欢迎阅读本系列文章！我将带你一起探索如何利用OpenAI API开发GPT应用。无论你是编程新手还是资深开发者，都能在这里获得灵感和收获。
本文，我们将继续展示聊天API中插件的使用方法，让你能够轻松驾驭这个强大的工具。
插件运行效果
首先给大家展示下插件的运行效果，如下图所示：
可以看到，每次询问GPT，它都会返回指定城市的实时天气信息，这个天气是真实的，不是GPT瞎编的，是GPT通过一个实时天气插件查询到的。
插件运行原理
知己知彼，百战不殆！首先让我们来了解下插件的运行原理。如下图所示：
首先我们在客户端发起一个聊天会话，比如询问GPT：“今天天气怎么样？”
为了使用我们自己的插件，我们还需要告诉GPT有哪些插件可用，目前这需要我们在发起聊天时传递一个支持的插件列表给GPT。
然后GPT收到我们的聊天后，它会根据用户的聊天内容去匹配插件，并在返回的消息中指示命中了哪些插件，这个匹配是根据GPT的语言理解能力做出的。
然后客户端就可以检查命中了哪些插件，并调用执行本地相应的插件方法。插件方法是在本地执行的，这也比较合理，如果放到GPT服务端，GPT不仅要适配各种计算能力，还可能面临巨大的安全风险。
然后客户端将插件的执行结果附加到本次聊天会话中，再次发起聊天请求，GPT收到后，会根据首次聊天请求和插件生成的内容组织本次聊天响应结果，再返回给用户。
这样就完成了一次基于插件的GPT会话。
插件使用示例
基于上面的运行原理，我们来编写一个GPT插件的示例程序。
在这个示例程序中，我将提供一个天气查询的插件，当用户询问GPT今天的天气时，GPT就会命中这个插件，然后插件会调用外部API获取实时的天气情况，最后GPT会使用插件生成的结果组织一段文字回复返回给用户。
编写天气插件
这里我们将使用“心知天气”提供的免费天气查询服务，大家感兴趣的可以去这里注册个账号：https://www.seniverse.com/，注册成功后，需要复制账号的私钥，调用天气接口时会用到。
然后我们就可以编写天气查询插件了，这里直接给出我的代码：
def get_city_weather(param):
city = json.loads(param)["city"]
params = {
"key": "这里换成你的天气产品私钥",
"location": city,
"language": "zh-Hans",
"unit": "c",
}
url = "https://api.seniverse.com/v3/weather/now.json"
r = requests.get(url, params=params)
data = r.json()["results"]
address = data[0]["location"]['path']
temperature = data[0]['now']["temperature"]
text = data[0]['now']["text"]
return address+"，当前天气："+text+"，温度："+temperature+ "℃"可以看到就是一个Python函数，接收json格式的参数，返回天气描述信息。
注意这里的参数格式（包括有哪些参数）是和GPT大模型匹配过的，下文会讲到怎么定义参数。
接口的主要逻辑就是使用城市名称，调用实时天气接口获取天气信息，然后再拼接成一段话并返回。
我这里只使用了天气的部分指标，详细指标大家可以看接口文档：
发起带插件的聊天
话不多说，看代码：
client = OpenAI(api_key='sk-xxx')
# 聊天消息上下文
messages=[{
"role": "user",
"content": "请问现在天气怎么样？",
}]
# 天气插件
weather_tool = {
"type": "function",
"function": {
"name": "get_city_weather",
"description": "获取某个城市的天气",
"parameters": {
"type": "object",
"properties": {
"city": {
"type": "string",
"description": "城市名称",
},
},
"required": ["city"],
},
}
}
# 发起聊天请求
response = client.chat.completions.create(
messages=messages,
model='gpt-3.5-turbo-1106',
stream=False,
# 插件相关
tool_choice="auto",
tools=[weather_tool]
)在上面这段代码中，我们首先声明了一个OpenAI客户端，没有API Key的同学可以看文章最后。
然后我们创建了一个很普通的聊天会话，就是以普通用户的身份询问GPT今天的天气情况。
然后我们定义了一个天气插件，其实就是一个Json对象。
- type：目前只能传 fucntion，也就是说目前插件就是外置函数。
- function：函数的定义。
- name：函数的名称，这里就是我们上边定义的 get_city_weather。
- description：函数的描述，GPT将使用这个描述来决定什么时候以及如何调用函数。
- parameters：函数的参数。
- type：固定object
- properties：定义函数的各个参数，每个参数包含两个属性：type和description，description也很重要，让GPT模型知道怎么来提供这个参数。
- required：数组，定义必填的参数。
最后我们向GPT发起本次聊天请求，其中增加了关于插件的两个参数：
- tool_choice：开启插件，固定值 auto，设置为none则不使用插件。
- tools：插件列表，包含我们上边定义的 weather_tool 插件。
处理插件命中
如果GPT大模型命中了插件，它会在返回值中携带一些信息。根据这些信息，我们可以知道要调用哪个插件的函数，然后再把函数的执行结果附加到消息上下文中，再请求GPT大模型，GPT大模型会使用函数返回值组织文本内容，最终返回给用户。
相关代码如下：
response_message = response.choices[0].message
if response_message.tool_calls is not None:
tool_call = response_message.tool_calls[0]
messages.append(response_message)
messages.append({
"role": "tool",
"content": get_city_weather(tool_call.function.arguments),
"tool_call_id": tool_call.id
})
response = client.chat.completions.create(
messages=messages,
model='gpt-3.5-turbo-1106',
stream=False,
tool_choice="auto",
tools=[weather_tool]
)
print(response_message.choices[0].message.content)判断是否命中插件使用的是 response_message.tool_calls is not None，也就是返回值中的 tool_calls 不为空，因为这里只有一个插件，所以我们没有做进一步的判断；如果有多个插件，可以遍历tool_calls，根据插件关联函数的 name，选择执行不同的方法。
注意这里我们把本次响应的消息又追加到了上下文中：messages.append(response_message)。
然后我们又追加了插件生成的消息，就是下面这段：
messages.append({
"role": "tool",
"content": get_city_weather(tool_call.function.arguments),
"tool_call_id": tool_call.id
})介绍下这几个字段：
- role：指定这个消息来自插件。
- content：指定消息的内容。get_city_weather 就是我们上边定义的插件方法，而它的参数 tool_call.function.arguments 则是大模型生成的 ，这个方法会在在本地执行，并生成一段天气信息描述。
- tool_call_id：这段消息关联的插件id，需要让大模型了解这个数据关系。
然后我们又通过 client.chat.completions.create 向GPT大模型发起请求 ，并拿到最终的返回结果。
完整的代码示例
因为上文中两次请求GPT大模型的方法都是一样的，所以我们这里把它抽象为一个方法。
另外为了充分展现插件的使用方法，这里会向GPT询问三个城市的天气信息，通过循环发起。
from openai import OpenAI
import json
import requests
import time
# 获取天气的方法
def get_city_weather(param):
city = json.loads(param)["city"]
params = {
"key": "这里换成你的天气产品私钥",
"location": city,
"language": "zh-Hans",
"unit": "c",
}
url = "https://api.seniverse.com/v3/weather/now.json"
r = requests.get(url, params=params)
data = r.json()["results"]
#print(json.dumps(data))
address = data[0]["location"]['path']
temperature = data[0]['now']["temperature"]
text = data[0]['now']["text"]
return address+"，当前天气："+text+"，温度："+temperature+ "℃"
# 天气插件的定义
weather_tool = {
"type": "function",
"function": {
"name": "get_city_weather",
"description": "获取某个城市的天气",
"parameters": {
"type": "object",
"properties": {
"city": {
"type": "string",
"description": "城市名称",
},
},
"required": ["city"],
},
}
}
# 创建OpenAI客户端，获取API Key请看文章最后
client = OpenAI(api_key='sk-xxx')
# 定义请求GPT的通用方法
def create_completion():
return client.chat.completions.create(
messages=messages,
model='gpt-3.5-turbo-1106',
stream=False,
tool_choice="auto",
tools=[weather_tool]
)
# 我的三个问题
questions = ["请问现在天气怎么样？","请问上海天气怎么样？","请问广州天气怎么样？"]
# 聊天上下文，初始为空
messages=[]
print("---GPT天气插件演示--- ")
# 遍历询问我的问题
for question in questions:
# 将问题添加到上下文中
messages.append({
"role": "user",
"content": question,
})
print("路人甲: ",question)
# 请求GPT，并拿到响应
response_message = create_completion().choices[0].message
# 把响应添加到聊天上下文中
messages.append(response_message)
#print(response_message)
# 根据插件命中情况，执行插件逻辑
if response_message.tool_calls is not None:
tool_call = response_message.tool_calls[0]
#print("tool_call: ",tool_call.id)
# 追加插件生成的天气内容到聊天上下文
weather_info = get_city_weather(tool_call.function.arguments)
#print(weather_info)
messages.append({
"role": "tool",
"content": weather_info,
"tool_call_id": tool_call.id
})
# 再次发起聊天
second_chat_completion = create_completion()
gpt_output = second_chat_completion.choices[0].message.content
# 打印GPT合成的天气内容
print("GPT: ",gpt_output)
time.sleep(0.2)
# 将GPT的回答也追加到上下文中
messages.append({
"role": "assistant",
"content": gpt_output,
})以上就是本文的主要内容，有没有感受到插件的强大能力！
后续我还会继续分享图片、语音、文档助手等API的使用方法。
如需GPT账号、学习陪伴群、AI编程训练营，推荐关注小册：大模型应用开发 | API 实操
关注萤火架构，加速技术提升！