2026-08-22發表2026-08-31更新AI8 分鐘讀完 (大約1167個字)

OpenAI API 入門：從註冊到第一支程式

上一篇比較了各種 AI 開發工具，這篇開始自己把 AI 接進自己的程式。我們會用 OpenAI API（也就是 ChatGPT 背後的服務）當範例，學會「用程式碼呼叫大模型」這個核心技能。學會之後，換成 Claude、Gemini 或其他 API 的概念幾乎完全相通。

核心概念：你在叫賣什麼？

呼叫 LLM 本質上就是發一個 HTTP 請求，把對話送出去，再把回應拿回來。你付錢買的是 token（模型處理的文字單位），不是次數。

幾個必懂名詞：

API Key：你的身份憑證，像密碼一樣，絕對不能洩露或提交到 Git。
Endpoint（端點）：發送請求的網址，例如 https://api.openai.com/v1/chat/completions。
Model（模型）：指定要用哪個模型，例如 gpt-4o-mini（便宜快）或頂規模型。
Token：計費單位。大約 1 個 token ≈ 中文 1～2 字、英文約 4 字母。回應會比輸入更長，成本要往高估。

第一步：取得 API Key

前往 OpenAI 官網註冊帳號並登入。
到 API Keys 頁面生成一組 key。
設定計費方式（付費方案）。
立刻把它當成密碼管理，之後會放環境變數裡，不寫死在程式碼中。

第二步：最小可行範例（Python）

安裝套件：

1	pip install openai

最簡單的對話呼叫：

import os
from openai import OpenAI

client = OpenAI(api_key=os.environ["OPENAI_API_KEY"])

response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[
        {"role": "system", "content": "你是一位友善的程式老師。"},
        {"role": "user", "content": "用一句話解釋什麼是 API。"}
    ],
)

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

重點說明：

messages 裡每則訊息有 role：system（設定行為）、user（使用者問題）、assistant（AI 回應）。多輪對話就是把歷史都丟回去。
response.choices[0].message.content 就是模型回的文字。

第三步：最小可行範例（Java）

你的部落格有不少 Java 內容，這裡給一個用原生 HTTP 的範例（不需額外套件）：

import java.net.http.*;
import java.net.URI;
import com.google.gson.*;

public class OpenAiExample {
    public static void main(String[] args) throws Exception {
        HttpClient client = HttpClient.newHttpClient();

        String body = Json.createObjectBuilder()
            .add("model", "gpt-4o-mini")
            .add("messages", Json.createArrayBuilder()
                .add(Json.createObjectBuilder()
                    .add("role", "user")
                    .add("content", "用一句話解釋什麼是 token。"))
                .build())
            .build().toString();

        HttpRequest request = HttpRequest.newBuilder(URI.create("https://api.openai.com/v1/chat/completions"))
            .header("Authorization", "Bearer " + System.getenv("OPENAI_API_KEY"))
            .header("Content-Type", "application/json")
            .POST(HttpRequest.BodyPublishers.ofString(body))
            .build();

        HttpResponse<String> response = client.send(request, HttpResponse.BodyHandlers.ofString());
        JsonObject json = JsonParser.parseString(response.body()).getAsJsonObject();
        System.out.println(json.getAsJsonArray("choices").get(0)
            .getAsJsonObject().getAsJsonObject("message").get("content").getAsString());
    }
}

（這裡假設你已引入 Gson 用於解析 JSON。）

三個你會馬上遇到的設定

temperature：控制隨機性。0～1。寫程式、要事實 → 調低（如 0.2）；創意寫作 → 調高（如 0.8）。
max_tokens：限制回應最長長度，控成本用。
上下文管理：對話輪數多了，token 會累積到超出「上下文窗口」。實務上要摘要舊對話或只傳最近幾輪。

計費：大概會花多少？

以便宜的 gpt-4o-mini 為例，價格非常低（每百萬 token 約幾美元等級），但請記住：

輸入與輸出的 price 不同，通常輸出較貴。
長文件、多輪對話會快速累積。
建議先在程式裡印出 token 數，掌握成本再上線。

安全紅線（務必遵守）

API Key 放環境變數，不要硬編碼。
加入 .gitignore，避免 key 被推到 GitHub。
後端呼叫，別在前端暴露 key：瀏覽器／手機 App 直接調 API 會讓 key 被人扒走。正確做法是你的伺服器當中繼。
設定花費上限（quota），避免意外刷爆帳單。

小結

呼叫 LLM = 發 HTTP 請求帶上 API Key，按 token 計費。
Python、Java 的最小範例都已實作通過，關鍵是 messages 的 role 設計。
用 temperature 控制創造性，用 max_tokens 控成本。
Key 絕不放前端、不進 Git，這是安全底線。

學會 OpenAI API 後，你已經能接任何一家大模型。下一篇更實用：RAG（檢索增強生成）——讓 AI 讀你自己的私人文件。

《AI 新時代》系列第 05 篇。上一篇：AI Coding 工具比較 · 下一篇預告：RAG

#AI 程式開發