如何在 Python 中使用 GPT-4o

如果你一直关注当前的人工智能新闻，你会知道 OpenAI 最近发布了他们最先进的模型，GPT-4o。尽管它最令人印象深刻的新功能是其新的多模态性，但这些功能很遗憾目前还没有面向公众发布。

在我们等待这些多模态功能推出的时候，我将向你展示如何最轻松地为你自己的数据使用 GPT-4o，一个助手！

OpenAI 最近还更新了他们的助手，大大增加了它们摄取数据的能力。由于 GPT-4o 的效率使其更加经济实惠，再加上助手现在能够摄取多达 10,000 个文件，现在是创建你自己的助手的最佳时机。

在本文中，我将向你展示我发现的使用 GPT-4o 创建助手的最简单方法。

步骤 1：准备我们的数据

在开始之前，重要的是要注意，如果你想为自己的网站或应用程序使用助手，你将需要一个 OpenAI API 密钥。

首先登录到 OpenAI 平台并转到仪表板。然后点击下面显示的 "Storage"。

一旦到达存储页面，选择 "Vector Store"，然后点击 "Create"。使用向量存储可以实现语义搜索、高效检索、更好的上下文理解、可扩展性，并与 OpenAI 的 API 无缝集成。

创建向量存储后，添加你希望助手访问的文件，并复制向量存储 ID，因为你以后会需要它。

步骤 2：创建助手

使用左侧导航栏转到 "Assistants" 平台。选择 "Create assistant"。

创建助手后，确保复制并粘贴助手 ID 代码，因为我们以后会用到它。

给你的助手明确的指示，并使用 "Model" 选择你想要的模型，在我们的情况下将是 "gpt-4o"。

选择助手将用于查看我们文件的 "File search" 工具。

点击下面显示的 "Files"。

点击 "Select vector store"。

最后，你将使用我们之前复制的向量存储 ID 并粘贴到字段中，选择完你想要的向量存储后点击选择。

将你的助手连接到你的向量存储后，随时可以通过向它提问特定于向量存储中的文件来测试你的代理。

在我的助手案例中，我让它连接到一个 Colleen Hoover 的小说《Verity》的向量存储，这是我伴侣的要求，正如你所看到的，它使用这个答案并引用了答案来源！

虽然对于一些人来说这已经足够使用了，但我们可以更深入地展示如何使用 Python 将助手集成到你的应用程序中！

步骤 3：检查 API

在集成到我们的应用程序之前，我们可以先看看 API 调用是否正常工作，我们可以通过使用一些简单的代码来实现这一点。如果你想要整个脚本，请滚动到最后。

首先，使用这些导入，因为它们将被需要。如果你在 Windows 上，请记得使用 "pip install openai"，如果你在 Mac 上，请使用 "pip3 install openai"。

import time
from openai import OpenAI

我们首先使用我们的 API 密钥创建一个客户端

client = OpenAI(api_key='YOUR KEY HERE')

然后我们创建一个 "thread" 来存储我们的对话

empty_thread = client.beta.threads.create()
print(empty_thread)

然后我们获取 Thread id，这样我们就可以将我们的消息添加到其中

thread_id= empty_thread.id

创建一条消息并将其添加到线程中

thread_message = client.beta.threads.messages.create(
  thread_id=thread_id,
  role="user",
  content="YOUR MESSAGE GOES HERE",
)
print(thread_message)

这部分代码用于跟踪 "run" 的状态。当我第一次运行它时，响应加载花了很长时间，我不确定它是否在工作或只是慢。这会在运行状态不完整时打印运行状态。

while run.status != "completed":
    run=client.beta.threads.runs.retrieve(thread_id=empty_thread.id, run_id=run.id)
    print(f" run status: {run.status}")
    time.sleep(0.5)
else:
    print(f"Run Complete! ")

为了从线程获取响应和从运行获取消息，我们使用以下代码。

message_response = client.beta.threads.messages.list(thread_id=empty_thread.id) 
messages = message_response.data

latest_message = messages[0]
print(f" response: {latest_message.content[0].text.value}")

将所有代码放在一起，我们可以问它与之前使用 OpenAI 助手界面问的同一个问题，它应该给出相同的答案，而它确实给出了！

这就是整个脚本！

import time
from openai import OpenAI
 
client = OpenAI(api_key='YOUR KEY HERE')

# Create Thread
empty_thread = client.beta.threads.create()
print(empty_thread)

# Get thread id
thread_id= empty_thread.id

# Create message to add to Thread
thread_message = client.beta.threads.messages.create(
  thread_id=thread_id,
  role="user",
  content="USER QUESTION HERE",
)
print(thread_message)

# Create a Run
run = client.beta.threads.runs.create(
  thread_id=thread_id,
  assistant_id='YOUR ASSISTANT ID HERE'
)

run_id=run.id

while run.status != "completed":
    run=client.beta.threads.runs.retrieve(thread_id=empty_thread.id, run_id=run.id)
    print(f" run status: {run.status}")
    time.sleep(0.5)
else:
    print(f"Run Complete! ")

message_response = client.beta.threads.messages.list(thread_id=empty_thread.id) 
messages = message_response.data

latest_message = messages[0]
print(f" response: {latest_message.content[0].text.value}")

步骤 4：集成

如果你想将助手 API 集成到你的应用程序中，你可以采取无数种方式。这是为 API 提供一个界面的最简单方法。

Streamlit 为我们提供了一个易于显示助手的前端。如果你选择通过 streamlit 托管你的网站，请使用以下代码作为示例。

免责声明！这里只是使用 Streamlit 在本地托管网站以提供一个快速用户界面。

在运行此代码之前，请不要忘记在终端中使用 pip install streamlit 安装该包。

import streamlit as st
from openai import OpenAI
import time

# Create client
client = OpenAI(api_key='YOUR KEY HERE')

st.title(':book: Book Bot')

# Initialize chat history (using session_state)
if "messages" not in st.session_state:
    st.session_state.messages = []

# Display chat history
for message in st.session_state.messages:
    with st.container():
        st.markdown(f"**{message['role']}:** {message['content']}")

# Input text box
user_input = st.text_input("You:", "")

if st.button("Send") and user_input:
    # Add user message to chat history
    st.session_state.messages.append({"role": "user", "content": user_input})
    
    # Display user message immediately
    with st.container():
        st.markdown(f"**You:** {user_input}")

    # Create thread and message 
    thread = client.beta.threads.create()
    thread_message = client.beta.threads.messages.create(
        thread_id=thread.id,
        role="user",
        content=user_input,
    )
    run = client.beta.threads.runs.create(
        thread_id=thread.id,
        assistant_id='YOUR ASSISTANT ID'  # Replace with your assistant ID
    )
    
    # Wait for the run to complete
    with st.spinner("Thinking..."):
        while run.status != "completed":
            run = client.beta.threads.runs.retrieve(thread_id=thread.id, run_id=run.id)
            time.sleep(0.5)

    # Retrieve and display the response
    messages = client.beta.threads.messages.list(thread_id=thread.id).data
    latest_message = messages[0]
    response_text = latest_message.content[0].text.value

    # Add assistant message to chat history
    st.session_state.messages.append({"role": "assistant", "content": response_text})
    
    # Clear the input text box after sending
    user_input = ""

    # Display assistant message immediately
    with st.container():
        st.markdown(f"**Assistant:** {response_text}")

要运行此代码，你需要在终端中键入 "streamlit run app.py"，然后它将自动打开页面。如果页面没有自动打开，你可以复制并粘贴本地 URL 到你的浏览器中。

这就是页面的样子！