本文接上期：15.1_OpenAI 库 —— 全方位使用指南
继续：
八、文字转语音（TTS）
8.1 基本用法
from openai import OpenAI client = OpenAI() # 把文字变成语音 response = client.audio.speech.create( model="tts-1", # tts-1（快）或 tts-1-hd（音质更好） voice="alloy", # 音色：alloy/echo/fable/onyx/nova/shimmer input="你好，欢迎使用语音合成功能。今天天气真不错！", speed=1.0, # 语速：0.25~4.0（1.0为正常） ) # 保存为音频文件 response.stream_to_file("output.mp3") print("语音已保存为 output.mp3")8.2 不同音色对比
from openai import OpenAI client = OpenAI() text = "欢迎来到Python编程课堂，今天我们来学习函数。" # 6种音色 voices = ["alloy", "echo", "fable", "onyx", "nova", "shimmer"] for voice in voices: response = client.audio.speech.create( model="tts-1", voice=voice, input=text, ) filename = f"voice_{voice}.mp3" response.stream_to_file(filename) print(f"✅ {voice} → {filename}")九、函数调用（Function Calling / Tools）⭐ 高级功能
9.1 什么是函数调用？
# 问题：AI 只能生成文字，不能真的执行操作 # 比如你问"北京今天天气怎么样？"，AI 不知道实时天气 # 解决：函数调用（Function Calling） # 1. 你告诉 AI："你可以调用这些函数" # 2. AI 判断需要调用哪个函数、传什么参数 # 3. 你的代码执行这个函数，拿到真实结果 # 4. 把结果告诉 AI # 5. AI 用自然语言总结给你 # 流程： # 用户问天气 → AI说"调用get_weather(city='北京')" # → 你的代码真的调用天气API → 把结果给AI # → AI说"北京今天晴，25度，适合出行"9.2 完整示例：天气查询
from openai import OpenAI import json client = OpenAI() # ============ 第1步：定义你的函数 ============ def get_weather(city: str) -> str: """模拟获取天气（实际项目中调用真实天气API）""" # 模拟数据 weather_data = { "北京": {"temp": 28, "condition": "晴", "humidity": 45}, "上海": {"temp": 31, "condition": "多云", "humidity": 70}, "广州": {"temp": 33, "condition": "雷阵雨", "humidity": 85}, } data = weather_data.get(city, {"temp": 25, "condition": "未知", "humidity": 50}) return json.dumps(data, ensure_ascii=False) # ============ 第2步：描述函数给 AI 听 ============ tools = [ { "type": "function", "function": { "name": "get_weather", # 函数名 "description": "获取指定城市的当前天气信息", # 功能描述 "parameters": { # 参数描述（JSON Schema格式） "type": "object", "properties": { "city": { "type": "string", "description": "城市名称，如'北京'、'上海'" } }, "required": ["city"] } } } ] # ============ 第3步：第一次调用（AI 决定要调用什么函数） ============ messages = [ {"role": "user", "content": "北京今天天气怎么样？"} ] response = client.chat.completions.create( model="gpt-3.5-turbo", messages=messages, tools=tools, # 告诉AI有哪些工具可用 tool_choice="auto", # 让AI自己决定是否调用 ) message = response.choices[0].message # ============ 第4步：检查 AI 是否要调用函数 ============ if message.tool_calls: # AI 决定调用函数！ tool_call = message.tool_calls[0] function_name = tool_call.function.name # "get_weather" function_args = json.loads(tool_call.function.arguments) # {"city": "北京"} print(f"AI 要调用：{function_name}") print(f"参数：{function_args}") # ============ 第5步：你的代码真正执行这个函数 ============ result = get_weather(**function_args) # 调用真实函数 print(f"函数返回：{result}") # ============ 第6步：把函数结果告诉 AI ============ messages.append(message) # 加入 AI 的 tool_call 消息 messages.append({ "role": "tool", "tool_call_id": tool_call.id, "content": result, # 函数执行结果 }) # ============ 第7步：第二次调用（AI 用自然语言总结） ============ final_response = client.chat.completions.create( model="gpt-3.5-turbo", messages=messages, tools=tools, ) print(f"\nAI 最终回复：{final_response.choices[0].message.content}") # "北京今天天气晴朗，气温28°C，湿度45%，非常适合户外活动！" else: # AI 直接回答了（不需要调用函数） print(message.content)9.3 多函数调用
from openai import OpenAI import json client = OpenAI() # 定义多个函数 def get_weather(city): return json.dumps({"city": city, "temp": 26, "condition": "晴"}) def search_flights(from_city, to_city, date): return json.dumps({"flights": [ {"flight": "CA1234", "time": "08:30", "price": 680}, {"flight": "MU5678", "time": "14:00", "price": 520}, ]}) def book_hotel(city, check_in, nights): return json.dumps({"hotel": "如家精选", "price": 299, "rating": 4.5}) # 描述所有函数 tools = [ { "type": "function", "function": { "name": "get_weather", "description": "获取城市天气", "parameters": { "type": "object", "properties": {"city": {"type": "string"}}, "required": ["city"] } } }, { "type": "function", "function": { "name": "search_flights", "description": "搜索两个城市之间的航班", "parameters": { "type": "object", "properties": { "from_city": {"type": "string"}, "to_city": {"type": "string"}, "date": {"type": "string"} }, "required": ["from_city", "to_city", "date"] } } }, { "type": "function", "function": { "name": "book_hotel", "description": "预订酒店", "parameters": { "type": "object", "properties": { "city": {"type": "string"}, "check_in": {"type": "string"}, "nights": {"type": "integer"} }, "required": ["city", "check_in", "nights"] } } }, ] # 用户问题可能触发多个函数 messages = [{"role": "user", "content": "我下周三想从北京飞上海，帮我看看天气和航班"}] response = client.chat.completions.create( model="gpt-4", messages=messages, tools=tools, ) # AI 可能一次返回多个 tool_calls for tool_call in response.choices[0].message.tool_calls: print(f"调用：{tool_call.function.name}") print(f"参数：{tool_call.function.arguments}")十、微调（Fine-tuning）
10.1 什么是微调？通俗解释
# 比喻： # 基础模型 = 一个什么都懂一点的"通才大学生" # 微调后 = 一个在你公司实习了3个月的"专属助理" # 什么时候需要微调？ # ✅ 需要特定格式输出（如特定JSON结构） # ✅ 需要特定风格（如模仿某位作家） # ✅ 需要领域知识（如法律、医疗术语） # ✅ 想减少 prompt 长度（降低成本） # 什么时候不需要？ # ❌ 简单的问答、翻译、摘要（通用模型就够了） # ❌ 数据量太少（至少需要几十条高质量数据）10.2 准备训练数据
import json # 训练数据格式：JSONL（每行一个JSON） # 每行包含一组 messages（和 Chat 格式一样） training_data = [ { "messages": [ {"role": "system", "content": "你是一个电商客服，态度友好，回答简短。"}, {"role": "user", "content": "我的快递到哪了？"}, {"role": "assistant", "content": "亲，请提供您的订单号，我帮您查一下物流信息~"} ] }, { "messages": [ {"role": "system", "content": "你是一个电商客服，态度友好，回答简短。"}, {"role": "user", "content": "这个衣服能退货吗？"}, {"role": "assistant", "content": "亲，收到货7天内支持无理由退货哦，在订单页面点击'申请退货'就行~"} ] }, { "messages": [ {"role": "system", "content": "你是一个电商客服，态度友好，回答简短。"}, {"role": "user", "content": "你们有优惠券吗？"}, {"role": "assistant", "content": "亲，目前店铺有满200减30的优惠券，在首页可以领取哦~"} ] }, # ... 至少需要 50~100 条高质量数据 ] # 写入 JSONL 文件 with open("training_data.jsonl", "w", encoding="utf-8") as f: for item in training_data: f.write(json.dumps(item, ensure_ascii=False) + "\n") print(f"已生成训练文件，共 {len(training_data)} 条数据")10.3 上传文件并创建微调任务
from openai import OpenAI import time client = OpenAI() # ============ 第1步：上传训练文件 ============ file = client.files.create( file=open("training_data.jsonl", "rb"), purpose="fine-tune" # 指定用途为微调 ) print(f"文件上传成功！ID：{file.id}") # 例如：file-abc123xyz # ============ 第2步：创建微调任务 ============ job = client.fine_tuning.jobs.create( training_file=file.id, model="gpt-3.5-turbo", # 基于哪个模型微调 # hyperparameters={ # 可选：超参数 # "n_epochs": 3, # 训练轮数 # } ) print(f"微调任务已创建！ID：{job.id}") print(f"状态：{job.status}") # validating_files # ============ 第3步：等待训练完成 ============ while True: job = client.fine_tuning.jobs.retrieve(job.id) print(f"状态：{job.status}") if job.status == "succeeded": print(f"🎉 训练完成！新模型：{job.fine_tuned_model}") break elif job.status == "failed": print(f"❌ 训练失败：{job.error}") break time.sleep(30) # 每30秒检查一次 # ============ 第4步：使用微调后的模型 ============ # 假设新模型名为：ft:gpt-3.5-turbo:my-org::abc123 response = client.chat.completions.create( model=job.fine_tuned_model, # 使用微调后的模型 messages=[ {"role": "system", "content": "你是一个电商客服，态度友好，回答简短。"}, {"role": "user", "content": "发票怎么开？"} ] ) print(response.choices[0].message.content) # 会用你训练的风格回答十一、助手（Assistants）API
11.1 什么是 Assistants？
# Chat Completions：每次调用都是独立的，你自己管理对话历史 # Assistants：OpenAI 帮你管理一切，你只需要"对话" # Assistants 的超能力： # 1. 持久记忆：对话存在 Thread 里，不会丢 # 2. 代码解释器：AI 可以真的运行 Python 代码！ # 3. 文件检索：上传文件，AI 可以从中找答案 # 4. 函数调用：AI 可以调用你定义的函数 # 5. 多步推理：AI 可以连续调用多个工具 # 适用场景： # - 客服机器人（需要记住用户历史） # - 数据分析助手（需要运行代码） # - 文档问答（需要检索文件）11.2 完整示例：带代码解释器的数学助手
from openai import OpenAI import time client = OpenAI() # ============ 第1步：创建助手 ============ assistant = client.beta.assistants.create( name="数学分析助手", instructions="""你是一个数学分析助手。 你可以使用代码解释器来进行计算。 回答要清晰，展示计算过程。""", model="gpt-4", tools=[{"type": "code_interpreter"}] # 赋予运行代码的能力 ) print(f"助手已创建：{assistant.id}") # ============ 第2步：创建对话线程 ============ thread = client.beta.threads.create() print(f"线程已创建：{thread.id}") # ============ 第3步：发送用户消息 ============ message = client.beta.threads.messages.create( thread_id=thread.id, role="user", content="计算 1 到 100 的质数之和" ) print(f"消息已发送：{message.id}") # ============ 第4步：运行助手 ============ run = client.beta.threads.runs.create( thread_id=thread.id, assistant_id=assistant.id, ) print(f"运行已开始：{run.id}") # ============ 第5步：等待完成 ============ while run.status in ("queued", "in_progress", "cancelling"): time.sleep(1) run = client.beta.threads.runs.retrieve( thread_id=thread.id, run_id=run.id ) print(f" 状态：{run.status}") if run.status == "completed": # ============ 第6步：获取回复 ============ messages = client.beta.threads.messages.list( thread_id=thread.id, order="desc" # 最新的在前 ) # 第一条是最新的 AI 回复 ai_message = messages.data[0] for content_block in ai_message.content: if content_block.type == "text": print(f"\nAI 回复：\n{content_block.text.value}") elif run.status == "failed": print(f"❌ 运行失败：{run.last_error}") # ============ 第7步：继续对话（同一个线程） ============ client.beta.threads.messages.create( thread_id=thread.id, role="user", content="那1到1000的呢？" # AI 记得之前的上下文！ ) # 再次运行...（重复第4~6步）11.3 上传文件给助手
from openai import OpenAI client = OpenAI() # 上传文件 file = client.files.create( file=open("company_report.pdf", "rb"), purpose="assistants" # 注意：purpose 是 "assistants" ) # 创建带文件检索能力的助手 assistant = client.beta.assistants.create( name="报告分析助手", instructions="根据上传的文件回答用户问题。", model="gpt-4", tools=[{"type": "file_search"}], # 文件检索工具 tool_resources={ "file_search": { "vector_store_ids": [] # 或创建向量存储 } } )十二、错误处理
12.1 常见错误类型
from openai import ( OpenAI, APIError, # 通用 API 错误 APIConnectionError, # 网络连接错误 APITimeoutError, # 请求超时 RateLimitError, # 请求频率超限（429） AuthenticationError, # 密钥无效（401） PermissionDeniedError, # 权限不足（403） NotFoundError, # 资源不存在（404） BadRequestError, # 请求参数错误（400） ) client = OpenAI()12.2 完整的错误处理模板
from openai import OpenAI, APIError, RateLimitError, APITimeoutError import time client = OpenAI(timeout=60.0, max_retries=2) def safe_chat(user_message, system_prompt="你是一个有帮助的助手。"): """带完整错误处理的对话函数""" try: response = client.chat.completions.create( model="gpt-3.5-turbo", messages=[ {"role": "system", "content": system_prompt}, {"role": "user", "content": user_message}, ], temperature=0.7, max_tokens=1000, ) return response.choices[0].message.content except AuthenticationError: print("❌ API Key 无效，请检查密钥") return None except RateLimitError: print("⚠️ 请求太频繁，等待后重试...") time.sleep(60) return safe_chat(user_message, system_prompt) # 递归重试 except APITimeoutError: print("⚠️ 请求超时，请重试") return None except APIError as e: print(f"❌ API 错误：{e.status_code} - {e.message}") return None except Exception as e: print(f"❌ 未知错误：{e}") return None # 使用 result = safe_chat("你好，介绍一下Python") if result: print(result)12.3 带指数退避的重试
import time from openai import OpenAI, APIError, RateLimitError client = OpenAI() def chat_with_retry(messages, max_retries=5): """指数退避重试""" for attempt in range(max_retries): try: response = client.chat.completions.create( model="gpt-3.5-turbo", messages=messages, ) return response.choices[0].message.content except RateLimitError: wait_time = 2 ** attempt # 1s, 2s, 4s, 8s, 16s print(f"限流，{wait_time}秒后重试（第{attempt+1}次）") time.sleep(wait_time) except APIError as e: if e.status_code >= 500: # 服务器错误，可以重试 wait_time = 2 ** attempt print(f"服务器错误，{wait_time}秒后重试") time.sleep(wait_time) else: # 客户端错误（4xx），重试也没用 raise raise Exception("超过最大重试次数")十三、实战案例
13.1 智能翻译工具
from openai import OpenAI client = OpenAI() def translate(text, target_lang="英文"): """智能翻译""" response = client.chat.completions.create( model="gpt-3.5-turbo", messages=[ { "role": "system", "content": f"你是专业翻译。将用户输入翻译成{target_lang}。只输出翻译结果。" }, {"role": "user", "content": text} ], temperature=0.3, ) return response.choices[0].message.content # 测试 print(translate("今天天气真好，适合出去走走")) # "The weather is really nice today, perfect for a walk." print(translate("机器学习", target_lang="日文")) # "機械学習"13.2 代码审查助手
from openai import OpenAI client = OpenAI() def review_code(code): """AI 代码审查""" response = client.chat.completions.create( model="gpt-4", messages=[ { "role": "system", "content": """你是资深代码审查员。请审查以下代码： 1. 找出 bug 和潜在问题 2. 提出性能优化建议 3. 检查代码风格 4. 给出改进后的代码 用中文回答。""" }, {"role": "user", "content": f"请审查以下代码：\n```python\n{code}\n```"} ], temperature=0.2, ) return response.choices[0].message.content # 测试 code_to_review = """ def find_max(lst): max = lst[0] for i in range(len(lst)): if lst[i] > max: max = lst[i] return max """ print(review_code(code_to_review)) # AI 会指出： # 1. 变量名 max 覆盖了内置函数 # 2. 没有处理空列表 # 3. 可以用 for item in lst 替代 range(len(lst)) # 4. 可以直接用内置 max() 函数13.3 文章摘要生成器
from openai import OpenAI client = OpenAI() def summarize(text, style="简洁", max_words=100): """生成文章摘要""" style_prompts = { "简洁": "用最少的话概括核心内容", "详细": "保留关键细节和论据", "bullet": "用要点列表形式", "小学生": "用小学生能懂的语言", } response = client.chat.completions.create( model="gpt-3.5-turbo", messages=[ { "role": "system", "content": f"你是摘要专家。{style_prompts.get(style, style)}。不超过{max_words}字。" }, {"role": "user", "content": f"请为以下文章写摘要：\n\n{text}"} ], temperature=0.3, ) return response.choices[0].message.content article = """ （这里放一篇长文章...） """ print(summarize(article, style="bullet"))13.4 RAG 问答系统（检索增强生成）
from openai import OpenAI import numpy as np client = OpenAI() class SimpleRAG: """简易 RAG 系统：先检索相关文档，再让 AI 回答""" def __init__(self, documents): self.documents = documents self.embeddings = self._build_index() def _build_index(self): """构建文档向量索引""" print("正在构建索引...") response = client.embeddings.create( model="text-embedding-3-small", input=self.documents ) return [np.array(item.embedding) for item in response.data] def _search(self, query, top_k=3): """语义搜索最相关的文档""" query_resp = client.embeddings.create( model="text-embedding-3-small", input=query ) query_emb = np.array(query_resp.data[0].embedding) # 计算相似度 scores = [] for i, doc_emb in enumerate(self.embeddings): sim = np.dot(query_emb, doc_emb) / ( np.linalg.norm(query_emb) * np.linalg.norm(doc_emb) ) scores.append((sim, i)) scores.sort(reverse=True) return [self.documents[idx] for _, idx in scores[:top_k]] def ask(self, question): """提问""" # 1. 检索相关文档 relevant_docs = self._search(question) context = "\n\n".join(relevant_docs) # 2. 让 AI 基于文档回答 response = client.chat.completions.create( model="gpt-3.5-turbo", messages=[ { "role": "system", "content": "根据提供的参考资料回答问题。如果资料中没有答案，说'我不确定'。" }, { "role": "user", "content": f"参考资料：\n{context}\n\n问题：{question}" } ], temperature=0.2, ) return response.choices[0].message.content # 使用 knowledge_base = [ "Python 3.12 于2023年10月发布，引入了更好的错误提示。", "Flask 是一个轻量级 Python Web 框架，适合小型项目。", "Django 是一个全功能 Python Web 框架，自带ORM和Admin。", "FastAPI 是现代高性能 Python Web 框架，支持异步。", "Python 的 GIL 限制了多线程的CPU并行性能。", ] rag = SimpleRAG(knowledge_base) answer = rag.ask("哪个Python Web框架性能最好？") print(answer) # "根据资料，FastAPI 是现代高性能 Python Web 框架，支持异步..."13.5 批量处理
from openai import OpenAI import time client = OpenAI() def batch_process(items, prompt_template, delay=0.5): """批量调用 API（带限速保护）""" results = [] for i, item in enumerate(items, 1): print(f"处理 {i}/{len(items)}：{item[:30]}...") try: response = client.chat.completions.create( model="gpt-3.5-turbo", messages=[ {"role": "user", "content": prompt_template.format(item=item)} ], temperature=0.3, ) results.append(response.choices[0].message.content) except Exception as e: print(f" ❌ 失败：{e}") results.append(None) time.sleep(delay) # 限速：每次请求间隔0.5秒 return results # 例子：批量生成商品描述 products = ["无线蓝牙耳机", "机械键盘", "便携充电宝", "智能手环"] template = "为以下商品写一句吸引人的广告语（不超过20字）：{item}" slogans = batch_process(products, template) for product, slogan in zip(products, slogans): print(f" {product}：{slogan}")十四、费用与 Token 计算
14.1 价格参考（2024年）
┌────────────────────┬──────────────┬──────────────┐ │ 模型 │ 输入价格 │ 输出价格 │ │ │ (每百万token) │ (每百万token) │ ├────────────────────┼──────────────┼──────────────┤ │ gpt-4o │ $2.50 │ $10.00 │ │ gpt-4o-mini │ $0.15 │ $0.60 │ │ gpt-4-turbo │ $10.00 │ $30.00 │ │ gpt-3.5-turbo │ $0.50 │ $1.50 │ │ dall-e-3 (1024²) │ - │ $0.04/张 │ │ whisper-1 │ $0.006/分钟 │ - │ │ tts-1 │ $15/百万字符 │ - │ └────────────────────┴──────────────┴──────────────┘ （价格可能变动，以官网为准）14.2 估算 Token 数
import tiktoken # OpenAI 官方 tokenizer 库 # pip install tiktoken def count_tokens(text, model="gpt-3.5-turbo"): """计算文本的 token 数""" encoding = tiktoken.encoding_for_model(model) tokens = encoding.encode(text) return len(tokens) # 测试 print(count_tokens("Hello world")) # 2 print(count_tokens("你好，世界")) # 5 print(count_tokens("Python是一种编程语言")) # 约 8 # 估算费用 text = "写一篇关于人工智能的500字文章" input_tokens = count_tokens(text) output_tokens = 700 # 假设输出约700 token cost = (input_tokens * 0.5 + output_tokens * 1.5) / 1_000_000 print(f"预估费用：${cost:.6f}") # 约 $0.001十五、最佳实践总结
15.1 代码规范
# ✅ 好的实践 # 1. 使用环境变量管理密钥 import os client = OpenAI(api_key=os.getenv("OPENAI_API_KEY")) # 2. 设置超时和重试 client = OpenAI(timeout=60.0, max_retries=3) # 3. 限制 max_tokens 防止失控 response = client.chat.completions.create( model="gpt-3.5-turbo", messages=[...], max_tokens=2000, ) # 4. 检查 finish_reason if response.choices[0].finish_reason == "length": print("⚠️ 输出被截断了，考虑增加 max_tokens") # 5. 用 try/except 包裹所有 API 调用 # 6. 批量操作加延时（避免触发限流） # 7. 日志记录每次调用的 token 用量（监控成本）15.2 安全注意事项
# ❌ 绝对不要： # 1. 把 API Key 写在代码里提交到 Git # 2. 把用户输入直接拼进 system prompt（Prompt 注入攻击） # 3. 在前端代码中暴露 API Key # ✅ 应该： # 1. 用环境变量或密钥管理服务 # 2. 对用户输入做过滤和转义 # 3. API Key 只放在后端服务器 # 4. 设置用量上限（在 OpenAI 后台设置）15.3 Prompt 工程技巧
# 1. 明确角色 "你是一位有10年经验的Python架构师" # 2. 给出具体指令（不要模糊） # ❌ "帮我写代码" # ✅ "用Python写一个函数，输入是列表，输出是去重后的排序列表，要求时间复杂度O(nlogn)" # 3. 给出示例（Few-shot） "示例：输入[3,1,2] → 输出[1,2,3]。现在请处理[5,2,8,1]" # 4. 指定输出格式 "请以JSON格式输出，包含name、age、city三个字段" # 5. 分步骤思考 "请一步步思考：先分析问题，再设计方案，最后写代码" # 6. 设定约束 "回答不超过100字"、"不要使用任何外部库"、"用中文回答"十六、API 方法速查表
┌─────────────────────────────────────────────────────────────────┐ │ openai 库核心方法速查 │ ├─────────────────────────────────────────────────────────────────┤ │ │ │ 📝 文本生成 │ │ client.chat.completions.create(model, messages, ...) │ │ │ │ 🖼️ 图像生成 │ │ client.images.generate(model, prompt, size, ...) │ │ client.images.edit(model, image, mask, prompt, ...) │ │ client.images.create_variation(model, image, n, ...) │ │ │ │ 🔢 嵌入向量 │ │ client.embeddings.create(model, input) │ │ │ │ 🎤 语音转文字 │ │ client.audio.transcriptions.create(model, file, ...) │ │ client.audio.translations.create(model, file) │ │ │ │ 🔊 文字转语音 │ │ client.audio.speech.create(model, voice, input, ...) │ │ │ │ 📁 文件管理 │ │ client.files.create(file, purpose) │ │ client.files.list() │ │ client.files.delete(file_id) │ │ │ │ 🎯 微调 │ │ client.fine_tuning.jobs.create(training_file, model) │ │ client.fine_tuning.jobs.retrieve(job_id) │ │ client.fine_tuning.jobs.list() │ │ │ │ 🤖 助手（Assistants） │ │ client.beta.assistants.create(name, instructions, model, tools)│ │ client.beta.threads.create() │ │ client.beta.threads.messages.create(thread_id, role, content) │ │ client.beta.threads.runs.create(thread_id, assistant_id) │ │ client.beta.threads.messages.list(thread_id) │ │ │ │ 📊 模型列表 │ │ client.models.list() │ │ │ └─────────────────────────────────────────────────────────────────┘十七、学习路径建议
第1天：安装 + 配置 + 第一次对话（chat.completions） 第2天：理解 messages 结构 + system/user/assistant 第3天：多轮对话 + 流式输出 第4天：temperature / max_tokens / 参数调优 第5天：图像生成（DALL·E） 第6天：嵌入 + 语义搜索 第7天：语音转文字 + 文字转语音 第8天：函数调用（Function Calling） 第9天：错误处理 + 重试 + 成本控制 第10天：实战项目（聊天机器人/RAG/翻译工具） 第11天：微调（Fine-tuning） 第12天：助手（Assistants）API十八、一句话总结
openai 库 = 通往 AI 世界的万能钥匙
记住核心调用模式：
from openai import OpenAI client = OpenAI() response = client.功能模块.方法.create(参数...) result = response.提取结果五大核心功能：
- 聊天→
client.chat.completions.create()- 画图→
client.images.generate()- 向量化→
client.embeddings.create()- 语音转文字→
client.audio.transcriptions.create()- 文字转语音→
client.audio.speech.create()三条铁律：
- 🔑 密钥放环境变量，绝不硬编码
- ⏱️ 永远设置 timeout，永远 try/except
- 💰 关注 token 消耗，控制成本
