最近大家都在讨论ChatGPT的应用，而且形形色色的段子都出来了，为了验证各种说法的对错，当然也未能免俗，决定做个尝试，第一步是让代码先跑起来，第二步是实现微信聊天机器人，第三步是实现自己想要的东西，呵呵
第一步，注册openai账号，这个有点小麻烦，你懂的，最简单的办法是到淘宝上
第二步，安装openai
pip install openai
第三步、输入api_key，选择模型
以下文字来自微软的网站。https://learn.microsoft.com/zh-cn/azure/cognitive-services/openai/concepts/models
GPT-3 模型可以理解和生成自然语言。 该服务提供四个模型功能，每个都有不同级别的能力以及适用于不同任务的速度。
text-ada-001
text-babbage-001
text-curie-001
text-davinci-003
Davinci 是功能最强大的模型，可以执行其他模型能够执行的任何任务，并且所用的指令通常更少。 对于需要深入理解内容的应用程序（例如面向特定受众的摘要和创意内容的生成），Davinci 将产生最佳结果。 Davinci 提供的这些增加的功能需要更多计算资源，因此 Davinci 的成本更高，并且 Davinci 不如其他模型快。
Davinci 擅长的另一个领域是理解文本的意图。 Davinci 擅长解决多种逻辑问题并解释字符动机。 Davinci 已经能够解决一些涉及因果关系的最具挑战性的 AI 问题。
用途：复杂的意图、因果关系、受众摘要
Curie 功能强大，但速度很快。 虽然 Davinci 在分析复杂文本方面更强大，但 Curie 可以执行许多精细化的任务，例如情绪分类和摘要。 Curie 也善于回答问题和执行问答，适合用作常规服务聊天机器人。
用途：语言翻译、复杂分类、文本情绪、摘要
Babbage 可以执行简单的分类等简单任务。 在语义搜索方面，它的功能也很强大，可对文档与搜索查询的匹配程度进行排名。
用途：中等分类、语义搜索分类
Ada 通常是最快的模型，可以执行的任务有分析文本、地址更正和不需要太多细微差别的某些分类任务等等。 Ada 的性能通常可以通过提供更多上下文来改进。
用途：分析文本、简单分类、地址更正、关键字
import openai
openai.api_key = "xxxxxxxxxxxxxxxxxxxxxxxxxx"
model_engine = "text-davinci-002"
prompt='以2022年数据库的发展情况和未来预测为题写一篇论文'
# text-curie-001 聊天机器人-语言翻译、复杂分类、文本情感、摘要
# We used the suggested settings for Chat: Temperature = 0.9, response length = 150, Top P = 1
# model: 要使用的模型的 ID，访问 OpenAI Docs Models 页面可以查看全部可用的模型
# prompt: 生成结果的提示文本，即你想要得到的内容描述
# max_tokens: 生成结果时的最大 tokens 数，不能超过模型的上下文长度，可以把结果内容复制到 OpenAI Tokenizer 来了解 tokens 的计数方式
# temperature: 控制结果的随机性，如果希望结果更有创意可以尝试 0.9，或者希望有固定结果可以尝试 0.0
# top_p: 一个可用于代替 temperature 的参数，对应机器学习中 nucleus sampling，如果设置 0.1 意味着只考虑构成前 10% 概率质量的 tokens
# frequency_penalty: [控制字符的重复度] -2.0 ~ 2.0 之间的数字，正值会根据新 tokens 在文本中的现有频率对其进行惩罚，从而降低模型逐字重复同一行的可能性 ，一般为1.0
# presence_penalty: [控制主题的重复度] -2.0 ~ 2.0 之间的数字，正值会根据到目前为止是否出现在文本中来惩罚新 tokens，从而增加模型谈论新主题的可能性，一般设置为 0
# stop: 最大长度为 4 的字符串列表，一旦生成的 tokens 包含其中的内容，将停止生成并返回结果
completions = openai.Completion.create(
engine=model_engine,
prompt=prompt,
max_tokens=4000,
n=1,
# frequency_penalty=0.5,
presence_penalty=0,
stop=None,
top_p=1,
temperature=0.5,
)
#
message = completions.choices[0].text
print(message)
最终输出结果如下，质量还是不错的
数据库技术日益成为企业信息化建设的核心，数据库市场也在不断发展壮大。根据Gartner的最新报告，全球数据库市场规模在2018年达到了480亿美元，2019年将达到515亿美元，2020年将达到560亿美元，2021年将达到610亿美元，2022年将达到660亿美元。
从目前的发展情况来看，数据库市场的增长速度将会继续加快。预计到2022年，数据库市场规模将达到660亿美元，增长率将达到9.5%。
在这个快速发展的市场中，数据库厂商也在不断壮大和发展。根据Gartner的最新报告，全球10大数据库厂商的市场份额达到了85%。
其中，微软的SQL Server数据库在全球市场份额第二，达到了17.3%，紧随其后的是苹果的FileMaker数据库，市场份额为16.9%，第三是IBM的DB2数据库，市场份额为9.7%。
在这些大厂商的竞争下，中国的数据库市场也在不断壮大。根据IDC的数据，2018年中国数据库市场规模达到了18.5亿美元，2019年将达到21亿美元，2020年将达到24.5亿美元，2021年将达到28亿美元，2022年将达到32亿美元。
从目前的发展情况来看，中国数据库市场仍将继续保持快速增长。预计到2022年，中国数据库市场规模将达到32亿美元，增长率将达到11.4%。
随着云计算、大数据、人工智能等新技术的不断普及和应用，数据库技术也在不断发展和进步。预计未来5年内，数据库技术将经历三个主要的发展阶段：
首先是数据库的升级和更新。由于云计算、大数据、人工智能等新技术的不断普及和应用，传统的数据库技术已经不能满足人们的需求，需要不断升级和更新。
其次是数据库的云化。云计算技术的发展使得数据库的云化成为可能，预计未来5年内，数据库的云化将成为主流。
最后是数据库的人工智能化。人工智能技术的发展使得数据库的人工智能化成为可能，预计未来5年内，数据库的人工智能化将成为主流。
第四步，开发微信机器人
之前做过一个聊天机器人，再次运行后，发现不能用了，后来经核查，发现是网页版微信不给用了，只好又找了一个wxauto包，pip install wxauto即可
这个聊天程序有点像机器人在不停读取微信程序，先查找聊天对象（Chatwith），再通过GetLastMessage获取最后聊天信息，再预设一些条件找到对话的时机。
不同点是这次选择了text-curie-001模型
from wxauto import *
import time
if __name__=='__main__':
model_engine = "text-curie-001"
who = 'XXX群'
nickname='@ChatGPT' # 需要识别出是在和ChatGPT对话即可
wx=WeChat()
wx.ChatWith(who)
while True:
msgobject1 = wx.GetLastMessage
speaker1, msgcontent1, speakerid1= msgobject1
time.sleep(1)
msgobject2=wx.GetLastMessage
speaker2, msgcontent2, speakerid2 = msgobject2
if msgcontent1 != msgcontent2 and (nickname in msgcontent2):
msgcontent2=msgcontent2.replace(nickname,'')
completions = openai.Completion.create(
engine=model_engine,
prompt=msgcontent2,
max_tokens=500,
n=1,
frequency_penalty=0.5,
presence_penalty=0,
stop=None,
top_p=1,
temperature=0.8,
)
ret = completions.choices[0].text
wx.SendMsg(ret)
到此一个简单的聊天机器人就做好了
写在最后的话，ChatGPT无论是写文章还是聊天，效果均一般，但考虑到其通用性，已经算不错了，据说ChatGPT对中文语料的搜集存在很大的不足，自己后续会通过开源的GPT2对适合自己的数据做下训练，期待能得到更佳的结果吧
最后欢迎关注微信公众号：Python与大数据分析
