第9章 9.3 AI接入：ChatGPT/通义/文心

上一章我们用 WebSocket 实现了实时通信，现在你手里有了一个「能随时发消息、收消息」的双向通道。问题来了——消息收到了，让谁来回？总不能雇一个人 24 小时盯着屏幕吧。🤖

这一章我们要给这个通道接上一个「超级大脑」，让它自动回复、智能处理。没错，就是把 AI 大模型（ChatGPT、通义、文心）接进来！

🎯 开场：为什么要学 AI 接入？

真实场景引入

你有没有遇到过这种情况：

• 半夜客户咨询，你困得不行，但错过可能丢单
• 群里 100 个人问同样的问题，你回答到想吐
• 手动整理用户反馈，分类归纳做到眼睛花了

这些问题，本质上都是：「重复的事让机器干，脑子留给创意」。

痛点问题

1. 「我想接 AI，但 API 怎么调？密钥从哪来？」
2. 「ChatGPT、通义、文心……到底用哪个？有啥区别？」

学完本文能解决

• ✅ 调用任意主流大模型 API 发送对话
• ✅ 用 Python 写一个「命令行 AI 助手」
  \n\n\n\n\n\n
• ✅ 读取 CSV/JSON 数据，让 AI 帮你分析
• ✅ 搭一个「本地小工具」，自动处理重复文本

🧱 基础 25 分钟：核心概念

概念 1：API 是什么？—— 点外卖的比喻

生活类比：你想吃火锅，但不想出门。你打开外卖 App，选好菜，下单 → 骑手取餐 → 送到你家。「外卖 App」就是一个「食物 API」，你不需要知道后厨怎么切菜，只需要「点单-收货」。

AI 大模型的 API 也一样：你发一段文字（提问），大模型返回一个答案（回复）。你不需要训练模型，只需要调用接口。

概念 2：API Key 是什么？—— 会员卡

为什么要用：API Key 就像是会员卡，证明「你有权使用这个服务」。没有卡，人家不给你送餐。

每个大模型平台（OpenAI、阿里、百度）都会给你一个 Key，用它来身份验证。

# 这就是你的「会员卡号」
API_KEY = "sk-xxxxxxxxxxxx"  # 替换成你的真实Key

概念 3：请求结构—— 寄快递的比喻

生活类比：你寄快递需要填写：收件人地址（URL）、物品（messages）、是否加急（model）。AI 请求也一样。

import requests

url = "https://api.openai.com/v1/chat/completions"
headers = {
"Authorization": f"Bearer {API_KEY}",  # 快递单上的「发件人签名」
"Content-Type": "application/json"      # 「物品清单」格式说明
}
data = {
"model": "gpt-3.5-turbo",               # 收件人：选哪个AI
"messages": [                           # 包裹内容：你说的话
    {"role": "user", "content": "你好！"}
]
}
response = requests.post(url, headers=headers, json=data)
print(response.json())

这行在干嘛：
- Authorization：带上你的会员卡
- messages：对话历史，「role」分 user（你）和 assistant（AI）

概念 4：通义/文心的区别—— 三家外卖平台

类比：就像美团、饿了么、抖音外卖，菜差不多，但活动不同、送达速度不同。

概念 5：响应解析—— 拆快递

AI 返回的是一个 JSON，里面嵌套了好几层。新手最容易在这里懵圈。

result = response.json()
# 层层剥开：
reply = result["choices"][0]["message"]["content"]
print(reply)  # 终于看到AI的回复了！

🔥 实战 35 分钟：3 个递进小项目

项目 1（5 分钟）：最小可用 AI 对话

目标：输入一句话，AI 回复一句话

完整代码：

import requests

def chat_with_gpt(prompt, api_key, model="gpt-3.5-turbo"):
url = "https://api.openai.com/v1/chat/completions"
headers = {
    "Authorization": f"Bearer {api_key}",
    "Content-Type": "application/json"
}
payload = {
    "model": model,
    "messages": [{"role": "user", "content": prompt}]
}
response = requests.post(url, headers=headers, json=payload)
result = response.json()
return result["choices"][0]["message"]["content"]

# 使用时只需要：
API_KEY = "sk-your-key-here"  # 换成你的Key
reply = chat_with_gpt("用一句话夸夸Python", API_KEY)
print("AI:", reply)

预期输出：

AI: Python就像编程世界的瑞士军刀——简洁、强大、处处能用！

一句话解释：把用户输入包装成 JSON 发给 API，解析返回的 content 字段。

项目 2（15 分钟）：批量处理 CSV，让 AI 帮忙分类

场景：你是一个客服主管，手里有 100 条用户反馈，需要分类成「投诉/建议/咨询」。

数据文件 feedback.csv：

内容
东西坏了很生气
希望增加深色模式
怎么退款的
快递太慢了差评
功能很好用点赞

完整代码：

import requests
import csv

def chat_with_gpt(prompt, api_key):
url = "https://api.openai.com/v1/chat/completions"
headers = {
    "Authorization": f"Bearer {api_key}",
    "Content-Type": "application/json"
}
payload = {
    "model": "gpt-3.5-turbo",
    "messages": [{"role": "user", "content": prompt}]
}
response = requests.post(url, headers=headers, json=payload)
return response.json()["choices"][0]["message"]["content"]

def classify_feedback(text, api_key):
prompt = f"""请把下面这条用户反馈分类，只能返回「投诉」「建议」「咨询」中的一个：
反馈：{text}"""
return chat_with_gpt(prompt, api_key).strip()

def process_csv(input_file, api_key):
results = []
with open(input_file, "r", encoding="utf-8") as f:
    reader = csv.DictReader(f)
    for row in reader:
        content = row["内容"]
        category = classify_feedback(content, api_key)
        results.append({"原始内容": content, "分类": category})
        print(f"「{content}」 → {category}")
return results

# 运行
API_KEY = "sk-your-key-here"
processed = process_csv("feedback.csv", API_KEY)

# 保存结果
with open("feedback_classified.csv", "w", encoding="utf-8", newline="") as f:
writer = csv.DictWriter(f, fieldnames=["原始内容", "分类"])
writer.writeheader()
writer.writerows(processed)
print("\n已保存到 feedback_classified.csv")

预期输出：

「东西坏了很生气」 → 投诉
「希望增加深色模式」 → 建议
「怎么退款的」 → 咨询
「快递太慢了差评」 → 投诉
「功能很好用点赞」 → 建议

已保存到 feedback_classified.csv

一句话解释：读取 CSV 每一行，单独发给 AI 分类，再写回新 CSV。

项目 3（15 分钟）：本地 AI 待办整理工具

场景：你有一堆杂乱的待办事项，让 AI 帮你归类、整理成清晰清单。

完整代码：

import requests

def chat_with_gpt(messages, api_key):
url = "https://api.openai.com/v1/chat/completions"
headers = {
    "Authorization": f"Bearer {api_key}",
    "Content-Type": "application/json"
}
payload = {
    "model": "gpt-3.5-turbo",
    "messages": messages
}
response = requests.post(url, headers=headers, json=payload)
return response.json()["choices"][0]["message"]["content"]

def organize_todos(todos_text, api_key):
system_prompt = """你是一个待办事项整理助手。
收到用户的待办列表后，请：
1. 按「工作」「生活」「学习」分类
2. 每个分类下用编号列出
3. 最后给一个完成建议（哪件先做）"""

user_prompt = f"我的待办事项：\n{todos_text}"

messages = [
    {"role": "system", "content": system_prompt},
    {"role": "user", "content": user_prompt}
]

return chat_with_gpt(messages, api_key)

# 使用
API_KEY = "sk-your-key-here"
todos = """
1. 写项目方案
2. 买菜做饭
3. 复习考试
4. 约客户开会
5. 健身30分钟
6. 给妈妈打电话
"""

result = organize_todos(todos, API_KEY)
print("=== AI 整理结果 ===")
print(result)

预期输出：

=== AI 整理结果 ===
## 工作
1. 写项目方案
2. 约客户开会

## 生活
3. 买菜做饭
4. 给妈妈打电话
5. 健身30分钟

## 学习
6. 复习考试

💡 建议：先「约客户开会」再「写项目方案」，因为会议结论会影响方案方向。

一句话解释：用 system 角色给 AI 定义身份，用 user 角色发任务，组合成完整对话。

💪 进阶 20 分钟：常见坑 + 性能小贴士

坑 1：Key 暴露了！—— 删掉 Git 提交记录

# ❌ 错误：直接写死在代码里
API_KEY = "sk-abc123xxxxx"

# ✅ 正确：从环境变量读取
import os
API_KEY = os.getenv("OPENAI_API_KEY")
# 终端运行：export OPENAI_API_KEY="sk-abc123xxxxx"

坑来了：一旦提交到 GitHub，你的 Key 就公开了，别人能用你的额度！立即去平台重新生成一个新 Key。

坑 2：网络超时 —— 设置超时时间

# ❌ 错误：不设超时，可能永远卡住
response = requests.post(url, headers=headers, json=data)

# ✅ 正确：10秒超时
response = requests.post(url, headers=headers, json=data, timeout=10)

坑 3：JSON 解析报错 —— 检查返回状态

# ❌ 错误：直接解析，没检查错误
result = response.json()

# ✅ 正确：先检查状态码
if response.status_code != 200:
print(f"出错了：{response.text}")
else:
result = response.json()

坑 4：Token 超出限制 —— 控制对话长度

# ❌ 错误：历史消息无限累积
messages.append(new_message)  # 只加不减，越积越多

# ✅ 正确：只保留最近 N 条，或者定期清理
messages = messages[-10:]  # 只保留最近10条

坑 5：模型名字写错 —— 查清楚再用

# ❌ 错误：模型名拼写错误
"model": "gpt-3.5-turboo"  # 多了一个o

# ✅ 正确：确认你用的模型名（不同平台格式不同）
"model": "gpt-3.5-turbo"        # OpenAI
"model": "qwen-turbo"           # 通义
"model": "ernie-bot"            # 文心

调试技巧：打印完整响应

# 当你不知道返回什么结构时，打印全部
result = response.json()
print(json.dumps(result, indent=2, ensure_ascii=False))

这样能看到所有字段，找到你需要的那个。

✏️ 练习题

练习 1（1 分钟）：换一个问题

• 输入：把 chat_with_gpt("用一句话夸夸Python", API_KEY) 改成问你自己的问题
• 预期输出：AI 回答你的新问题
• 提示：只改引号里的文字，其他不动

练习 2（2 分钟）：加一个条件判断

• 输入：在项目 1 里，如果 API 返回错误，打印「出错了」，否则打印回复
• 预期输出：出错了 或 AI 回复
• 提示：用 if response.status_code == 200 判断

练习 3（2 分钟）：处理新的 CSV

• 输入：创建一个 products.csv，内容是商品名称，让 AI 给每个商品写一句营销文案
• 预期输出：CSV 输出两列（商品名称、营销文案）
• 提示：参考项目 2 的结构，改 prompt 即可

练习 4（3 分钟）：串起两个项目

• 输入：把项目 2（分类）和项目 3（整理）串联起来——先分类，再整理成清单
• 预期输出：先输出分类结果，再输出整理后的待办清单
• 提示：项目2输出是CSV，项目3输入是文本列表，转换一下格式

练习 5（2 分钟）：读懂报错信息

• 输入：以下报错是什么意思？

KeyError: 'choices'

• 预期输出：解释原因 + 修复方法
• 提示：检查 response 的 status_code 和实际返回内容

作业：做一个「AI 新闻摘要工具」

需求描述：
把一堆新闻标题/摘要扔进去，让 AI 帮你总结要点、判读情感、挑出最重要的 3 条。

功能点：
1. 从 CSV 读取新闻数据
2. 调用 AI 进行情感分析（正面/负面/中性）
3. 生成 200 字以内的摘要
4. 输出到新 CSV

加分项：
1. 支持 JSON 输入
2. 添加「关键词标签」

验收标准：
- 能跑起来
- 输出符合预期格式
- 代码有中文注释

提交方式：评论区贴代码或 GitHub 链接

📚 总结 + 资源

一句话总结

本章学了 3 件事：① AI API 的调用方式 ② 批量处理数据的技巧 ③ 用 AI 帮你做分类、总结等脏活累活。

延伸资源

• OpenAI API 官方文档 —— 最权威的参考
• 阿里云通义千问 API —— 中文场景首选
• 百度文心 API —— 百度生态集成

互动钩子

你有没有想过「让 AI 帮你写代码」？下一章我们要做一件更底层的事——看看 uniapp 框架本身是怎么写的。学会了源码解析，你就不只是「用框架的人」，而是「能改框架的人」了。🚀

上期复习：上一章我们用 WebSocket 实现了实时双向通信，给 AI 接入打好了「管道」基础。

下期预告：第 10 章 10.1 uniapp 源码解析——从用户变成「能改框架」的人！