摘要

大语言模型不仅可以完成单轮任务，还能通过“聊天格式”（Chat Format）构建多轮对话的自定义聊天机器人。本文基于 OpenAI 官方课程，深入讲解 Chat Completion API 中的三种消息角色（system、user、assistant），以及如何利用系统消息设定机器人的行为、个性和知识。你将亲手构建一个披萨餐厅点餐机器人 OrderBot：自动收集用户订单、询问尺寸/配料/配送方式、生成结构化 JSON 摘要。同时，我们会探讨对话上下文管理、temperature 参数的选择，并提供完整的 Python 代码示例（包括 Panel 图形界面）。读完本文，你就能为自己的业务场景打造专属 AI 助手。

适用人群 / 前置知识

适用人群：希望构建对话式 AI 应用的开发者、产品经理、创业者；对 ChatGPT 背后 API 感兴趣的学习者。
前置知识：Python 基础；OpenAI API 调用基础（本系列前几篇）；了解 JSON 格式。

引言：从单轮到多轮——聊天机器人的核心

你已经在 ChatGPT 网页界面中和 AI 聊过天。但你有没有想过，如何为你的业务构建一个定制化的聊天机器人？比如一个能自动接单的披萨店助手、一个能回答产品问题的客服、或者一个能帮你安排日程的私人助理？

OpenAI 的 Chat Completion API 正是为此设计的。它支持多轮对话，并允许开发者通过 系统消息（system message） 来控制机器人的行为、语气和知识。本文将带你从零开始，构建一个功能完整的点餐机器人 OrderBot。

一、理解 Chat Format：三种消息角色

在 Chat Completion API 中，输入是一个消息列表，每条消息包含 role 和 content。主要有三种角色：

角色	说明	示例
system	设定助手的行为、个性、规则。用户不可见，相当于“幕后指令”。	“你是一个像莎士比亚一样说话的助手。”
user	用户发送的消息。	“给我讲个笑话。”
assistant	模型生成的消息。在多轮对话中，之前的 assistant 消息可以作为历史输入。	“为什么鸡过马路？为了到另一边去。”

基础示例：莎士比亚风格的助手

import openai
import os
from dotenv import load_dotenv, find_dotenv

_ = load_dotenv(find_dotenv())
openai.api_key = os.getenv('OPENAI_API_KEY')

def get_completion_from_messages(messages, model="gpt-3.5-turbo", temperature=0):
    response = openai.ChatCompletion.create(
        model=model,
        messages=messages,
        temperature=temperature,
    )
    return response.choices[0].message["content"]

messages = [
    {"role": "system", "content": "You are an assistant that speaks like Shakespeare."},
    {"role": "user", "content": "tell me a joke"},
    {"role": "assistant", "content": "Why did the chicken cross the road?"},
    {"role": "user", "content": "I don't know"}
]

response = get_completion_from_messages(messages, temperature=1)
print(response)
# 输出示例：To get to the other side, fair sir or madam. It is an old and classic that never fails.

二、上下文管理：模型不会“记住”历史

重要概念：每次 API 调用都是无状态的。模型不会自动记住之前的对话。如果你希望模型引用之前说过的话，你必须把整个对话历史作为消息列表传入。

错误示例：不提供历史

messages = [
    {"role": "system", "content": "You are a friendly chatbot."},
    {"role": "user", "content": "Yes, can you remind me what is my name?"}
]
response = get_completion_from_messages(messages)
print(response)
# 模型无法回答，因为它不知道名字

正确做法：提供上下文

messages = [
    {"role": "system", "content": "You are a friendly chatbot."},
    {"role": "user", "content": "Hi, my name is Isa"},
    {"role": "assistant", "content": "Hi Isa! It's nice to meet you. How can I help?"},
    {"role": "user", "content": "Yes, can you remind me what is my name?"}
]
response = get_completion_from_messages(messages)
print(response)
# 输出：Your name is Isa.

这就是所谓的上下文窗口——你每次调用都需要把相关的对话历史塞进去。上下文越长，消耗的 token 越多，成本也越高。

三、实战：构建 OrderBot 披萨点餐机器人

我们将构建一个自动点餐机器人，它能够：

• 问候顾客
• 收集订单（披萨尺寸、配料、配菜、饮料）
• 询问自取或外送
• 确认订单并生成 JSON 摘要

3.1 定义系统消息（核心指令）

系统消息是机器人的“大脑”。我们在这里指定菜单、规则和风格。

context = [
    {"role": "system", "content": """
You are OrderBot, an automated service to collect orders for a pizza restaurant.
You first greet the customer, then collects the order, and then asks if it's a pickup or delivery.
You wait to collect the entire order, then summarize it and check for a final time if the customer wants to add anything else.
If it's a delivery, you ask for an address.
Finally you collect the payment.
Make sure to clarify all options, extras and sizes to uniquely identify the item from the menu.
You respond in a short, very conversational friendly style.
The menu includes:
pepperoni pizza 12.95, 10.00, 7.00
cheese pizza 10.95, 9.25, 6.50
eggplant pizza 11.95, 9.75, 6.75
fries 4.50, 3.50
greek salad 7.25
Toppings:
extra cheese 2.00, mushrooms 1.50, sausage 3.00, canadian bacon 3.50, AI sauce 1.50, peppers 1.00
Drinks:
coke 3.00, 2.00, 1.00
sprite 3.00, 2.00, 1.00
bottled water 5.00
"""}
]

3.2 构建交互界面（使用 Panel 库）

为了演示方便，我们使用 Panel 创建一个简单的文本输入界面。你也可以用 Gradio、Streamlit 或直接命令行。

import panel as pn
pn.extension()

panels = []  # 存储显示内容

def collect_messages(_):
    prompt = inp.value_input
    inp.value = ''
    context.append({'role': 'user', 'content': f"{prompt}"})
    response = get_completion_from_messages(context)
    context.append({'role': 'assistant', 'content': f"{response}"})
    panels.append(pn.Row('User:', pn.pane.Markdown(prompt, width=600)))
    panels.append(pn.Row('Assistant:', pn.pane.Markdown(response, width=600, style={'background-color': '#F6F6F6'})))
    return pn.Column(*panels)

inp = pn.widgets.TextInput(value="Hi", placeholder='Enter text here...')
button_conversation = pn.widgets.Button(name="Chat!")

interactive_conversation = pn.bind(collect_messages, button_conversation)

dashboard = pn.Column(
    inp,
    pn.Row(button_conversation),
    pn.panel(interactive_conversation, loading_indicator=True, height=300),
)
dashboard

运行后，你会看到一个聊天界面。输入“Hi”，机器人会问候你并开始点餐流程。

3.3 模拟一次完整的点餐对话

以下是在界面中可能发生的对话（手动演示）：

• User: Hi, I would like to order a pizza.
• Assistant: Great! What pizza would you like? We have pepperoni, cheese, and eggplant.
• User: How much are they?
• Assistant: Pepperoni: $12.95 (large), $10.00 (medium), $7.00 (small). Cheese: $10.95/$9.25/$6.50. Eggplant: $11.95/$9.75/$6.75.
• User: I’ll have a medium eggplant pizza.
• Assistant: Any toppings? Extra cheese $2.00, mushrooms $1.50, etc.
• User: No toppings.
• Assistant: Anything else? Sides or drinks?
• User: Yes, fries. Small.
• Assistant: Small fries $3.50. Anything else?
• User: That’s all.
• Assistant: Is this for pickup or delivery?
• User: Delivery. My address is 123 Main St.
• Assistant: Great. Your total is $13.25. How would you like to pay?
• User: Credit card.
• Assistant: Order confirmed. Thank you!

3.4 生成订单摘要（JSON）

在对话结束后，我们可以让模型从上下文中提取订单信息，生成结构化的 JSON，方便后端系统处理。

# 复制当前上下文并添加一个“摘要”指令
messages = context.copy()
messages.append({
    "role": "system", 
    "content": """
    Create a JSON summary of the previous food order. 
    Itemize the price for each item.
    The fields should be:
    1) pizza (include size)
    2) list of toppings
    3) list of drinks (include size)
    4) list of sides (include size)
    5) total price
    """
})

summary = get_completion_from_messages(messages, temperature=0)
print(summary)

输出示例：

{
  "pizza": {"type": "eggplant", "size": "medium", "price": 9.75},
  "toppings": [],
  "drinks": [],
  "sides": [{"item": "fries", "size": "small", "price": 3.50}],
  "total_price": 13.25
}

这个 JSON 可以直接发送给订单处理系统或数据库。

四、temperature参数在对话中的选择

• 低temperature（0～0.3）：输出确定、一致。适合订单收集、客服回答固定问题。我们的 OrderBot 在收集订单时建议使用低temperature，避免随机推荐不存在的商品。
• 中temperature（0.5～0.7）：有一定多样性，适合闲聊机器人，让回答不那么机械。
• 高temperature（0.8～1.0）：创意性强，可能偏离主题。用于头脑风暴或娱乐场景。

在 OrderBot 的示例中，我们在收集订单时使用 temperature=0，但在生成摘要时也使用 temperature=0 以确保结构化输出稳定。

五、常见问题与注意事项

1. 上下文长度限制：GPT-3.5-Turbo 上下文窗口为 4096 tokens，GPT-4 有 8K/32K 版本。长对话会消耗大量 token，注意成本。
2. 系统消息不是“记忆”：系统消息只是初始指令，不会自动记录对话历史。你必须手动把历史消息加入每次调用。
3. 用户消息中的敏感信息：如果你的机器人会收集地址、付款信息，务必遵循数据安全规范，不要记录或泄露。
4. 机器人自称 AI：最好让机器人明确告知用户它是 AI，避免误导（如示例中的署名或自我介绍）。
5. 处理异常输入：用户可能输入不相关或恶意内容。你可以在系统消息中加入“如果用户询问菜单之外的内容，礼貌地拒绝”等规则。

六、扩展：自定义角色与知识

你可以轻松修改系统消息，让机器人扮演不同角色：

• IT 支持机器人：系统消息包含常见问题和排查步骤。
• 心理陪伴机器人：系统消息设定为“温暖、共情、不提供医疗建议”。
• 语言学习伙伴：系统消息要求只使用目标语言对话，并在必要时纠正语法。

总结

核心概念	说明
三种角色	system（设定行为）、user（用户输入）、assistant（模型回复）
上下文管理	每次调用需传入完整对话历史，模型无状态
系统消息	控制机器人的个性、知识、规则，用户不可见
OrderBot 实战	披萨点餐机器人：收集订单、确认配送、生成 JSON
temperature 参数	低temperature用于确定性任务，高temperature用于创意对话

通过本文的学习，你已经掌握了 OpenAI Chat Completion API 的核心用法，并亲手构建了一个可交互的点餐机器人。你可以将这个框架应用到自己的业务场景中——只需修改系统消息和菜单，就能得到一个全新的定制机器人。

下一步，你可以尝试为机器人添加更多功能：集成支付接口、调用外部 API 查询库存、或者使用函数调用（Function Calling）来执行具体操作。