ChatGPT API接口调用教程｜2026最新版

随着大模型应用的快速普及，越来越多的企业、开发者和个人开始把 ChatGPT 接入到自己的产品中，例如智能客服、知识库问答、AI 写作助手、代码生成工具、数据分析助手、Agent 自动化流程等。相比直接使用网页版 ChatGPT，调用 ChatGPT API 可以让开发者更加灵活地控制输入、输出、上下文、系统角色、工具调用、流式响应以及业务逻辑，从而构建真正可落地的 AI 应用。

本文将以“2026 最新版”的开发思路，系统讲解 ChatGPT API 的调用方式、核心参数、接口示例、流式输出、上下文管理、错误处理、安全实践以及实际项目中的落地建议。无论你是刚接触 API 的新手，还是正在准备将 AI 能力接入业务系统的开发者，都可以按照本文步骤快速上手。

说明：不同时间 OpenAI 官方 API 的模型名称、参数和价格可能会调整，实际开发时请以官方文档和控制台显示为准。本文重点讲解通用调用思路和工程实践。

一、ChatGPT API 是什么？

ChatGPT API 是一种通过 HTTP 请求调用大语言模型能力的接口。开发者可以将用户输入发送给模型，模型根据上下文生成回复，再由开发者把回复展示到网站、App、企业系统或其他业务场景中。

简单来说，网页版 ChatGPT 是“人直接和模型对话”，而 ChatGPT API 是“你的程序和模型对话”。

通过 API，你可以实现：

• 智能聊天机器人；
• 企业知识库问答；
• AI 文案生成；
• AI 客服系统；
• 代码解释与生成；
• 数据分析助手；
• 自动摘要与翻译；
• 邮件、报告、合同等文本生成；
• 多轮对话 Agent；
• 与数据库、搜索引擎、业务系统结合的智能应用。

API 的优势在于可编程、可集成、可自动化。你可以根据业务需求定义提示词、控制输出格式、设置温度参数、接入外部工具、保存用户上下文，并与自己的权限系统、计费系统、日志系统对接。

二、调用 ChatGPT API 前的准备工作

在正式编写代码前，需要完成以下准备。

1. 注册并登录开发者平台

首先需要拥有 OpenAI 或相关兼容平台的开发者账号。登录开发者控制台后，可以创建 API Key。API Key 是接口调用的身份凭证，类似于密码，必须妥善保管。

2. 创建 API Key

在控制台中找到 API Keys 或密钥管理页面，创建新的密钥。创建后请立即复制保存，因为部分平台只会显示一次完整密钥。

API Key 通常类似下面这种格式：

sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx

注意：不要把 API Key 写死到前端代码中，也不要上传到 GitHub、Gitee 等公开代码仓库。一旦泄露，别人可以使用你的额度并产生费用。

3. 准备开发环境

本文将分别使用 curl、Node.js 和 Python 演示接口调用。你可以根据自己的技术栈选择一种方式。

建议准备：

• Node.js 18 或更高版本；
• Python 3.9 或更高版本；
• 一个可以发送 HTTP 请求的工具，例如 Postman、Apifox 或 curl；
• 可访问 API 服务的网络环境；
• 环境变量管理工具，例如 .env 文件。

三、ChatGPT API 的基本调用流程

一次典型的 ChatGPT API 调用，大致包含以下步骤：

1. 用户在你的应用中输入问题；
2. 后端服务接收用户输入；
3. 后端将用户输入、系统提示词和历史上下文发送给 ChatGPT API；
4. API 返回模型生成的回答；
5. 后端对结果进行处理，例如过滤、格式化、记录日志；
6. 前端展示回答给用户。

整个流程中，最重要的是请求体中的 messages。它通常由多条消息组成，每条消息包含角色和内容。

常见角色包括：

例如：

[
  {
    "role": "system",
    "content": "你是一个专业、严谨的中文技术助手。"
  },
  {
    "role": "user",
    "content": "请解释什么是 ChatGPT API。"
  }
]

四、使用 curl 调用 ChatGPT API

如果你想最快验证接口是否可用，可以使用 curl。

下面是一个基础示例：

curl https://api.openai.com/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -d '{
    "model": "gpt-4.1-mini",
    "messages": [
      {
        "role": "system",
        "content": "你是一个专业的中文技术助手，回答要清晰、准确。"
      },
      {
        "role": "user",
        "content": "请用三句话介绍 ChatGPT API 的作用。"
      }
    ],
    "temperature": 0.7
  }'

如果调用成功，接口会返回一段 JSON 数据。你需要重点关注模型生成的内容，通常位于类似下面的位置：

{
  "choices": [
    {
      "message": {
        "role": "assistant",
        "content": "ChatGPT API 可以让开发者在自己的应用中调用大语言模型能力..."
      }
    }
  ]
}

在实际项目中，你通常只需要取出：

choices[0].message.content

然后展示给用户即可。

五、使用 Node.js 调用 ChatGPT API

Node.js 是 Web 项目中非常常见的后端技术，适合与 Express、NestJS、Next.js 等框架结合。

1. 安装依赖

如果使用官方 SDK，可以先安装：

npm install openai

2. 设置环境变量

在项目根目录创建 .env 文件：

OPENAI_API_KEY=你的API密钥

注意不要把 .env 提交到代码仓库，可以在 .gitignore 中加入：

.env

3. 基础调用示例

import OpenAI from "openai";

const client = new OpenAI({
  apiKey: process.env.OPENAI_API_KEY,
});

async function main() {
  const completion = await client.chat.completions.create({
    model: "gpt-4.1-mini",
    messages: [
      {
        role: "system",
        content: "你是一个专业的中文技术助手，回答要结构清晰。",
      },
      {
        role: "user",
        content: "请写一段关于 API 调用安全性的说明。",
      },
    ],
    temperature: 0.6,
  });

  console.log(completion.choices[0].message.content);
}

main();

运行：

node index.js

如果配置正确，你会在终端看到模型返回的中文回答。

六、在 Express 中封装聊天接口

实际开发中，一般不会让前端直接请求 OpenAI API，而是由自己的后端服务进行转发。这样可以隐藏 API Key，并且便于做权限控制、日志记录、限流和计费。

下面是一个简单的 Express 示例。

1. 安装依赖

npm install express openai dotenv

2. 示例代码

import express from "express";
import dotenv from "dotenv";
import OpenAI from "openai";

dotenv.config();

const app = express();
app.use(express.json());

const client = new OpenAI({
  apiKey: process.env.OPENAI_API_KEY,
});

app.post("/api/chat", async (req, res) => {
  try {
    const { message } = req.body;

    if (!message || typeof message !== "string") {
      return res.status(400).json({
        error: "message 参数不能为空",
      });
    }

    const completion = await client.chat.completions.create({
      model: "gpt-4.1-mini",
      messages: [
        {
          role: "system",
          content: "你是一个专业的中文 AI 助手，请用简洁准确的方式回答问题。",
        },
        {
          role: "user",
          content: message,
        },
      ],
      temperature: 0.7,
    });

    res.json({
      answer: completion.choices[0].message.content,
    });
  } catch (error) {
    console.error("Chat API Error:", error);
    res.status(500).json({
      error: "服务器内部错误，请稍后重试",
    });
  }
});

app.listen(3000, () => {
  console.log("Server is running at http://localhost:3000");
});

前端只需要请求你自己的接口：

const response = await fetch("/api/chat", {
  method: "POST",
  headers: {
    "Content-Type": "application/json",
  },
  body: JSON.stringify({
    message: "请介绍一下什么是大语言模型。",
  }),
});

const data = await response.json();
console.log(data.answer);

这种架构更安全，也更适合生产环境。

七、使用 Python 调用 ChatGPT API

Python 适合做脚本自动化、数据处理、AI 应用原型和后端服务。

1. 安装依赖

pip install openai

2. 基础示例

from openai import OpenAI
import os

client = OpenAI(
    api_key=os.getenv("OPENAI_API_KEY")
)

response = client.chat.completions.create(
    model="gpt-4.1-mini",
    messages=[
        {
            "role": "system",
            "content": "你是一个专业的中文技术助手。"
        },
        {
            "role": "user",
            "content": "请解释 API Key 为什么不能暴露在前端。"
        }
    ],
    temperature=0.6
)

print(response.choices[0].message.content)

运行前设置环境变量：

export OPENAI_API_KEY="你的API密钥"
python main.py

在 Windows PowerShell 中可以使用：

$env:OPENAI_API_KEY="你的API密钥"
python main.py

八、核心参数详解

调用 ChatGPT API 时，除了 model 和 messages，还可以使用一些常见参数控制输出效果。

1. model

model 用于指定调用哪个模型。不同模型在能力、速度、价格、上下文长度等方面可能不同。一般来说：

• 大模型：推理能力更强，适合复杂任务；
• 小模型：速度更快，成本更低，适合简单问答和高并发场景；
• 多模态模型：可能支持文本、图片、音频等输入输出；
• 嵌入模型：适合向量检索和知识库场景。

生产环境中建议根据业务需求选择模型，而不是盲目选择最贵或最大的模型。

2. messages

messages 是对话内容数组，是最核心的参数。

示例：

[
  {
    "role": "system",
    "content": "你是一个电商客服助手，只回答和订单、物流、售后相关的问题。"
  },
  {
    "role": "user",
    "content": "我的订单为什么还没发货？"
  }
]

system 消息可以设定模型边界。例如你可以要求模型：

• 使用中文回答；
• 保持语气友好；
• 输出 JSON 格式；
• 不回答与业务无关的问题；
• 遇到不确定信息时提示用户联系人工客服。

3. temperature

temperature 用于控制输出的随机性。值越高，回答越发散；值越低，回答越稳定。

常见设置建议：

如果你希望模型每次回答更一致，可以降低 temperature。

4. max_tokens

max_tokens 用于限制模型最多输出多少 token。合理设置可以控制成本和响应长度。

例如：

{
  "max_tokens": 800
}

如果是短问答，可以设置较小；如果是长文章生成，则需要设置更大。

5. stream

stream 用于开启流式输出。开启后，模型会边生成边返回，用户体验类似网页版 ChatGPT 的“打字效果”。

流式输出非常适合聊天场景，因为它可以显著降低用户感知等待时间。

九、流式输出示例

在真实产品中，如果用户需要等待 10 秒才能看到完整回答，体验会比较差。流式输出可以让用户在模型生成过程中逐步看到内容。

下面是 Node.js 中的简单流式示例：

import OpenAI from "openai";

const client = new OpenAI({
  apiKey: process.env.OPENAI_API_KEY,
});

async function streamChat() {
  const stream = await client.chat.completions.create({
    model: "gpt-4.1-mini",
    messages: [
      {
        role: "user",
        content: "请用通俗语言解释什么是流式输出。",
      },
    ],
    stream: true,
  });

  for await (const chunk of stream) {
    const content = chunk.choices[0]?.delta?.content || "";
    process.stdout.write(content);
  }
}

streamChat();

如果要在 Web 项目中实现流式输出，可以使用：

• Server-Sent Events，简称 SSE；
• WebSocket；
• Fetch ReadableStream；
• Node.js Stream。

其中 SSE 实现简单，适合大多数聊天应用。

十、多轮对话上下文管理

ChatGPT API 本身不会自动记住你应用中某个用户的历史对话。也就是说，每一次 API 请求都是相对独立的。如果你希望模型理解上下文，就需要在请求时把历史消息一起传过去。

示例：

[
  {
    "role": "system",
    "content": "你是一个旅游顾问。"
  },
  {
    "role": "user",
    "content": "我想去云南旅游。"
  },
  {
    "role": "assistant",
    "content": "云南很适合旅行，你更喜欢自然风光还是人文古城？"
  },
  {
    "role": "user",
    "content": "我喜欢自然风光，预算5000元。"
  }
]

这样模型就能理解“我”指的是之前想去云南旅游的用户，并根据预算继续回答。

但是需要注意，上下文越长，消耗的 token 越多，成本也越高。因此实际项目中要做上下文压缩。

常见策略包括：

1. 只保留最近 N 轮对话；
2. 对较早的对话做摘要；
3. 将关键信息结构化保存，例如用户偏好、预算、城市；
4. 对无关闲聊进行丢弃；
5. 对知识库内容使用检索增强生成，而不是全部塞进上下文。

例如，你可以在数据库中保存：

{
  "user_id": "10001",
  "preferences": {
    "destination": "云南",
    "budget": "5000元",
    "interest": "自然风光"
  }
}

然后在每次请求时把这些关键信息放入 system 或 user 消息中。

十一、如何让模型输出 JSON 格式

很多业务系统需要模型返回结构化数据，例如分类结果、表单字段、商品属性、工单标签等。这时可以在提示词中明确要求返回 JSON。

示例：

const completion = await client.chat.completions.create({
  model: "gpt-4.1-mini",
  messages: [
    {
      role: "system",
      content: "你是一个信息抽取助手。请只返回合法 JSON，不要输出任何解释文字。",
    },
    {
      role: "user",
      content: "从这句话中提取姓名、城市和职业：张伟目前在上海做前端工程师。",
    },
  ],
  temperature: 0,
});

期望输出：

{
  "name": "张伟",
  "city": "上海",
  "job": "前端工程师"
}

为了提高稳定性，建议：

• temperature 设置为 0 或较低；
• 明确字段名称和字段类型；
• 要求只返回 JSON；
• 在后端对返回内容进行 JSON.parse 校验；
• 校验失败时自动重试一次；
• 对关键业务结果进行人工审核或规则校验。

十二、知识库问答的实现思路

很多企业希望 ChatGPT 能回答公司内部文档、产品手册、售后政策、合同条款等内容。这类场景通常不能简单地把所有文档一次性放进 prompt，因为文档太长、成本太高，而且效果不稳定。

更推荐使用 RAG，也就是检索增强生成。

基本流程如下：

1. 将企业文档切分成多个小段；
2. 使用 embedding 模型将每个文档片段转换成向量；
3. 存入向量数据库，例如 Milvus、Pinecone、Weaviate、pgvector、Elasticsearch 等；
4. 用户提问时，也将问题转换成向量；
5. 从向量数据库中检索最相关的文档片段；
6. 将检索结果和用户问题一起发给 ChatGPT；
7. 要求模型基于资料回答，不能编造。

提示词示例：

你是企业知识库问答助手。请严格根据给定资料回答用户问题。
如果资料中没有答案，请回答“根据现有资料无法确认”，不要编造。

资料：
{{retrieved_documents}}

用户问题：
{{question}}

这种方式比直接让模型凭记忆回答更可靠，也更适合企业内部知识管理。

十三、常见错误与解决方法

1. 401 Unauthorized

通常表示 API Key 错误、缺失或无权限。

解决方法：

• 检查 Authorization 请求头；
• 确认格式是 Bearer API_KEY；
• 检查环境变量是否生效；
• 确认密钥没有被删除或禁用。

2. 429 Too Many Requests

表示请求过于频繁或达到速率限制。

解决方法：

• 增加重试和退避机制；
• 降低并发；
• 使用队列削峰；
• 检查账户额度；
• 根据业务等级申请更高限额。

3. 400 Bad Request

通常是请求参数错误。

常见原因：

• model 名称错误；
• messages 格式不正确；
• content 为空；
• JSON 格式错误；
• 参数类型不符合要求。

4. 500 或 503

可能是服务端临时异常或网络问题。

解决方法：

• 设置自动重试；
• 记录请求 ID 和错误日志；
• 给用户友好的提示；
• 不要无限重试，避免造成雪崩。

十四、生产环境最佳实践

如果你要把 ChatGPT API 接入正式业务，建议关注以下几点。

1. 不要在前端暴露 API Key

API Key 必须放在后端服务器。前端只能请求你自己的后端接口。如果密钥暴露，可能造成额度被盗刷和数据泄露。

2. 增加用户鉴权

不要让任何人都可以无限调用你的 AI 接口。你可以基于登录态、会员等级、套餐额度、IP、设备指纹等方式进行限制。

3. 做限流和防刷

AI API 调用通常有成本，因此必须限制频率。例如：

• 每个用户每分钟最多 10 次；
• 游客每天最多 5 次；
• 单个 IP 每小时最多 100 次；
• 超出后返回友好提示。

4. 记录日志但避免保存敏感数据

日志对排查问题很重要，但不要随意保存用户隐私信息、密码、身份证号、银行卡号等敏感内容。必要时应做脱敏处理。

5. 设置超时时间

模型响应可能因网络或任务复杂度变慢，因此后端请求应设置超时时间。例如 30 秒或 60 秒。超时后提示用户稍后再试。

6. 控制成本

成本控制是 AI 应用能否长期运行的关键。建议：

• 为不同任务选择不同模型；
• 限制最大输出长度；
• 压缩上下文；
• 缓存常见问题答案；
• 对高频请求做去重；
• 使用流式输出改善体验；
• 对异常请求进行拦截。

7. 增加内容安全策略

如果你的产品面向公众用户，需要防止模型生成违法违规、攻击性、隐私泄露或不适合展示的内容。可以结合内容审核、关键词规则、人工复核和模型安全提示词来降低风险。

十五、一个完整的提示词模板

下面是一个适合企业客服机器人的 system prompt 示例：

你是某电商平台的智能客服助手，请遵守以下规则：

1. 使用简体中文回答；
2. 语气礼貌、专业、简洁；
3. 只回答与订单、物流、售后、退款、发票、商品咨询相关的问题；
4. 如果用户的问题超出业务范围，请礼貌说明无法处理；
5. 如果资料中没有明确答案，不要编造，请建议用户联系人工客服；
6. 如果涉及订单号、手机号、地址等敏感信息，提醒用户注意隐私；
7. 回答中不要承诺无法保证的结果；
8. 输出结构尽量清晰，可使用列表。

好的提示词并不是越长越好，而是要边界清晰、规则明确、与业务目标一致。

十六、从 Demo 到正式项目的架构建议

一个成熟的 ChatGPT API 应用，通常不仅仅是一段接口调用代码，而是一个完整系统。

推荐架构如下：

前端页面
  ↓
业务后端 API
  ↓
鉴权 / 限流 / 参数校验
  ↓
上下文管理 / 用户画像 / 知识库检索
  ↓
ChatGPT API
  ↓
结果校验 / 内容安全 / 日志记录
  ↓
返回前端展示

如果是企业知识库场景，还需要增加：

文档上传
  ↓
文本解析
  ↓
文档切分
  ↓
向量化
  ↓
向量数据库
  ↓
问题检索
  ↓
模型生成答案

不要把所有逻辑都塞进 prompt。Prompt 很重要，但系统工程同样重要。真正稳定的 AI 应用，往往依赖模型能力、检索系统、规则系统、业务数据库和人工审核共同完成。

十七、总结

ChatGPT API 为开发者提供了强大的大语言模型能力，可以快速接入到网站、App、企业系统和自动化流程中。调用 API 的基本步骤并不复杂：创建 API Key，选择模型，构造 messages，发送请求，解析返回结果。但要想做出稳定、可靠、低成本、可上线的 AI 产品，还需要关注上下文管理、流式输出、错误处理、安全防护、限流策略、成本控制和内容合规。

对于新手来说，可以先从 curl 或 Python 示例开始，确认接口能够正常调用；随后再封装到 Node.js、Java、Go 或 Python 后端服务中；最后结合数据库、知识库、用户系统和日志系统逐步完善。

如果你正在开发自己的 AI 应用，建议按照以下路线实践：

1. 先实现最小可用 Demo；
2. 再封装后端接口，隐藏 API Key；
3. 增加流式输出，提高用户体验；
4. 保存并压缩多轮上下文；
5. 根据业务需求接入知识库；
6. 做好限流、鉴权、日志和错误处理；
7. 持续优化提示词和模型选择；
8. 监控成本与效果，逐步迭代。

掌握 ChatGPT API 调用并不只是学会一段代码，更重要的是理解如何把大模型能力融入真实业务流程。只要架构设计合理、提示词清晰、数据管理规范，你就可以基于 ChatGPT API 构建出高质量的智能应用。