unofficial-chatgpt-api

GitHub
702 136 简单 1 次阅读 昨天MIT语言模型
AI 解读 由 AI 自动生成,仅供参考

unofficial-chatgpt-api 是一个非官方的 ChatGPT 接口工具,旨在帮助开发者在本地快速搭建与 ChatGPT 交互的服务。它通过自动化浏览器技术,解决了在没有官方 API 权限或希望进行低成本原型开发时,难以程序化调用 ChatGPT 能力的痛点。

这款工具特别适合需要进行实验性开发、学习 AI 集成或构建内部演示原型的程序员使用。其核心原理基于 Playwright 和 Chromium 浏览器引擎,能够自动启动浏览器、模拟用户操作并解析网页返回的 HTML 内容,从而提取 ChatGPT 的回答。这种方法巧妙地绕过了复杂的逆向工程,直接利用现有的网页界面实现数据抓取。

使用时,用户只需配置好 Python 虚拟环境并安装依赖,即可在本地 5001 端口启动服务。随后,通过简单的 HTTP 请求(如访问 /chat 端点)即可发送指令并获取回复。需要注意的是,unofficial-chatgpt-api 完全由社区维护,并非 OpenAI 官方产品,因此主要适用于开发和测试场景,不建议用于对稳定性要求极高的生产环境。凭借其对 Daniel Gross 开源脚本的封装与完善的部署文档,它为想要快速上手 ChatGPT 集成的开发者提供了一条便捷的途径。

使用场景

某初创团队希望将 ChatGPT 的对话能力快速集成到内部的自动化运维脚本中,但受限于预算无法承担官方 API 的高昂费用。

没有 unofficial-chatgpt-api 时

  • 开发人员必须手动登录网页版 ChatGPT,逐条复制问题并粘贴生成的代码,效率极低且容易出错。
  • 想要实现脚本自动调用,需自行研究复杂的浏览器自动化方案(如 Selenium 或 Playwright),开发周期长达数天。
  • 缺乏统一的本地服务接口,导致现有 Python 运维工具链无法直接通过 HTTP 请求获取 AI 辅助结果。
  • 每次模型更新或网页结构微调,都需要人工重新调整抓取逻辑,维护成本极高。

使用 unofficial-chatgpt-api 后

  • 团队只需运行 python server.py 即可在本地 5001 端口启动服务,运维脚本通过简单的 curl 命令即可实时获取代码建议。
  • 基于成熟的 Playwright 方案自动处理浏览器渲染与 HTML 解析,无需从零构建自动化流程,半天内完成集成。
  • 提供标准的 /chat 单一端点,完美契合现有的 HTTP 请求架构,让旧系统无缝获得智能对话能力。
  • 社区持续同步解析逻辑更新(如 2022 年 12 月的优化),大幅降低了因前端变动导致的维护风险。

unofficial-chatgpt-api 通过轻量级的本地桥接方案,让开发者以零成本实现了 ChatGPT 能力的自动化集成,极大提升了原型开发与内部工具的效率。

运行环境要求

操作系统
  • Linux
  • macOS
  • Windows
GPU

未说明

内存

未说明

依赖
notes该工具非官方 API,仅用于开发目的。核心原理是通过 Playwright 驱动 Chromium 浏览器打开网页并解析 HTML。首次安装后需运行 'playwright install' 命令下载浏览器内核。服务默认运行在 5001 端口。
pythonPython 3 (通过 virtualenv -p $(which python3) 推断)
playwright
chromium
unofficial-chatgpt-api hero image

快速开始

ChatGPT API

  • 它使用 Playwright 和 Chromium 打开浏览器并解析 HTML。
  • 这是一个非官方 API,仅用于开发目的。

安装方法

  • 请确保已安装 Python 和虚拟环境。

  • 创建一个新的虚拟环境

# 首次执行
virtualenv -p $(which python3) pyenv

# 每次运行服务器时
source pyenv/bin/activate
  • 现在安装依赖项
pip install -r requirements.txt
  • 如果您是首次安装 Playwright,它会提示您只需运行一次以下命令。
playwright install
  • 现在运行服务器
python server.py
  • 服务器运行在端口 5001 上。如果您想更改端口,可以在 server.py 中进行修改。

API 文档

  • 只有一个端点,地址为 /chat
curl -XGET http://localhost:5001/chat?q=Write%20a%20python%20program%20to%20reverse%20a%20list

更新

  • [2022年12月8日]: 更新了解析逻辑(感谢 @CoolLoong)

致谢

  • 本脚本的所有功劳都归于 Daniel Gross 的 whatsapp gpt 包。我只是将该脚本单独提取出来,并添加了安装和运行的说明文档。

免责声明

请注意,该项目为个人开发项目,并非 OpenAI 的官方产品。它与 OpenAI 没有任何关联,也不应被视为其官方产品。

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

141.5k|★★☆☆☆|今天
开发框架Agent语言模型

LLMs-from-scratch

LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目,旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型(LLM)。它不仅是同名技术著作的官方代码库,更提供了一套完整的实践方案,涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型,却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码,用户能够透彻掌握 Transformer 架构、注意力机制等关键原理,从而真正理解大模型是如何“思考”的。此外,项目还包含了加载大型预训练权重进行微调的代码,帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API,而是渴望探究模型构建细节的技术人员而言,这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计:将复杂的系统工程拆解为清晰的步骤,配合详细的图表与示例,让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础,还是为未来研发更大规模的模型做准备

90.1k|★★★☆☆|今天
语言模型图像Agent

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。

87.6k|★★☆☆☆|昨天
开发框架语言模型

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。

85k|★★☆☆☆|今天
图像数据工具视频

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。

77.1k|★★★☆☆|3天前
Agent图像开发框架

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。

75k|★★★☆☆|今天
语言模型图像开发框架