┌─────────────────────────────────────────────────────────────────────┐│                                                                     ││  没有 openai 库（直接写 HTTP 请求）：                                 ││  → 相当于你自己造一辆车去目的地                                        ││  → 要自己组装引擎、轮子、方向盘（写 URL、Header、Body）                 ││  → 还要自己处理抛锚（错误处理）、加油（Token 管理）                     ││                                                                     ││  有 openai 库：                                                     ││  → 相当于你打了一辆出租车                                             ││  → 你只需要说"去哪里"（传参数）                                       ││  → 司机（库）帮你处理一切驾驶细节                                      ││                                                                     ││  你的 Python 程序                                                    ││       │                                                             ││       │  client.chat.completions.create(...)                        ││       ▼                                                             ││  openai 库（帮你组装请求、发送、接收、解析）                           ││       │                                                             ││       │  HTTPS POST → api.openai.com                                ││       ▼                                                             ││  OpenAI 服务器（运行 GPT/DALL-E/Whisper 模型）                        ││       │                                                             ││       │  返回 JSON 响应                                              ││       ▼                                                             ││  openai 库（帮你解析 JSON → Python 对象）                             ││       │                                                             ││       ▼                                                             ││  你拿到结果：response.choices[0].message.content                     ││                                                                     │└─────────────────────────────────────────────────────────────────────┘

# ============ 方式1：直接用 requests（麻烦） ============import requestsimport jsonurl = "https://api.openai.com/v1/chat/completions"headers = {    "Authorization": "Bearer sk-你的密钥",    "Content-Type": "application/json",}body = {    "model": "gpt-3.5-turbo",    "messages": [{"role": "user", "content": "你好"}],    "temperature": 0.7,}response = requests.post(url, headers=headers, json=body, timeout=60)if response.status_code == 200:    data = response.json()    reply = data["choices"][0]["message"]["content"]    print(reply)elif response.status_code == 429:    print("请求太频繁，请稍后重试")elif response.status_code == 401:    print("密钥无效")elif response.status_code == 500:    print("服务器错误")# ... 还要处理流式、重试、超时等各种情况# ============ 方式2：用 openai 库（简洁） ============from openai import OpenAIclient = OpenAI()response = client.chat.completions.create(    model="gpt-3.5-turbo",    messages=[{"role": "user", "content": "你好"}],)print(response.choices[0].message.content)# 对比：# - 不需要手动拼 URL# - 不需要手动设置 Header# - 不需要手动解析 JSON# - 不需要手动处理各种 HTTP 状态码# - 自带类型提示（IDE 自动补全）# - 自带重试机制

# 基础安装pip install openai# 验证安装python -c "import openai; print(openai.__version__)"# 输出：1.35.x（确保是 1.x 版本！）# ⚠️ 注意：openai 库在 2023 年底发布了 v1.0 大版本更新# 旧版语法（openai.ChatCompletion.create）已废弃# 新版语法（client.chat.completions.create）是当前标准# 如果你跟着旧教程学，代码会报错！

步骤：1. 访问 https://platform.openai.com2. 注册/登录账号3. 点击左侧菜单 "API Keys"4. 点击 "Create new secret key"5. 复制生成的密钥（格式：sk-proj-xxxxxxxx）6. ⚠️ 只显示一次！务必保存好！

# ============ 方式1：环境变量（最推荐！） ============# 在终端设置（Linux/macOS）：# export OPENAI_API_KEY="sk-proj-你的密钥"# 在终端设置（Windows CMD）：# set OPENAI_API_KEY=sk-proj-你的密钥# 在终端设置（Windows PowerShell）：# $env:OPENAI_API_KEY="sk-proj-你的密钥"# Python 代码中直接创建 client（自动读取环境变量）from openai import OpenAIclient = OpenAI()  # 自动从 OPENAI_API_KEY 环境变量读取# ============ 方式2：直接传入（仅测试用！） ============from openai import OpenAIclient = OpenAI(api_key="sk-proj-你的密钥")# ⚠️ 绝对不要把密钥提交到 Git！# ============ 方式3：用 .env 文件（项目推荐） ============# 1. 安装：pip install python-dotenv# 2. 在项目根目录创建 .env 文件：#    OPENAI_API_KEY=sk-proj-你的密钥# 3. 在 .gitignore 中添加 .env（防止提交到 Git）# 4. Python 代码：from dotenv import load_dotenvimport osload_dotenv()  # 自动加载 .env 文件from openai import OpenAIclient = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))

from openai import OpenAI# Client 是所有 API 调用的入口client = OpenAI(    api_key="sk-proj-xxx",       # API 密钥    base_url="https://api.openai.com/v1",  # API 地址（默认值）    timeout=60.0,                # 请求超时（秒）    max_retries=2,               # 失败自动重试次数)# 如果你用的是代理/中转服务，修改 base_url：# client = OpenAI(#     api_key="sk-xxx",#     base_url="https://your-proxy.com/v1"# )# Client 对象包含所有功能模块：# client.chat          → 对话补全# client.images        → 图像生成# client.embeddings    → 文本嵌入# client.audio         → 语音处理# client.files         → 文件管理# client.fine_tuning   → 微调# client.beta          → 助手（Assistants）# client.models        → 模型列表

# Token 是 AI 处理文本的最小单位# 英文：大约 1 个单词 ≈ 1~1.5 个 token# 中文：大约 1 个汉字 ≈ 1.5~2 个 token# 标点、空格也算 token# 例子："Hello world"           → 约 2 个 token"你好，世界"            → 约 5 个 token"Python是一种编程语言"  → 约 10 个 token# Token 影响：# 1. 费用：按 input_tokens + output_tokens 计费# 2. 上下文窗口：模型一次能处理的最大 token 数#    - GPT-3.5-turbo：约 16K tokens#    - GPT-4：约 128K tokens#    - GPT-4o：约 128K tokens# 查看一次请求消耗了多少 token：response = client.chat.completions.create(    model="gpt-3.5-turbo",    messages=[{"role": "user", "content": "你好"}])print(response.usage)# CompletionUsage(prompt_tokens=9, completion_tokens=12, total_tokens=21)print(f"输入：{response.usage.prompt_tokens} tokens")print(f"输出：{response.usage.completion_tokens} tokens")print(f"总计：{response.usage.total_tokens} tokens")

# 查看可用模型列表from openai import OpenAIclient = OpenAI()models = client.models.list()for model in models.data:    print(model.id)# 常用模型对比：# ┌──────────────────┬──────────┬──────────┬──────────────────┐# │     模型名称      │   速度    │   智能    │     适用场景      │# ├──────────────────┼──────────┼──────────┼──────────────────┤# │ gpt-4o           │ 快       │ 最强     │ 复杂推理、多模态  │# │ gpt-4o-mini      │ 最快     │ 较强     │ 日常对话、轻量任务│# │ gpt-4-turbo      │ 中       │ 很强     │ 长文本、代码      │# │ gpt-3.5-turbo    │ 快       │ 一般     │ 简单任务、低成本  │# │ dall-e-3         │ 慢       │ -        │ 图像生成          │# │ whisper-1        │ 中       │ -        │ 语音转文字        │# │ tts-1            │ 快       │ -        │ 文字转语音        │# └──────────────────┴──────────┴──────────┴──────────────────┘

# temperature 控制输出的随机性/创造性# 范围：0.0 ~ 2.0# temperature = 0：# → 最确定性的输出，每次几乎一样# → 适合：事实问答、代码生成、数据提取# temperature = 0.7（默认）：# → 平衡创造力和准确性# → 适合：日常对话、写作# temperature = 1.0~2.0：# → 最随机、最有创意# → 适合：头脑风暴、诗歌、故事创作# 示例对比：from openai import OpenAIclient = OpenAI()prompt = "给一只猫取个名字"# 低温度 → 保守、常见response = client.chat.completions.create(    model="gpt-3.5-turbo",    messages=[{"role": "user", "content": prompt}],    temperature=0.1)print(f"低温(0.1)：{response.choices[0].message.content}")# 可能输出："小花"、"咪咪"（很常见）# 高温度 → 创意、独特response = client.chat.completions.create(    model="gpt-3.5-turbo",    messages=[{"role": "user", "content": prompt}],    temperature=1.5)print(f"高温(1.5)：{response.choices[0].message.content}")# 可能输出："量子毛球"、"薛定谔的喵酱"（很独特）

# max_tokens 限制模型最多生成多少个 token# 注意：这不是"必须生成这么多"，而是"最多生成这么多"response = client.chat.completions.create(    model="gpt-3.5-turbo",    messages=[{"role": "user", "content": "写一首关于春天的诗"}],    max_tokens=50  # 最多输出约25个汉字)# 模型可能在 50 token 内就写完了，也可能被截断

# messages 是一个列表，每个元素是一个字典# 必须包含 "role" 和 "content" 两个键messages = [    # system：设定 AI 的身份、规则、限制（可选但强烈推荐）    {        "role": "system",        "content": "你是一位资深Python程序员，回答简洁明了，代码必须有注释。"    },    # user：用户的输入    {        "role": "user",        "content": "如何读取CSV文件？"    },    # assistant：AI 之前的回复（多轮对话时需要）    {        "role": "assistant",        "content": "使用 pandas 库：\nimport pandas as pd\ndf = pd.read_csv('data.csv')"    },    # user：用户的新问题    {        "role": "user",        "content": "如果文件是GBK编码怎么办？"    },]

# ============ system（系统提示） ============# 作用：设定 AI 的"人设"和行为规则# 特点：优先级最高，AI 会优先遵守 system 的指令# 比喻：给演员的"角色说明书"{"role": "system", "content": "你是一个严厉但公正的数学老师"}{"role": "system", "content": "你只能用中文回答，每次回答不超过100字"}{"role": "system", "content": "你是JSON格式化助手，只输出JSON，不输出其他任何文字"}# ============ user（用户消息） ============# 作用：用户的提问、指令、输入# 比喻：观众对演员说的话{"role": "user", "content": "帮我写一个排序算法"}{"role": "user", "content": "把这段话翻译成英文：今天天气真好"}# ============ assistant（AI回复） ============# 作用：记录 AI 之前说过的话（提供上下文）# 比喻：演员之前说过的台词（让演员记住自己说了什么）{"role": "assistant", "content": "好的，这是冒泡排序的实现..."}

from openai import OpenAI# 第1步：创建客户端client = OpenAI()# 第2步：调用 APIresponse = client.chat.completions.create(    model="gpt-3.5-turbo",           # 使用哪个模型    messages=[                        # 对话内容        {"role": "user", "content": "1+1等于几？"}    ],)# 第3步：提取回复# response 的结构：# response# ├── .id                    → 请求唯一ID# ├── .model                 → 实际使用的模型# ├── .choices               → 回复列表（通常只有1个）# │   └── [0]# │       ├── .message       → 消息对象# │       │   ├── .role      → "assistant"# │       │   └── .content   → 回复文本 ⭐ 这是你要的！# │       ├── .finish_reason → 结束原因（stop/length）# │       └── .index         → 索引# ├── .usage                 → token 用量# │   ├── .prompt_tokens     → 输入 token 数# │   ├── .completion_tokens → 输出 token 数# │   └── .total_tokens      → 总 token 数# └── .created               → 时间戳reply = response.choices[0].message.contentprint(reply)  # "1+1等于2。"# 查看 token 消耗print(f"消耗 {response.usage.total_tokens} 个 token")

from openai import OpenAIclient = OpenAI()# 场景：让 AI 扮演一个翻译官response = client.chat.completions.create(    model="gpt-3.5-turbo",    messages=[        {            "role": "system",            "content": """你是一个专业的中英翻译官。规则：1. 如果用户输入中文，翻译成英文2. 如果用户输入英文，翻译成中文3. 只输出翻译结果，不要解释4. 保持原文的语气和风格"""        },        {            "role": "user",            "content": "今天的会议推迟到下午三点"        }    ],    temperature=0.3,  # 翻译需要准确，温度低一些)print(response.choices[0].message.content)# "Today's meeting has been postponed to 3 PM."

from openai import OpenAIclient = OpenAI()# 关键：把整个对话历史都传给 API# AI 本身没有记忆！每次调用都是独立的！# 所谓的"记忆"就是你把之前的对话都传进去# 第1轮对话messages = [    {"role": "system", "content": "你是一个友好的助手，回答简洁。"},    {"role": "user", "content": "我叫小明，我今年25岁。"}]response = client.chat.completions.create(    model="gpt-3.5-turbo",    messages=messages)ai_reply_1 = response.choices[0].message.contentprint(f"AI：{ai_reply_1}")# "你好小明！很高兴认识你。"# 把 AI 的回复加入历史messages.append({"role": "assistant", "content": ai_reply_1})# 第2轮对话messages.append({"role": "user", "content": "我叫什么名字？"})response = client.chat.completions.create(    model="gpt-3.5-turbo",    messages=messages  # 传完整历史！)ai_reply_2 = response.choices[0].message.contentprint(f"AI：{ai_reply_2}")# "你叫小明。"（因为历史里有这个信息）# 把 AI 的回复加入历史messages.append({"role": "assistant", "content": ai_reply_2})# 第3轮对话messages.append({"role": "user", "content": "我几岁？"})response = client.chat.completions.create(    model="gpt-3.5-turbo",    messages=messages)print(f"AI：{response.choices[0].message.content}")# "你今年25岁。"

from openai import OpenAIclient = OpenAI()def chat_loop():    """交互式聊天机器人"""    messages = [        {"role": "system", "content": "你是一个知识渊博且幽默的助手。"}    ]    print("🤖 AI 助手已就绪（输入 'quit' 退出）")    print("-" * 40)    while True:        # 获取用户输入        user_input = input("\n你：").strip()        if user_input.lower() in ("quit", "exit", "q"):            print("👋 再见！")            break        if not user_input:            continue        # 添加用户消息        messages.append({"role": "user", "content": user_input})        # 调用 API        response = client.chat.completions.create(            model="gpt-3.5-turbo",            messages=messages,            temperature=0.7,        )        # 提取回复        ai_reply = response.choices[0].message.content        print(f"\nAI：{ai_reply}")        # 添加 AI 回复到历史        messages.append({"role": "assistant", "content": ai_reply})        # ⚠️ 防止历史太长超出上下文窗口        # 简单策略：只保留最近 20 条消息 + system        if len(messages) > 21:            messages = [messages[0]] + messages[-20:]chat_loop()

from openai import OpenAIclient = OpenAI()# 普通调用：等 AI 全部生成完才返回（可能等很久）# 流式调用：AI 每生成几个字就立刻推送给你response = client.chat.completions.create(    model="gpt-3.5-turbo",    messages=[        {"role": "user", "content": "写一首关于秋天的短诗"}    ],    stream=True,  # ⭐ 开启流式)# response 现在是一个生成器（generator），逐块返回full_reply = ""print("AI：", end="")for chunk in response:    # 每个 chunk 包含一小段文本    # chunk.choices[0].delta.content 是当前这一小段    # 第一个 chunk 的 delta 可能包含 role    # 最后一个 chunk 的 delta.content 可能是 None    if chunk.choices[0].delta.content is not None:        text = chunk.choices[0].delta.content        print(text, end="", flush=True)  # 实时打印，不换行        full_reply += textprint()  # 最后换行print(f"\n完整回复：{full_reply}")

# 流式返回的 chunk 结构：# chunk# ├── .id# ├── .choices# │   └── [0]# │       ├── .delta          → 增量内容（不是完整内容！）# │       │   ├── .role       → 只在第一个 chunk 出现# │       │   └── .content    → 当前这一小段文字（可能是None）# │       ├── .finish_reason  → 只在最后一个 chunk 出现（"stop"）# │       └── .index# └── .created# 为什么需要 flush=True？# Python 的 print 默认有缓冲区# 如果不 flush，文字会攒够一批才显示# flush=True 强制立即输出到屏幕

from openai import OpenAIclient = OpenAI()# n=3：让模型生成3个不同的回复供你选择response = client.chat.completions.create(    model="gpt-3.5-turbo",    messages=[{"role": "user", "content": "给咖啡店取个名字"}],    n=3,              # 生成3个候选    temperature=1.0,  # 温度高一些，让3个结果差异更大)# 遍历所有候选回复for i, choice in enumerate(response.choices, 1):    print(f"方案{i}：{choice.message.content}")# 输出类似：# 方案1：晨曦咖啡# 方案2：豆语时光# 方案3：半日闲咖啡馆

from openai import OpenAIclient = OpenAI()# 当模型生成的文本中包含 stop 中的内容时，立即停止response = client.chat.completions.create(    model="gpt-3.5-turbo",    messages=[        {"role": "user", "content": "列出5种水果，每行一个"}    ],    stop=["\n4"],  # 遇到第4个就停（只要前3个）)print(response.choices[0].message.content)# 只会输出前3种水果# 常见用法：# stop=["\n"]      → 只生成一行# stop=["。"]      → 遇到句号就停# stop=["END"]     → 遇到自定义标记就停

response = client.chat.completions.create(    # ===== 必填参数 =====    model="gpt-3.5-turbo",          # 模型名称    messages=[...],                  # 消息列表    # ===== 可选参数 =====    temperature=0.7,                 # 随机性（0~2）    top_p=1.0,                       # 核采样（与temperature二选一调）    n=1,                             # 生成几个候选回复    stream=False,                    # 是否流式输出    stop=None,                       # 停止词列表    max_tokens=None,                 # 最大输出token数    presence_penalty=0.0,            # 主题惩罚（-2~2，越大越不愿重复话题）    frequency_penalty=0.0,           # 频率惩罚（-2~2，越大越不愿重复用词）    logit_bias=None,                 # 调整特定token的概率    user=None,                       # 用户标识（用于OpenAI监控滥用）    response_format=None,            # 响应格式（如强制JSON）    seed=None,                       # 随机种子（尽量可复现）    tools=None,                      # 可调用的工具/函数    tool_choice=None,                # 工具选择策略)

from openai import OpenAIimport jsonclient = OpenAI()# 让 AI 严格输出 JSON 格式response = client.chat.completions.create(    model="gpt-3.5-turbo",    messages=[        {            "role": "system",            "content": "你是一个数据提取助手。从用户输入中提取信息，以JSON格式输出。"        },        {            "role": "user",            "content": "张三，男，28岁，住在北京海淀区，电话13800138000"        }    ],    response_format={"type": "json_object"},  # ⭐ 强制JSON输出)result = response.choices[0].message.contentdata = json.loads(result)  # 安全解析为字典print(data)# {"name": "张三", "gender": "男", "age": 28, #  "address": "北京海淀区", "phone": "13800138000"}

from openai import OpenAIclient = OpenAI()# ============ DALL·E 3（推荐） ============response = client.images.generate(    model="dall-e-3",    prompt="一只橘猫坐在窗台上，窗外是下雨的城市夜景，霓虹灯倒映在雨滴中，吉卜力动画风格",    size="1024x1024",       # 尺寸：1024x1024, 1792x1024, 1024x1792    quality="hd",           # 质量：standard（快）或 hd（更精细）    style="vivid",          # 风格：vivid（生动）或 natural（自然）    n=1,                    # DALL·E 3 只能为 1)# 获取结果image_url = response.data[0].url  # 图片URL（有效期1小时）print(f"图片地址：{image_url}")# ⚠️ DALL·E 3 会自动改写你的 prompt（让它更详细）# 查看实际使用的 prompt：print(f"实际prompt：{response.data[0].revised_prompt}")

import requestsfrom openai import OpenAIclient = OpenAI()response = client.images.generate(    model="dall-e-3",    prompt="水墨画风格的山水，远山如黛，近水含烟",    size="1792x1024",    quality="hd",)image_url = response.data[0].url# 方法1：用 requests 下载img_response = requests.get(image_url)with open("my_art.png", "wb") as f:    f.write(img_response.content)print("图片已保存为 my_art.png")# 方法2：直接请求 base64（不依赖URL有效期）response = client.images.generate(    model="dall-e-3",    prompt="一只熊猫在吃竹子",    response_format="b64_json",  # 返回 base64 编码)import base64img_data = base64.b64decode(response.data[0].b64_json)with open("panda.png", "wb") as f:    f.write(img_data)

from openai import OpenAIclient = OpenAI()# 对已有图片进行局部编辑# 需要：原图 + 遮罩图（mask）# 遮罩图中透明区域（alpha=0）的部分会被 AI 重新生成response = client.images.edit(    model="dall-e-2",    image=open("photo.png", "rb"),     # 原图（必须是 PNG，<=4MB）    mask=open("mask.png", "rb"),       # 遮罩（同尺寸 PNG）    prompt="把天空变成紫色的晚霞",     # 描述要修改的内容    n=1,    size="1024x1024",)edited_url = response.data[0].urlprint(f"编辑后的图片：{edited_url}")

# 生成一张图片的多个变体response = client.images.create_variation(    model="dall-e-2",    image=open("original.png", "rb"),    n=4,                # 生成4个变体    size="1024x1024",)for i, img in enumerate(response.data, 1):    print(f"变体{i}：{img.url}")

# ❌ 差的 prompt："一只猫"# ✅ 好的 prompt（包含：主体 + 动作 + 环境 + 风格 + 光线 + 构图）："""主体：一只银白色的英短猫动作：慵懒地趴在沙发上环境：温暖的客厅，背景有书架和绿植风格：摄影写实风格，浅景深光线：午后的暖黄色阳光从窗户照进来构图：特写，猫占画面2/3"""# 组合成完整 prompt：prompt = (    "一只银白色的英短猫慵懒地趴在米色沙发上，"    "背景是温馨的客厅，有木质书架和绿色植物，"    "午后暖黄色阳光从左侧窗户照入，"    "摄影写实风格，浅景深，特写构图，8K画质")

# 嵌入 = 把文字变成一串数字（向量）# 语义相近的文字 → 向量距离近# 语义不同的文字 → 向量距离远# 比喻：# "国王" → [0.8, 0.2, 0.9, ...]  ┐# "女王" → [0.79, 0.21, 0.88, ...] ┘ 距离很近！（语义相似）## "国王" → [0.8, 0.2, 0.9, ...]  ┐# "香蕉" → [0.1, 0.9, 0.05, ...] ┘ 距离很远！（语义不同）# 用途：# 1. 语义搜索：找"意思相近"的文档# 2. 文本分类：自动归类文章# 3. 聚类：把相似文本分组# 4. RAG（检索增强生成）：给 AI 提供相关知识# 5. 推荐系统：找相似内容

from openai import OpenAIclient = OpenAI()# ============ 单条文本 ============response = client.embeddings.create(    model="text-embedding-3-small",  # 或 text-embedding-3-large    input="机器学习是人工智能的一个分支")embedding = response.data[0].embeddingprint(f"向量维度：{len(embedding)}")  # 1536（small）或 3072（large）print(f"前5个值：{embedding[:5]}")    # [0.0023, -0.0091, 0.0156, ...]# ============ 批量文本（更高效） ============texts = [    "Python是一种编程语言",    "Java也是一种编程语言",    "今天天气真好",    "我喜欢写代码",    "明天会下雨吗",]response = client.embeddings.create(    model="text-embedding-3-small",    input=texts  # 传入列表)# 获取所有向量embeddings = [item.embedding for item in response.data]print(f"生成了 {len(embeddings)} 个向量")print(f"每个向量维度：{len(embeddings[0])}")

from openai import OpenAIimport numpy as npclient = OpenAI()def get_embedding(text):    """获取文本的嵌入向量"""    response = client.embeddings.create(        model="text-embedding-3-small",        input=text    )    return np.array(response.data[0].embedding)def cosine_similarity(v1, v2):    """计算余弦相似度（0~1，越大越相似）"""    return np.dot(v1, v2) / (np.linalg.norm(v1) * np.linalg.norm(v2))# 计算三句话的相似度text_a = "我喜欢编程"text_b = "写代码是我的爱好"text_c = "今天中午吃什么"emb_a = get_embedding(text_a)emb_b = get_embedding(text_b)emb_c = get_embedding(text_c)sim_ab = cosine_similarity(emb_a, emb_b)sim_ac = cosine_similarity(emb_a, emb_c)print(f"'{text_a}' vs '{text_b}'：相似度 = {sim_ab:.4f}")  # ≈ 0.92（很相似）print(f"'{text_a}' vs '{text_c}'：相似度 = {sim_ac:.4f}")  # ≈ 0.15（不相似）

from openai import OpenAIimport numpy as npclient = OpenAI()# 知识库documents = [    "Python是一种解释型编程语言，适合数据科学和AI开发",    "Java是一种面向对象的编程语言，广泛用于企业级开发",    "JavaScript是网页开发的核心语言，运行在浏览器中",    "C++是一种高性能编程语言，常用于游戏开发和操作系统",    "今天股市大涨，上证指数突破3500点",    "Python的pandas库是数据分析的利器",]# 1. 预先把所有文档转成向量print("正在构建知识库向量...")doc_embeddings = []for doc in documents:    resp = client.embeddings.create(        model="text-embedding-3-small",        input=doc    )    doc_embeddings.append(np.array(resp.data[0].embedding))# 2. 用户提问query = "哪个语言适合做数据分析？"query_resp = client.embeddings.create(    model="text-embedding-3-small",    input=query)query_embedding = np.array(query_resp.data[0].embedding)# 3. 计算相似度并排序similarities = []for i, doc_emb in enumerate(doc_embeddings):    sim = np.dot(query_embedding, doc_emb) / (        np.linalg.norm(query_embedding) * np.linalg.norm(doc_emb)    )    similarities.append((sim, i))similarities.sort(reverse=True)  # 按相似度降序# 4. 输出最相关的结果print(f"\n查询：'{query}'")print("最相关的文档：")for sim, idx in similarities[:3]:    print(f"  [{sim:.4f}] {documents[idx]}")# 输出：#   [0.8921] Python是一种解释型编程语言，适合数据科学和AI开发#   [0.8456] Python的pandas库是数据分析的利器#   [0.6234] Java是一种面向对象的编程语言，广泛用于企业级开发

from openai import OpenAIclient = OpenAI()# 打开音频文件（支持：mp3, mp4, mpeg, mpga, m4a, wav, webm）# 文件大小限制：25MBaudio_file = open("meeting_recording.mp3", "rb")# 调用转录接口transcript = client.audio.transcriptions.create(    model="whisper-1",    file=audio_file,    # language="zh",           # 指定语言（可选，自动检测也行）    # response_format="text",  # 输出格式："json"/"text"/"srt"/"vtt"/"verbose_json")print(transcript.text)# "大家好，今天的会议主要讨论三个议题..."

from openai import OpenAIclient = OpenAI()audio_file = open("podcast.mp3", "rb")# 使用 verbose_json 格式获取时间戳transcript = client.audio.transcriptions.create(    model="whisper-1",    file=audio_file,    response_format="verbose_json",    timestamp_granularities=["segment"],  # 段落级时间戳)print(f"语言：{transcript.language}")print(f"总时长：{transcript.duration}秒")print()for segment in transcript.segments:    start = segment["start"]    end = segment["end"]    text = segment["text"]    print(f"[{start:.1f}s - {end:.1f}s] {text}")# 输出：# [0.0s - 3.2s] 大家好，欢迎收听本期节目# [3.2s - 7.8s] 今天我们要聊的是人工智能的未来# [7.8s - 12.1s] 首先让我们回顾一下AI的发展历程

from openai import OpenAIclient = OpenAI()audio_file = open("video_audio.mp3", "rb")# 生成 SRT 字幕格式transcript = client.audio.transcriptions.create(    model="whisper-1",    file=audio_file,    response_format="srt",)# 保存为字幕文件with open("subtitle.srt", "w", encoding="utf-8") as f:    f.write(transcript.text)print("字幕已保存为 subtitle.srt")# SRT 格式示例：# 1# 00:00:00,000 --> 00:00:03,200# 大家好，欢迎收听本期节目## 2# 00:00:03,200 --> 00:00:07,800# 今天我们要聊的是人工智能的未来

# 把非英语音频直接翻译成英语文字audio_file = open("chinese_speech.mp3", "rb")translation = client.audio.translations.create(    model="whisper-1",    file=audio_file,)print(translation.text)  # 输出英文翻译