ChatGPTSwift
ChatGPTSwift 是一款专为 Apple 生态设计的开源库,旨在帮助开发者通过 Swift 语言便捷地接入 OpenAI ChatGPT 官方 API。无论你的目标是 iOS、macOS、tvOS 还是 watchOS 应用,ChatGPTSwift 都能提供原生支持,省去了底层网络请求的复杂配置。
对于希望在应用中集成智能对话功能的 Swift 开发者而言,ChatGPTSwift 解决了跨平台兼容性和上下文管理的难题。它不仅支持标准的 HTTP 请求,还提供流式输出功能,让用户能实时看到生成内容。特别值得一提的是其内置的对话历史管理机制,能够自动追踪会话上下文,并利用 GPTEncoder 库计算 Token 数量,防止超出模型限制,必要时自动截断旧记录以保持对话流畅。
开发者还可以灵活调整模型版本、系统提示词及温度参数,定制个性化的 AI 行为。如果你正在构建需要人工智能交互的苹果平台应用,ChatGPTSwift 提供了高效且可靠的解决方案。
使用场景
一位资深 iOS 工程师正在构建一款跨平台的智能会议助手,希望用户在 iPhone、Mac 甚至 Apple Watch 上都能直接与 AI 对话以生成摘要。
没有 ChatGPTSwift 时
- 需自行搭建中间层服务器代理 API 请求,暴露密钥风险且增加运维负担。
- 手动拼接对话历史字符串,难以动态控制 Token 数量,易触发限流错误。
- 处理流式数据返回逻辑繁琐,难以保证 UI 渲染的流畅性和实时性。
- 缺乏统一的参数配置接口,调整模型版本或系统提示词需要重构代码。
使用 ChatGPTSwift 后
- 直接在客户端初始化 API Key,支持 iOS、macOS、watchOS 多端统一接入,架构更轻量安全。
- 内置历史列表管理功能,自动截断超长上下文,确保对话连贯且合规。
- 提供 Stream 和 Normal 两种模式,用 For-Loop 即可实现丝滑的流式输出体验。
- 灵活配置 model、temperature 等参数,轻松定制不同场景下的 AI 回复风格。
ChatGPTSwift 彻底消除了苹果生态原生接入大模型的门槛,让开发者能专注于业务创新而非底层通信协议。
运行环境要求
- iOS
- tvOS
- macOS
- watchOS
- Linux
未说明
未说明

快速开始
ChatGPTSwift API

使用 Swift 访问 OpenAI ChatGPT 官方 API。适用于所有 Apple 平台。
支持的平台
- iOS/tvOS 15 及以上
- macOS 12 及以上
- watchOS 8 及以上
- Linux
安装
Swift Package Manager(Swift 包管理器)
- 文件 (File) > Swift Packages > 添加包依赖 (Add Package Dependency)
- 添加 https://github.com/alfianlosari/ChatGPTSwift.git
Cocoapods
platform :ios, '15.0'
use_frameworks!
target 'MyApp' do
pod 'ChatGPTSwift', '~> 2.5.0'
end
要求
从 OpenAI 注册 API 密钥(API Key)。使用 API 密钥进行初始化
let api = ChatGPTAPI(apiKey: "API_KEY")
用法
有两种 API:流式(stream)和普通(normal)
流式传输 (Stream)
服务器将流式传输数据块直到完成,方法 AsyncThrowingStream(异步抛出流)允许你像这样使用 For 循环(For-Loop)进行遍历:
Task {
do {
let stream = try await api.sendMessageStream(text: "What is ChatGPT?")
for try await line in stream {
print(line)
}
} catch {
print(error.localizedDescription)
}
}
普通模式 (Normal)
标准的 HTTP 请求和响应生命周期。服务器将发送完整的文本(响应时间会更长)
Task {
do {
let response = try await api.sendMessage(text: "What is ChatGPT?")
print(response)
} catch {
print(error.localizedDescription)
}
}
提供额外参数
可选地,你可以提供模型(model)、系统提示词(system prompt)、温度(temperature)等参数,如下所示。
let response = try await api.sendMessage(text: "What is ChatGPT?",
model: "gpt-4",
systemText: "You are a CS Professor",
temperature: 0.5)
这些参数的默认值为:
- model:
gpt-3.5-turbo - systemText:
You're a helpful assistant - temperature:
0.5
要了解更多关于这些参数的信息,你可以访问官方 ChatGPT API 文档 和 ChatGPT API 介绍页面
历史记录列表
客户端会存储对话的历史记录列表,该列表将被包含在新的提示词中,以便 ChatGPT 了解之前的对话上下文。当发送新提示词时,客户端会使用 GPTEncoder 库 计算字符串中的令牌(Token)数量,确保令牌计数不超过 4096。如果超过令牌限制,部分之前的对话将被截断。未来我将提供一个 API 来指定令牌阈值,因为新的 gpt-4 模型在单个提示词中接受更大的 8k 令牌。
查看当前历史记录列表
你可以从 historyList 属性查看当前的历史记录列表。
print(api.historyList)
删除历史记录列表
你也可以通过调用以下方法来删除历史记录列表
api.deleteHistoryList()
替换历史记录列表
你可以提供自己的历史记录列表,这将替换存储的历史记录列表。请记住不要超过 4096 个令牌的阈值。
let myHistoryList = [
Message(role: "user", content: "who is james bond?")
Message(role: "assistant", content: "secret british agent with codename 007"),
Message(role: "user", content: "which one is the latest movie?"),
Message(role: "assistant", content: "It's No Time to Die played by Daniel Craig")
]
api.replaceHistoryList(with: myHistoryList)
GPT Encoder 库
我还创建了 GPTEncoder Swift BPE 编码器/解码器,用于 OpenAI GPT 模型。这是一个用于为 OpenAI GPT API 对文本进行标记化(Tokenizing)的编程接口。
GPT Tokenizer UI 库
我还创建了 GPTTokenizerUI,这是一个 SPM 库(Swift Package Manager 库),你可以将其集成到你的应用中,以提供图形用户界面(GUI)输入文本并显示 GPT API 使用的标记化结果。

演示应用
你可以从 SwiftUIChatGPT 仓库 查看 iOS 和 macOS 的演示应用
版本历史
2.5.02025/08/102.4.42024/12/192.4.32024/12/192.4.22024/12/192.4.12024/12/192.4.02024/12/192.3.32024/08/282.3.22024/07/082.3.12024/06/152.3.02024/06/152.2.52024/05/262.2.42024/05/202.2.32024/05/192.2.22024/05/192.2.12024/04/212.2.02024/04/212.1.02024/04/212.0.02024/04/131.7.02024/04/051.6.02024/04/04常见问题
相似工具推荐
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
NextChat
NextChat 是一款轻量且极速的 AI 助手,旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性,以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发,NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言,它也提供了便捷的自托管方案,支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性,原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型,让用户在一个界面即可自由切换不同 AI 能力。此外,它还率先支持 MCP(Model Context Protocol)协议,增强了上下文处理能力。针对企业用户,NextChat 提供专业版解决方案,具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能,满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。
PaddleOCR
PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来,转换成计算机可读取的结构化数据,让机器真正“看懂”图文内容。 面对海量纸质或电子文档,PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域,它扮演着连接图像与大型语言模型(LLM)的桥梁角色,能将视觉信息直接转化为文本输入,助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显:不仅支持全球 100 多种语言的识别,还能在 Windows、Linux、macOS 等多个系统上运行,并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目,PaddleOCR 既能满足快速集成的需求,也能支撑前沿的视觉语言研究,是处理文字识别任务的理想选择。
OpenHands
OpenHands 是一个专注于 AI 驱动开发的开源平台,旨在让智能体(Agent)像人类开发者一样理解、编写和调试代码。它解决了传统编程中重复性劳动多、环境配置复杂以及人机协作效率低等痛点,通过自动化流程显著提升开发速度。 无论是希望提升编码效率的软件工程师、探索智能体技术的研究人员,还是需要快速原型验证的技术团队,都能从中受益。OpenHands 提供了灵活多样的使用方式:既可以通过命令行(CLI)或本地图形界面在个人电脑上轻松上手,体验类似 Devin 的流畅交互;也能利用其强大的 Python SDK 自定义智能体逻辑,甚至在云端大规模部署上千个智能体并行工作。 其核心技术亮点在于模块化的软件智能体 SDK,这不仅构成了平台的引擎,还支持高度可组合的开发模式。此外,OpenHands 在 SWE-bench 基准测试中取得了 77.6% 的优异成绩,证明了其解决真实世界软件工程问题的能力。平台还具备完善的企业级功能,支持与 Slack、Jira 等工具集成,并提供细粒度的权限管理,适合从个人开发者到大型企业的各类用户场景。