Qbot1.ChatGPT简介与Q群机器人部署教程
Posted zstar-_
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了Qbot1.ChatGPT简介与Q群机器人部署教程相关的知识，希望对你有一定的参考价值。
最近OpenAi推出的ChatGPT火出NLP圈子，看到不少人说强人工智能已经出现，于是赶紧来体验感受一下。
该项目计划长期进行维护更新，欢迎star：https://github.com/zstar1003/Qbot
ChatGPT简介
ChatGPT是一个基于GPT-3（通用语言模型）的聊天机器人。它的目的是能够通过自然语言交流与用户进行对话。它能够理解用户的输入，并根据用户的话语生成相应的回复。
这种技术的出现，标志着人工智能在自然语言处理方面取得了新的突破。GPT-3是目前世界上最大规模的语言模型，它被训练在数百万个文本文件上，因此具有非常强大的语言理解能力。通过在GPT-3的基础上构建ChatGPT，我们可以获得一个能够与人进行自然语言对话的机器人，它能够与人类的对话方式非常相似。
ChatGPT的优势在于它能够进行流畅的对话，并能够根据用户的输入自动生成合适的回复。它能够理解语境，因此可以提供更准确、更有帮助的回复。此外，它还具有语言表达能力，可以使用正确的语法和语言风格进行对话。
实际上，上面三段文字完全由ChatGPT自己进行生成，如果你没察觉到异常，说明它已经通过了“图灵测试”。
目前，ChatGPT没有开源，只能通过OpenAi提供的测试界面调试，
ChatGPT官网：https://chat.openai.com/chat
注：2022-12-12 OpenAi增加了5秒的cloudflare并且大幅缩短了token的存活时间(原24小时缩短为2小时)，导致目前国内的一些镜像站均无法使用。
ChatGPT原理
目前ChatGPT没有相关的论文和开源代码，具OpenAi官方所述，ChatGPT是在GPT3.5架构的基础上加入了RLHF(Reinforcement Learning from Human Feedback，人类反馈强化学习)。
ChatGPT采用了InstructGPT的框架，InstructGPT的论文：https://arxiv.org/pdf/2203.02155.pdf
整体训练过程分成三个过程：监督学习、训练奖励模型、引入强化学习迭代模型。
ChatGPT部署
1.注册账号
首先需要注册OpenAi的账号，账号注册使用自己的邮箱，境内手机号验证无法通过，可以使用别的接码平台。
这里使用的是sms(https://sms-activate.org/cn/cashBack)，具体操作步骤很多博文都有提到，不做赘述。
2.获取界面信息
进入到会话界面后，按F12打开开发者工具，在此处提取并记录session_token：
同样的位置提取并记录cf_clearance：
最后，还需要提取并记录user-agent，这里随便找一个数据包都能够找到这个值
3.调用测试
ChatGPT官方有提供用于调用的API，不过试用次数很少，后续使用价格昂贵。
官方API文档：https://beta.openai.com/docs/api-reference/completions/create?lang=python
调用需要设置自己的密钥：https://beta.openai.com/account/api-keys
在Github上，有很多开源的项目提供了很多非官方的调用库，我对于Python最为熟悉，因此使用了这个库https://github.com/acheong08/ChatGPT
安装方式：
pip3 install revChatGPT --upgrade
安装完之后，通过下面的程序进行测试：
from revChatGPT.revChatGPT import Chatbot
config =
"session_token": "上一步的session_token",
"cf_clearance": "上一步的cf_clearance",
"user_agent": "上一步的user_agent"
# 创建ChatGPT实例
chatbot = Chatbot(config, conversation_id=None, debug=True)
message = chatbot.get_chat_response('你好', output="text")
print(message['message'])
这里的参数修改为上一步获取到的参数。
如果使用正常，会输出如下结果：
4.QQ机器人搭建
首先得有个小号，用于搭建机器人。
其次需要选择QQ机器人的框架，目前Github上也有很多选择，我这里使用go-cqhttp这个框架。
该框架支持windows和linux，我在本机上进行部署，因此选择了64位windows版本。
下载链接：https://github.com/Mrs4s/go-cqhttp/releases/download/v1.0.0-rc3/go-cqhttp_windows_amd64.exe
双击运行之后，选择3.正向代理，之后会产生一系列文件。
配置文件config.yml修改内容如下：
# go-cqhttp 默认配置文件
account: # 账号相关
uin: QQ小号 # QQ账号
password: '' # QQ密码
encrypt: false # 是否开启密码加密
status: 0 # 在线状态 请参考 https://docs.go-cqhttp.org/guide/config.html#在线状态
relogin: # 重连设置
delay: 3 # 首次重连延迟, 单位秒
interval: 3 # 重连间隔
max-times: 0 # 最大重连次数, 0为无限制
# 是否使用服务器下发的新地址进行重连
# 注意, 此设置可能导致在海外服务器上连接情况更差
use-sso-address: true
# 是否允许发送临时会话消息
allow-temp-session: false
heartbeat:
# 心跳频率, 单位秒
# -1 为关闭心跳
interval: -1
message:
# 上报数据类型
# 可选: string,array
post-format: string
# 是否忽略无效的CQ码, 如果为假将原样发送
ignore-invalid-cqcode: false
# 是否强制分片发送消息
# 分片发送将会带来更快的速度
# 但是兼容性会有些问题
force-fragment: false
# 是否将url分片发送
fix-url: false
# 下载图片等请求网络代理
proxy-rewrite: ''
# 是否上报自身消息
report-self-message: false
# 移除服务端的Reply附带的At
remove-reply-at: false
# 为Reply附加更多信息
extra-reply-data: false
# 跳过 Mime 扫描, 忽略错误数据
skip-mime-scan: false
output:
# 日志等级 trace,debug,info,warn,error
log-level: warn
# 日志时效 单位天. 超过这个时间之前的日志将会被自动删除. 设置为 0 表示永久保留.
log-aging: 15
# 是否在每次启动时强制创建全新的文件储存日志. 为 false 的情况下将会在上次启动时创建的日志文件续写
log-force-new: true
# 是否启用日志颜色
log-colorful: true
# 是否启用 DEBUG
debug: false # 开启调试模式
# 默认中间件锚点
default-middlewares: &default
# 访问密钥, 强烈推荐在公网的服务器设置
access-token: ''
# 事件过滤器文件目录
filter: ''
# API限速设置
# 该设置为全局生效
# 原 cqhttp 虽然启用了 rate_limit 后缀, 但是基本没插件适配
# 目前该限速设置为令牌桶算法, 请参考:
# https://baike.baidu.com/item/%E4%BB%A4%E7%89%8C%E6%A1%B6%E7%AE%97%E6%B3%95/6597000?fr=aladdin
rate-limit:
enabled: false # 是否启用限速
frequency: 1 # 令牌回复频率, 单位秒
bucket: 1 # 令牌桶大小
database: # 数据库相关设置
leveldb:
# 是否启用内置leveldb数据库
# 启用将会增加10-20MB的内存占用和一定的磁盘空间
# 关闭将无法使用 撤回 回复 get_msg 等上下文相关功能
enable: true
# 媒体文件缓存， 删除此项则使用缓存文件(旧版行为)
cache:
image: data/image.db
video: data/video.db
# 连接服务列表
servers:
# 添加方式，同一连接方式可添加多个，具体配置说明请查看文档
#- http: # http 通信
#- ws: # 正向 Websocket
#- ws-reverse: # 反向 Websocket
#- pprof: #性能分析服务器
- http: # HTTP 通信设置
address: 0.0.0.0:8700 # HTTP监听地址
timeout: 5 # 反向 HTTP 超时时间, 单位秒，<5 时将被忽略
long-polling: # 长轮询拓展
enabled: false # 是否开启
max-queue-size: 2000 # 消息队列大小，0 表示不限制队列大小，谨慎使用
middlewares:
<<: *default # 引用默认中间件
post: # 反向HTTP POST地址列表
#- url: '' # 地址
# secret: '' # 密钥
# max-retries: 3 # 最大重试，0 时禁用
# retries-interval: 1500 # 重试时间，单位毫秒，0 时立即
- url: http://127.0.0.1:7777/ # 地址
secret: '' # 密钥
max-retries: 0 # 最大重试，0 时禁用
retries-interval: 1000 # 重试时间，单位毫秒，0 时立即
其中，QQ账号替换为自己的小号。
设置完后，点击go-cqhttp.bat，弹出二维码进行扫码登录即可。
5.后端逻辑
在上一步中，设置了QQ机器人监听本机7777这个端口用来发送信息，8700这个端口用来接收信息。这一步需要采用一个后端框架来处理和发送信息。这里参考[2]的提供的方案，采用轻量化的Flask作为后端框架。
首先需要安装环境依赖，新建requirements.txt，输入以下内容：
certifi==2022.12.7
charset-normalizer==2.1.1
click==8.1.3
Flask==2.2.2
idna==3.4
importlib-metadata==5.1.0
itsdangerous==2.1.2
Jinja2==3.1.2
MarkupSafe==2.1.1
OpenAIAuth==0.0.3.1
Pymysql==1.0.2
requests==2.28.1
tls-client==0.1.5
urllib3==1.26.13
Werkzeug==2.2.2
zipp==3.11.0
在python环境中安装上述依赖：
pip install -r requirements.txt
安装后，编写后端程序
import json
import requests
from flask import request, Flask
from revChatGPT.revChatGPT import Chatbot
cqhttp_url = "http://localhost:8700" # CQ-http地址
qq_no = "自己的QQ号" # 机器人QQ号，记得修改
config =
"session_token": "上一步的session_token",
"cf_clearance": "上一步的cf_clearance",
"user_agent": "上一步的user_agent"
# 创建一个服务，把当前这个python文件当做一个服务
server = Flask(__name__)
# 创建ChatGPT实例
chatbot = Chatbot(config, conversation_id=None)
# 与ChatGPT交互的方法
def chat(msg):
try:
message = chatbot.get_chat_response(msg)['message']
# 下面这行代码是获取对话id，如果你需要的话，id就是这么获取的
# chatbot.conversation_id
print("ChatGPT返回内容: ")
print(message)
return message
except Exception as error:
return str('别问了，我得休息一下了')
# 测试接口，可以用来测试与ChatGPT的交互是否正常，用来排查问题
@server.route('/chat', methods=['post'])
def chatapi():
requestJson = request.get_data()
if requestJson is None or requestJson == "" or requestJson == :
resu = 'code': 1, 'msg': '请求内容不能为空'
return json.dumps(resu, ensure_ascii=False)
data = json.loads(requestJson)
print(data)
try:
msg = chat(data['msg'])
except Exception as error:
print("接口报错")
resu = 'code': 1, 'msg': '请求异常: ' + str(error)
return json.dumps(resu, ensure_ascii=False)
else:
resu = 'code': 0, 'data': msg
return json.dumps(resu, ensure_ascii=False)
# 测试接口，可以测试本代码是否正常启动
@server.route('/', methods=["GET"])
def index():
return f"你好，QQ机器人逻辑处理端已启动<br/>"
# qq消息上报接口，qq机器人监听到的消息内容将被上报到这里
@server.route('/', methods=["POST"])
def get_message():
if request.get_json().get('message_type') == 'private': # 如果是私聊信息
uid = request.get_json().get('sender').get('user_id') # 获取信息发送者的 QQ号码
message = request.get_json().get('raw_message') # 获取原始信息
sender = request.get_json().get('sender') # 消息发送者的资料
print("收到私聊消息：")
print(message)
# 下面你可以执行更多逻辑，这里只演示与ChatGPT对话
msg_text = chat(message) # 将消息转发给ChatGPT处理
send_private_message(uid, msg_text) # 将消息返回的内容发送给用户
if request.get_json().get('message_type') == 'group': # 如果是群消息
gid = request.get_json().get('group_id') # 群号
uid = request.get_json().get('sender').get('user_id') # 发言者的qq号
message = request.get_json().get('raw_message') # 获取原始信息
# 判断当被@时才回答
if str("[CQ:at,qq=%s]"%qq_no) in message:
sender = request.get_json().get('sender')
print("收到群聊消息：")
print(message)
# 下面你可以执行更多逻辑，这里只演示与ChatGPT对话
msg_text = chat(message) # 将消息转发给ChatGPT处理
msg_text = str('[CQ:at,qq=%s]\\n'%uid) + str(msg_text) # @发言人
send_group_message(gid, msg_text) # 将消息转发到群里
if request.get_json().get('post_type') == 'request': # 收到请求消息
print("收到请求消息")
request_type = request.get_json().get('request_type') # group
uid = request.get_json().get('user_id')
flag = request.get_json().get('flag')
comment = request.get_json().get('comment')
if request_type == "friend":
print("收到加好友申请")
print("QQ：", uid)
print("验证信息", comment)
# false拒绝，你可以自己写逻辑判断是否通过
set_friend_add_request(flag, "false")
if request_type == "group":
print("收到群请求")
sub_type = request.get_json().get('sub_type') # 两种，一种的加群(当机器人为管理员的情况下)，一种是邀请入群
gid = request.get_json().get('group_id')
if sub_type == "add":
# 如果机器人是管理员，会收到这种请求，请自行处理
print("收到加群申请，不进行处理")
elif sub_type == "invite":
print("收到邀请入群申请")
print("群号：", gid)
# false拒绝，你可以自己写逻辑判断是否通过
set_group_invite_request(flag, "false")
return "ok"
# 发送私聊消息方法 uid为qq号，message为消息内容
def send_private_message(uid, message):
try:
res = requests.post(url=cqhttp_url + "/send_private_msg",
params='user_id': int(uid), 'message': message).json()
if res["status"] == "ok":
print("私聊消息发送成功")
else:
print(res)
print("私聊消息发送失败，错误信息：" + str(res['wording']))
except:
print("私聊消息发送失败")
# 发送群消息方法
def send_group_message(gid, message):
try:
res = requests.post(url=cqhttp_url + "/send_group_msg",
params='group_id': int(gid), 'message': message).json()
if res["status"] == "ok":
print("群消息发送成功")
else:
print("群消息发送失败，错误信息：" + str(res['wording']))
except:
print("群消息发送失败")
# 处理好友请求
def set_friend_add_request(flag, approve):
try:
requests.post(url=cqhttp_url + "/set_friend_add_request", params='flag': flag, 'approve': approve)
print("处理好友申请成功")
except:
print("处理好友申请失败")
# 处理邀请加群请求
def set_group_invite_request(flag, approve):
try:
requests.post(url=cqhttp_url + "/set_group_add_request",
params='flag': flag, 'sub_type': 'invite', 'approve': approve)
print("处理群申请成功")
except:
print("处理群申请失败")
if __name__ == '__main__':
server.run(port=7777, host='0.0.0.0')
这里的QQ号，config信息替换为自己的内容。
运行之后，就部署完成了。
ChatGPT评价
回到开头的问题，ChatGPT究竟算不算强人工智能？我在B站视频https://www.bilibili.com/video/BV1Ud4y1e7BP中做了个弹幕投票，54%的人认为它不算强人工智能，仍有缺陷。
以往NLP中的模型往往只能处理文本分类、文本续写、文本风格迁移等单一任务，而ChatGPT却能够处理多任务，的确是一大突破。然而，在测试过程中，它仍有一些问题：
- 使用速度慢
使用速度慢一方面是由于官方服务器同时段并发量大，另一方面是GPT类的模型是一个字一个字的输出，比如在官网上看到的是一个字一个字吐出来，而不是一整句话。如果插入到QQ机器人回复中，需要等待其将所有内容输出完再一并发送。内容越多，等待时间越久。 - 太过“自信”
ChatGPT很像一本百科全书，对于未知的东西，它仍然会“习惯性”地去做解释，甚至，它很容易被一些关键词所误导。比如，下图中群友对它进行的测试：
- 无法获取最新信息
ChatGPT是通过2021年以前的数据训练而来的，因此它无法获取最新信息，这让它无法取代搜索引擎。 - 易被催眠
最后这点，不多做解释，在群友的催眠下，它被成功洗脑了。。
TODD
后续计划在此框架下开发更多内容：
- config自动设置
目前官方界面的config两小时会失活，后续会想办法自动进行获取设置 - 加入其它功能
可能考虑添加Ai绘画等功能 - 服务器部署
目前该方案是部署在本机上，后续考虑部署到云服务器上
参考
[1]ChatGPT是怎样被训练出来的？https://www.bilibili.com/video/BV1BG4y137SH/
[2]使用Python对接OpenAi APi 实现智能QQ机器人 https://lucent.blog/?p=99
以上是关于Qbot1.ChatGPT简介与Q群机器人部署教程的主要内容，如果未能解决你的问题，请参考以下文章