十分钟搭建一个免费的OpenAI服务

最近 chatGPT 非常火，也出现了很多基于 chatGPT 写的插件，本次文章准备讲解一下基于 OpenAI 如何搭建一个 gpt 服务，并实现如下两个功能：

• 实现内容对话
• 实现根据内容生成 AI 图片

源码地址：https://github.com/MRwangqi/chatGPT-nodejs^[1]

效果演示：

如下是效果演示：

• 内容对话：https://http-nodejs-production-32b8.up.railway.app/chat?prompt= 周杰伦简介 ^[2]

• AI 作画：https://http-nodejs-production-32b8.up.railway.app/image?prompt= 雨巷中的小女孩撑着油纸 ^[3]

本次内容会涉及到一点点 Node.js 的开发，但代码量极少 (只有 56 行代码)，我相信，从事 Android 开发的你，一定能看得懂。本文涉及到的知识点：

• OPEN AI   开发者文档
• Node.js 开发
• Railway 部署 (每个月有 5$ 的免费额度)

前期准备

1、OpenAI API 接入文档：/docs/api-reference/introduction^[4]2、获取 OpenAI  API Keys 和 Organization 组织 ID (前提是有 OpenAI 账号) 点击链接  /account/api-keys^[5]  获取 API Keys，如果没有，可点击  Create new secret key 进行创建：

点击链接  /account/org-settings^[6]  获取组织 ID：

正式开发

OpenAI API 文档提供了三种接入方式：

• Http 请求
• Python
• Node.js

无论用哪种方式接入，所对应的使用方式都差不多，仅仅只是技术栈不同而已，我们来看个 Http 请求的示例：

请求参数：

1. model：模型 Id，此处的文本生成模型为 GPT-3
2. prompt：提示语
3. max_tokens：回复结果的最大 tokens 数量，根据模型所定，有的最大 2048，有的 4096，根据官网 tokenizer 描述，对于普通英文文本，100 个 tokens 差不多等于  75 个单词，具体计算规则可查看  /tokenizer^[7]
4. temperature：采样精确度，介于 0~2 之间，值越低约精确。

以官方示例为准，我们使用 Node.js 开始开发 (需要安装 Node 环境，可自行搜索安装)。执行初始化环境命令，根据提示完成项目创建

执行安装 openai 依赖命令：

安装完成后，我们在当前目录创建个 index.js 文件，为了能加载 ES 模块，我们还需在 package.json 中添加下  "type": "module"，拷贝官方示例到该文件下，并替换掉 organization 组织 Id 与 apiKey 即可，配置效果如下：

如果 API KEY 和组织 Id 配置正确的话，我们可以执行运行命令：

如果控制台没有任何报错的话，则表示配置成功，如果控制台有打印日志，则需要查看是 API KEY 配置不正确，还是组织 ID 配置不正确。

接下来，我们在此基础上，使用 gpt-3 文本模型开发功能：

这里我们询问   周杰伦有多少张专辑?，并执行  node index.js，查看打印的结果：

一个简单的问答结果出来了，接下来，我们暂时注释掉该段代码，尝试下 AI 作画的能力，编辑如下代码：

• model 为 AI 图片模型
• prompt 为描述的内容，这里，我们引用古诗，来查看最终的效果
• size 为生成的图片大小
• n 为生成的张数，这里我们就填写一张

执行成功后，会打印图片的 url：

我们将其拷贝出来到浏览器查看：

为了使这两个功能通过服务的方式访问，我们还需要安装两个依赖 koa 和 koa-router，执行如下命令安装：

重新编辑 index.js 文件，引入 koa 和 koa-router：

总体过程就是启用个端口为 3000 的服务，将原来执行的代码放到了 /chat 路由路径中，访问该路径即可执行该代码返回结果，接下来，我们继续执行  node index.js 命令，然后访问如下链接：

一个简单的服务访问已经开发好了，接下来，我们需要脱敏，将组织 ID、API KEY、端口 等设置成环境变量，并推到自己的 github 中 (Railway 部署时需要选择该仓库)，可以直接选择该项目，以避免秘钥泄漏，我们将其改成：

• process.env.APP_ORG
• process.env.APP_KEY
• process.env.PORT

具体操作代码可直接查看源码，这里就不贴了，避免代码太多影响阅读，接下来，我们需要开始部署应用了。

部署应用

访问  https://railway.app/dashboard^[8] 链接，建议使用 Github 快捷登录 Railway，并点击  New Project  创建项目：

这里我们直接选择 Depoly from Github repo，直接选择自己仓库里的项目：

找到自己刚刚 push 到 github 的仓库，例如，我选择的项目是 chatGPT-nodejs 仓库，你也可以直接 fork 我这个仓库，找到该仓库进行部署：

我们选择该项目，先不着急部署，我们先把前面的环境变量先设置上：

选择  New Variable  创建 APP_ORG 和 APP_KEY 环境变量，并将对应的值写入到 value 中：

完成添加之后，Railway 会自动部署项目，我们选择左边的  Depolyments 查看部署结果：

部署成功之后，我们需要生成 Domains 链接，我们继续点击右边的 Settings 选项卡，选择  generate Domain ，此时会生成部署的域名链接：

我们拿到该链接，就可以开始访问了，拷贝此链接，我们来访问下 AI 作画 (链接 + 路由)：

点击   阅读原文   可触发上面的链接查看 AI 作画结果 (访问会有点慢)

参考资料

原文链接：http://www.360doc.com/content/12/0121/07/11604731_1069606179.shtml