OpenAI API使用教程：快速接入AI能力

去年十月，成都的秋天刚刚有点凉意，我还在啃《深入理解计算机系统》。作为一个双非院校大二学生，白天上课、晚上刷LeetCode，周末还得去图书馆抢座——典型的“卷又卷不动，躺又躺不平”的状态。但谁想到，就在我用MacBook Air M1跑第一个Spring Boot项目时，命运（其实是隔壁组的学长）给我丢了一个需求：“能不能在咱们那个小破论坛里加个AI回复功能？”

我心想，这不就是调个API的事儿？结果……打脸来得太快，就像龙卷风。

---

起因：被“赋能”了

事情是这样的。我们学校有个学生技术社区，用的是自己搭的Spring Boot后端 + Vue前端，部署在阿里云学生机上（99一年那种，别笑）。产品负责人（其实就是辅导员兼任的）突然说：“现在不是AI很火嘛？咱们也搞点智能互动，提升用户粘性！”——典型的PPT式需求，连PRD都没写清楚。

更离谱的是，Deadline定在下周五上线，而今天已经是周三晚上十点。我坐在玉林路的小茶馆里，捧着一杯冰美式，看着微信里产品经理发来的“这个功能很简单吧？”的消息，差点一口咖啡喷出来。

但没办法，为了简历上能多一行“主导AI模块开发”，硬着头皮也得上。

---

初探OpenAI API：你以为的简单，其实全是坑

一开始我以为：不就是HTTP请求发个JSON，拿个response回来渲染一下？结果光是认证就卡了我俩小时。

OpenAI用的是Authorization: Bearer sk-xxx，但Spring Boot里怎么优雅地管理这个key？总不能硬编码在代码里吧？Git提交一不小心就泄露了，轻则被封号，重则被扫走余额——听说有人一天被刷掉几千刀，想想就冒冷汗。

安全第一：配置别乱放

我最后用了Spring Boot的application.yml + 环境变量：

openai:
  api-key: ${OPENAI_API_KEY}
  model: gpt-3.5-turbo
  timeout: 30s

然后本地启动时：

export OPEN AI_API_KEY=sk-xxxxxx
./mvnw spring-boot:run

生产环境直接让运维（其实就是我自己）在服务器上配环境变量。这样至少不会把密钥提交到GitHub——虽然我的仓库是私有的，但保不齐哪天手滑点成public。

血泪教训：千万别在代码里写死API Key！我见过学长因为这事被GitHub机器人自动关了账号，哭着求客服解封。

---

封装Client：别每次都new RestTemplate

第一次我直接在Controller里写了：

RestTemplate restTemplate = new RestTemplate();
// 构造headers、body、发送请求...

结果测试时发现超时、重试、日志都没法统一处理。而且GPT返回的内容有时候带Markdown，前端渲染还出问题。

于是痛定思痛，写了个OpenAIService：

@Service
@Slf4j
public class OpenAIService {

    private final RestTemplate restTemplate;
    private final String apiKey;
    private final String model;

    public OpenAIService(@Value("${openai.api-key}") String apiKey,
                         @Value("${openai.model}") String model) {
        this.apiKey = apiKey;
        this.model = model;
        this.restTemplate = createRestTemplate();
    }

    private RestTemplate createRestTemplate() {
        HttpComponentsClientHttpRequestFactory factory = new HttpComponentsClientHttpRequestFactory();
        factory.setConnectTimeout(5000);
        factory.setReadTimeout(30000); // OpenAI默认最长60s，但咱不能等太久
        return new RestTemplate(factory);
    }

    public String generateResponse(String prompt) {
        HttpHeaders headers = new HttpHeaders();
        headers.setBearerAuth(apiKey);
        headers.setContentType(MediaType.APPLICATION_JSON);

        Map<String, Object> requestBody = Map.of(
            "model", model,
            "messages", List.of(Map.of("role", "user", "content", prompt)),
            "temperature", 0.7
        );

        HttpEntity<Map<String, Object>> request = new HttpEntity<>(requestBody, headers);

        try {
            ResponseEntity<OpenAIResponse> response = restTemplate.postForEntity(
                "https://api.openai.com/v1/chat/completions",
                request,
                OpenAIResponse.class
            );
            return response.getBody().getChoices().get(0).getMessage().getContent().trim();
        } catch (Exception e) {
            log.error("调用OpenAI失败: {}", e.getMessage());
            throw new RuntimeException("AI暂时罢工，请稍后再试");
        }
    }
}

这里有几个细节：

• 超时设置很重要：GPT-3.5一般几秒内返回，但网络抖动或高负载时可能卡住。用户可不想等一分钟。
• 异常要兜底：别让用户看到500错误，至少给个友好提示。
• 日志记录prompt：方便debug，但千万别记API Key和完整response，有隐私风险！

---

实战场景：论坛自动回复机器人

我们的需求是在用户发帖后，AI自动生成一个“参考回复”。比如有人问：“Spring Boot怎么整合Redis？”，AI就回一段示例代码。

但直接丢问题过去，效果很差。GPT经常答非所问，或者啰嗦半天。后来我加了system prompt：

“你是一个Java后端开发者，擅长Spring Boot。请用简洁、专业的语言回答技术问题，必要时提供代码示例。不要解释你是AI。”

效果立竿见影！准确率从60%提到85%以上。

// 在messages里加一条system消息
List<Map<String, String>> messages = new ArrayList<>();
messages.add(Map.of("role", "system", "content", SYSTEM_PROMPT));
messages.add(Map.of("role", "user", "content", userQuestion));

开发心得：Prompt engineering真的是一门玄学。有时候改一个词，效果天差地别。建议建个Excel记录不同prompt的效果，比瞎调强多了。

---

性能与成本：别让老板破产

GPT-3.5按token计费，一次对话大概0.002美元。看起来不多，但如果论坛每天有1000个帖子，每人触发一次AI回复，一个月就是60美元——对我们这种学生项目来说，已经算巨款了。

所以必须做缓存和频率限制。

我用Redis做了两级缓存：

1. 相同问题直接返回历史答案（比如“如何配置DataSource？”这种高频问题）
2. 用户限流：每个IP每分钟最多请求3次

@Cacheable(value = "aiResponses", key = "#prompt")
public String getCachedResponse(String prompt) {
    return openAIService.generateResponse(prompt);
}

同时，在Nginx层面加了限流（虽然我们没用Nginx，但假装有 😅）。

策略	成本降低	用户体验影响
缓存相同问题	~40%	几乎无感
IP限流	~20%	偶尔提示“操作太频繁”
截断长输入	~15%	需要前端配合

---

测试环节：被QA虐哭的一晚

上周五晚上，我刚提测，测试同学（我们社团的学妹）就甩过来一堆Bug：

• “输入‘你好’，AI回了300字人生哲理！”
• “特殊字符导致JSON解析失败”
• “中文标点被转义了”

原来是我没处理输入清洗和输出转义。

赶紧补上：

// 输入清洗：去掉危险字符、限制长度
String safePrompt = prompt.replaceAll("[<>]", "")
                          .substring(0, Math.min(prompt.length(), 500));

// 输出转义：防止XSS
String escapedContent = StringEscapeUtils.escapeHtml4(aiResponse);

还加了单元测试：

@Test
void shouldReturnValidJsonWhenInputIsNormal() {
    String result = openAIService.generateResponse("什么是Spring Boot?");
    assertThat(result).isNotEmpty().doesNotContain("<script>");
}

那一晚，我凌晨两点才离开实验室，路上还在想：写代码容易，写健壮的代码难啊。

---

上线后：意外收获

功能上线后，论坛活跃度涨了30%。更神奇的是，有些用户开始故意问奇怪问题来“调戏”AI，比如“你能帮我写情书吗？”、“用李白的风格写一段Controller代码”。

虽然这些不属于技术范畴，但说明AI的“人格化”能带来情感连接——这可能是产品经理没想到的价值。

不过最让我开心的，是收到了一家成都本地初创公司的实习面试邀请。他们看到我在GitHub上开源了这个模块，直接问：“你对LLM应用落地有什么看法？”

那一刻，我觉得熬夜值了。

---

总结：给同样在折腾的你

作为一个非科班、没大厂背景的学生，我能搞定OpenAI接入，你肯定也可以。几点真心话：

1. 别怕动手：API文档其实很友好，官方例子跑通就成功一半。
2. 安全永远第一：API Key、用户数据、XSS，一个都不能漏。
3. Prompt是核心资产：花时间打磨它，比调参重要得多。
4. 监控和日志：上线后一定要看调用量、错误率、响应时间。
5. 别追求完美：先跑起来，再优化。我们第一版连缓存都没有，但用户反馈很好。

最后，分享一句我贴在显示器上的话：

“代码可以重构，机会只有一次。”

如果你也在成都，用Mac写Spring Boot，喜欢抠底层原理——欢迎来玉林路一起喝杯咖啡，聊聊AI，或者吐槽产品经理。反正生活节奏舒服，bug慢慢修嘛。

---

附：关键依赖（pom.xml）

<dependency>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-web</artifactId>
</dependency>
<dependency>
    <groupId>org.apache.httpcomponents</groupId>
    <artifactId>httpclient</artifactId>
</dependency>
<dependency>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-cache</artifactId>
</dependency>
<dependency>
    <groupId>org.apache.commons</groupId>
    <artifactId>commons-text</artifactId>
    <version>1.10.0</version>
</dependency>

注：本文所有代码已在GitHub开源，搜索“campus-forum-ai”就能找到。别忘了Star～（手动狗头）