gpt-3-experiments
gpt-3-experiments 是一个专注于测试 OpenAI GPT-3 API 提示词（Prompts）并展示生成结果的开源项目。它旨在帮助开发者直观地观察不同输入下 AI 的反应，验证模型的鲁棒性，同时提供了一套高效的 Python 脚本，让用户能比网页界面更快速地批量获取生成文本。
对于希望深入探索大语言模型行为的开发者、研究人员或 AI 爱好者来说，这是一个极佳的实验沙箱。项目不仅收录了大量未经编辑的原始生成案例（部分内容含警告），还详细记录了在不同“温度”参数下的输出差异：从确定性的逻辑回答到高创造力的发散文本，全方位呈现模型特性。
其技术亮点在于配套的 openai_api.py 脚本，支持通过配置文件灵活调整生成策略。该脚本内置了请求间隔机制，避免因并发过高对 API 造成压力，确保测试过程稳定可靠。无论是想快速验证某个创意提示词的效果，还是系统性地研究参数对文本风格的影响，gpt-3-experiments 都能提供便捷、透明的实验环境，助你轻松开启 GPT-3 的探索之旅。
使用场景
某独立游戏开发者正在为奇幻 RPG 设计大量随机生成的 NPC 背景故事，需要快速测试不同提示词（Prompt）下 GPT-3 的输出质量与多样性。
没有 gpt-3-experiments 时
- 开发者必须反复手动在 OpenAI 网页端输入提示词，无法批量对比不同“温度”（Temperature）参数下的创作风格差异。
- 每次调整参数后需单独保存结果，缺乏统一的文件管理结构，导致数百条测试文本杂乱无章，难以回溯最佳案例。
- 想要复现某个特定风格的文本极其困难，因为网页端操作难以精确记录每次实验的完整配置（如具体的 Token 限制和随机种子）。
- 编写自定义脚本来调用 API 耗时耗力，且容易因未设置请求间隔而触发官方频率限制，导致开发流程中断。
使用 gpt-3-experiments 后
- 通过简单的命令行指令，gpt-3-experiments 能一次性针对同一提示词自动生成多组不同温度参数（0.0 至 1.2）的文本，直观展示从“严谨”到“疯狂”的风格谱系。
- 工具自动按示例分类存储结果为 Markdown 文件，清晰标记输入内容与警告信息，让开发者能像查阅文档一样快速筛选优质素材。
- 得益于确定的参数配置（如 temperature=0.0），开发者可随时精准复现任何一次生成结果，确保角色设定的一致性。
- 内置的请求节流机制（默认 30 秒间隔）自动保护账号免受封禁风险，让开发者无需关注底层并发细节，专注于内容创意本身。
gpt-3-experiments 将繁琐的 API 调试转化为标准化的实验流程，极大提升了利用大模型进行创意原型的迭代效率。
运行环境要求
- 未说明
不需要 GPU（基于 OpenAI API 调用）
未说明
快速开始
gpt-3-experiments
一个包含针对 OpenAI 的 GPT-3 API 测试提示词及其生成的 AI 文本的仓库。这些内容既展示了模型的强大能力，也附带了一个用于快速通过 API 查询文本的 Python 脚本。除非另有明确说明，本仓库中所有生成的文本均 完全未经编辑或筛选。
免责声明：本仓库中的生成文本可能含有冒犯性内容。在出现这种情况时，相应示例的 README 文件将包含明确的内容警告（CW）。
仓库结构
本仓库在 /examples 文件夹下为每个提示词示例创建了单独的文件夹。每个提示词示例的 README 文件包含了输入内容以及如上所述的所有内容警告。
所有文本均由最佳的 davinci 模型生成。具体而言，在输入提示词后，首先以 temperature=0.0 的设置生成 1 篇文本（每篇最多 512 个 token），此时模型会始终选择最可能的输出，因此结果是确定性的；随后再分别以 0.7、1.0 和 1.2 这三种温度各生成 10 篇文本：温度越高，生成的文本就越“富有创造性”。
脚本使用方法
如果您拥有 OpenAI API 的访问权限，可以使用 openai_api.py Python 脚本比通过网页界面更快地获取生成的文本。
首先下载或克隆本仓库，并在 config.yml 文件中将 SECRET_KEY 设置为您从 OpenAI API 获得的密钥。（请勿与他人共享！）
该脚本（Python 3.6+）需要安装以下 Python 包：
pip3 install httpx pyyaml fire tqdm
安装完成后，您可以在命令行中运行它。例如，如果您想用提示词“从前有座山”生成文本，可以执行以下命令：
python3 openai_api.py "从前有座山"
这将会根据 config.yml 中指定的各个温度值分别生成对应的文件。
如果您希望从文件中读取较长的提示词（例如默认的 prompt.txt），可以将提示词放入该文件中，然后运行：
python3 openai_api.py "prompt.txt"
默认情况下，输出文件为 Markdown 格式，这样可以在 GitHub 上更好地显示加粗的提示词等内容。如果希望将输出文件保存为纯文本格式（不包含提示词），可以设置：
python3 openai_api.py "prompt.txt" --markdown False
注意事项
- 该脚本默认采用同步请求方式，且每次请求之间有 30 秒的延迟：据称，同时发起所有生成请求的异步方式会对 OpenAI 的基础设施造成过大压力。因此，请暂时使用默认设置。
维护者/创作者
Max Woolf (@minimaxir)
Max 的开源项目由其 Patreon 和 GitHub Sponsors 支持。如果您觉得本项目有所帮助，欢迎向 Patreon 捐款，您的支持将被用于有益的创作用途。
许可证
MIT
免责声明
本仓库与 OpenAI 无任何关联。
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。
awesome-machine-learning
awesome-machine-learning 是一份精心整理的机器学习资源清单，汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点，这份清单按编程语言（如 Python、C++、Go 等）和应用场景（如计算机视觉、自然语言处理、深度学习等）进行了系统化分类，帮助使用者快速定位高质量项目。 它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库，还是资深工程师对比不同语言的技术选型，都能从中获得极具价值的参考。此外，清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源，构建了从学习到实践的全链路支持体系。 其独特亮点在于严格的维护标准：明确标记已停止维护或长期未更新的项目，确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”，awesome-machine-learning 以开源协作的方式持续更新，旨在降低技术探索门槛，让每一位从业者都能高效地站在巨人的肩膀上创新。