OpenAI 实战进阶教程 - 第四节: 结合 Web 服务：构建 Flask API 网关

目标

学习将 OpenAI 接入 Web 应用，构建交互式 API 网关
理解 Flask 框架的基本用法
实现 GPT 模型的 API 集成并返回结果

内容与实操

一、环境准备

安装必要依赖：
打开终端或命令行，执行以下命令安装 Flask 和 OpenAI SDK：
```
pip install flask openai
```
获取 OpenAI API 密钥：
登录 OpenAI 平台创建 API 密钥。

二、创建基础 Flask 项目

1. 创建项目结构

├── app.py              # Flask 入口文件  
├── requirements.txt     # 项目依赖  
└── README.md            # 项目说明文档

2. 编写基础 Flask 代码

在 app.py 中编写以下代码，支持不同类型的 API 功能：

from flask import Flask, request, jsonify
import openai# 初始化 Flask 应用
app = Flask(__name__)# 设置 OpenAI API 密钥
openai.api_key = "your-api-key"# 定义 API 路由：生成摘要
@app.route("/gpt-summary", methods=["POST"])
def generate_summary():data = request.jsonuser_text = data.get("text", "")if not user_text:return jsonify({"error": "未提供有效的输入文本"}), 400response = openai.ChatCompletion.create(model="gpt-3.5-turbo",messages=[{"role": "user", "content": f"请对以下文本生成摘要：{user_text}"}],max_tokens=150)summary = response["choices"][0]["message"]["content"]return jsonify({"summary": summary})# 定义 API 路由：自动写作
@app.route("/gpt-writing", methods=["POST"])
def generate_text():data = request.jsontopic = data.get("topic", "")if not topic:return jsonify({"error": "未提供主题"}), 400prompt = f"写一篇关于{topic}的中文文章。"response = openai.ChatCompletion.create(model="gpt-3.5-turbo",messages=[{"role": "user", "content": prompt}],max_tokens=300)generated_text = response["choices"][0]["message"]["content"]return jsonify({"generated_text": generated_text})# 定义 API 路由：代码生成
@app.route("/gpt-code", methods=["POST"])
def generate_code():data = request.jsontask_description = data.get("task", "")if not task_description:return jsonify({"error": "未提供任务描述"}), 400prompt = f"编写一个 Python 函数来完成以下任务：{task_description}"response = openai.ChatCompletion.create(model="gpt-3.5-turbo",messages=[{"role": "user", "content": prompt}],max_tokens=150)generated_code = response["choices"][0]["message"]["content"]return jsonify({"generated_code": generated_code})if __name__ == "__main__":app.run(port=5000)

3. 代码说明

gpt-summary: 接收用户文本，生成摘要。
gpt-writing: 根据给定主题自动生成中文文章内容。
gpt-code: 根据描述生成 Python 代码片段。

三、运行与测试

1. 启动 Flask 服务

python app.py

启动成功后，终端输出：

* Running on http://127.0.0.1:5000

2. 使用 Postman 测试

请求方法：POST
请求 URL：
- http://127.0.0.1:5000/gpt-summary
- http://127.0.0.1:5000/gpt-writing
- http://127.0.0.1:5000/gpt-code
示例请求体

文本摘要

{"text": "人工智能正在迅速改变我们的生活方式和工作模式。越来越多的行业开始采用智能化方案。"
}

文章生成

{"topic": "人工智能的未来发展趋势"
}

代码生成

{"task": "读取一个文件，统计包含关键字 '错误' 的行数"
}

3. 使用 `curl` 测试

curl -X POST http://127.0.0.1:5000/gpt-summary \
-H "Content-Type: application/json" \
-d '{"text": "人工智能技术正在重新定义行业标准。"}'

4. 预期输出

文本摘要

{"summary": "人工智能技术正在改变行业标准。"
}

文章生成

{"generated_text": "人工智能（AI）在过去几年中取得了飞速发展，未来其应用场景将更加广泛……"
}

代码生成

{"generated_code": "def count_error_lines(file_path):\n    count = 0\n    with open(file_path, 'r') as file:\n        for line in file:\n            if '错误' in line:\n                count += 1\n    return count"
}

使用Postman调用接口示例图

小结

本节通过实际示例讲解了如何使用 Flask 构建一个支持多功能的 API 网关，将 OpenAI 强大的生成能力接入到 Web 服务中。通过这些示例，开发者可以为不同业务场景快速创建交互式服务。

练习题

功能扩展
- 添加新的路由 gpt-translate，实现中英文互译功能。
  示例提示语：将 "This is a test" 翻译为中文。
性能优化
- 设置最大请求次数或缓存策略，以应对高并发请求。
异常处理
- 为网络超时、API请求失败等情况添加详细的错误提示。