发展趋势"
    ]
response = client.embeddings.create(
        model="text-embedding-3-small",
        input=texts
    )

# 输出向量
for i, emb in enumerate(response.data):
     print(f"文本: {texts[i]}\n向量长度: {len(emb.embedding)}\n")

运行结果：