通过 HTTP，用户可以使用多种语言（包括 Python、Java、JavaScript 和 Ruby）调用 GPT 大模型智能应用 API，构建一个智能聊天机器人，或其它自然语言生成应用。您可以通过向 API 发送文本提示并获取回复来使用 GPT大模型智能应用。本期 Azure Open AI 官方指南演示如何使用 Python 语言实现 GPT 大模型智能应用 API 调用，并部署到 Azure App Service 展现用户交互界面。
准备工作 ╱ 01
程序设计原理 ╱ 02
Python代码解析 ╱ 03
本地测试GPT大模型智能应用 ╱ 04
部署Python Web应用到 ╱ 05
Azure App Service
01
部署 GPT 大模型智能应用 API，需要准备以下几项工作：
Azure 订阅
VS Code（1.74.2或以上版本）版本并安装Azure Account, Azure Tools和Azure App Service 插件
Python 3.10或更高版本(本demo使用 Python 3.10.9)
注册 OpenAI 开发者账号并获取 API 密钥
02
1.本项目前端使用 index.html, style.css, script.js实现用户交互界面。后端使用两个 python 程序（server.py 和 gpt.py）实现与前端页面交互及OpenAI API 调用。
2.用户在 Web 页面中输入文本并单击按钮。
3.Web 页面使用 JavaScript 将文本发送到 Flask 应用程序的 chat 路由。
4.Flask 应用程序接收文本并使用「GPT 大模型智能应用」生成回复文本。
5.Flask 应用程序将回复文本发送回 Web 页面。
6.Web 页面使用 JavaScript 将回复文本显示在页面上。
在这种架构中，index.html 文件是 Web 页面的模板。在该文件中，我们使用 HTML 和 CSS 来创建页面布局和外观。我们还使用 JavaScript 来处理用户交互并与 Flask 应用程序进行通信。
Flask 应用程序文件 (上面的代码) 负责处理用户输入的文本并生成回复。它还提供了两个路由：一个用于显示 Web 页面，另一个用于处理用户输入的文本并生成回复。
在静态文件目录中，我们可以存储 CSS 样式表和 JavaScript 文件。这些文件可以用来自定义 Web 页面的外观和交互。
总之，这种设计架构将 Web 页面、Flask 应用程序和 OpenAI API 结合起来，使用户能够通过 Web 页面与 GPT 聊天机器人进行交互。
03
下面是使用两个 Python 程序（server.py 和 gpt.py）调用 OpenAI API，并生成 Flask 交互式 Web 页面的代码。这种设计架构可以使代码更易于维护和扩展。
在下面的代码中，server.py 文件是 Flask 应用程序文件。它负责提供 Web 页面和与 GPT 聊天机器人进行交互的路由。
1 from flask import Flask, request
2 import gpt
3 {
4 app = Flask(__name__)
5 {
6 @app.route('/process_gpt', methods=['POST'])
7 def process_gpt():
8 return gpt.process_gpt(request)
9 {
10 @app.route('/')
11 def index():
12 return app.send_static_file('index.html')
13 {
14 if __name__ == '__main__':
15 app.run()
16 }
gpt.py 文件是「GPT大模型智能应用」类的定义。它包含一个静态方法，用于生成「GPT大模型智能应用」的回复文本。
1 gpt.py：
2 import openai
3 {
4 def process_gpt(request):
5 message = request.form['message']
6 openai.api_key = ""
7 response = openai.Completion.create(
8 engine="text-davinci-003",
9 prompt=message,
10 max_tokens=1024,
11 temperature=0.5,
12 )
13 {
14 # Format the response text
15 response_text = response.choices[0].text.strip() # Remove leading and trailing whitespace
16 response_text = response_text.replace("\n", "
") # Replace newlines with line breaks
17 # Return the formatted response text
18 return response_text
19 }
1.gpt.py 中使用 openai.api_key = "" 来输入API Key，开发者需用实际申请的API Key 替换程序中。
2.openai.Completion.create() 方法来调用 OpenAI API。这个方法接受多个参数，包括：
engine：要使用的 GPT-3 模型。
prompt：聊天对话的上下文。这里，我们通过用户的输入问题来实现通用的对话，没有对bot给出特殊提示。开发者可以根据实际的应用在自己的项目中设置 prompt。例如：prompt="User: Hi, how are you today?\nBot:"
max_tokens：生成的回复的最大字符数。
temperature：生成的回复的随机性。值越大，回复越随机。
更多该方法的参数及解释可以参考openai.Completion.create() 方法官方文档
3.调用 OpenAI API 后，会返回一个包含生成的回复的响应。你可以使用 response.text 属性来获取回复的文本。你可以将这个回复文本作为机器人的回复，并将其显示给用户。
04
上述步骤展示了如何使用 GPT大模型智能应用 API 构建一个智能聊天机器人。接下来将演示如何将你的 Python web 应用进行本地电脑测试。参考如下步骤：
1. 在 VS code 中打开一个终端。
2. 在终端中输入以下命令以克隆 Git Hub 项目,这将在你的本地系统上创建一个名为“Create-A-ChatGPT-Bot-APP-and-Deploy-To-Azure-APP-Service-or-Teams-APP”的文件夹，并将 Git Hub 项目的所有文件克隆到该文件夹中。
3.在 VS code 中打开该文件夹,在 gpt.py 代码里替换你申请的 API Key。
4.在终端里项目根目录下运行以下命令以安装项目所需的所有依赖项，所需的应用中 python 依赖项会写在requirements.txt文件中，例如：flask和openai。
pip install -r requirements.txt
5.创建一个虚拟环境。虚拟环境是一种隔离 Python 包的方法，可以在不影响全局 Python 环境的情况下安装和测试包。您可以使用 virtualenv 库来创建虚拟环境。首先，需要使用 pip 命令安装 virtualenv。
pip install virtualenv
6.使用以下命令创建一个名为 env 的虚拟环境：
virtualenv env
7.运行以下命令以激活虚拟环境。
source env/bin/activate
``
8.运行该应用。
flask run
9.在浏览器中打开 http://127.0.0.1:5000/
10.可以输入一些感兴趣的问题测试一下 GPT 大模型智能应用的能力，这样该应用在本地测试就完成了。
05
接下来将演示如何将该应用部署到 Azure App Service 上：
1.在 VS code 中打开该项目。
2.确认您的 VS Code 已经安装了 Azure Account, Azure Tools 和 Azure App Service 扩展。并在 VS Code 中登录 Azure 账号。
3.在 VS code 中打开设置（Ctrl + Shift + P），并输入“Azure App Service: Create New Web App”。
4.在提示中选择“Azure App Service: Create New Web App”，然后按照提示操作。你需要选择一个订阅、资源组 Web 应用的名称。Runtime Stack 选择 Python 3.10。
5.在 VS code 中打开设置（Ctrl + Shift + P），并输入“Azure App Service: Deploy to Web App”。
6.在提示中选择“Azure App Service: Deploy to Web App”，并按照提示操作。你需要选择之前创建的 Web 应用和要部署的文件夹。
7.应用被成功部署到 Azure App Service 上，并可以通过 Internet 访问。
新一代大模型智能应用
给云原生技术带来哪些机遇？
第二届开源云原生开发者日
解密微软全线产品GPT化背后的云原生技术
报名方式：
在Azure 云科技后台回复关键词
「开源云原生」
即可预约活动席位
