如何用Python快速查询ChatGPT API Key的可用模型列表？实战解析

1. 为什么需要查询API Key的可用模型列表？

最近在开发一个基于ChatGPT的智能客服系统时，我发现不同来源的API Key支持的模型差异很大。有些Key只能调用GPT-3.5，有些可以访问GPT-4，甚至有些组织提供的Key还包含专属模型。这让我意识到，在使用API Key之前，必须先确认它能调用哪些模型。

举个例子，上周我接手了一个客户项目，对方提供了5个API Key，说是都支持GPT-4。但实际测试发现，其中3个Key根本调用不了GPT-4模型，导致项目进度受阻。后来我才知道，这些Key来自不同的订阅计划，权限各不相同。如果当时能先检查Key的可用模型列表，就能避免这个问题。

2. 准备工作：安装和配置OpenAI Python库

2.1 安装OpenAI库

首先需要安装官方OpenAI Python库。我推荐使用最新版本，因为OpenAI经常更新API功能。在终端运行：

pip install --upgrade openai

如果你使用虚拟环境（强烈建议），记得先激活环境再安装。我遇到过因为库版本过旧导致Model.list()方法不可用的情况，所以保持更新很重要。

2.2 设置API Key

获取API Key后，可以通过环境变量或直接赋值的方式设置：

import openai # 方法1：直接设置 openai.api_key = "sk-your-api-key-here" # 方法2：从环境变量读取（更安全） import os from dotenv import load_dotenv load_dotenv() # 加载.env文件 openai.api_key = os.getenv("OPENAI_API_KEY")

我建议使用第二种方法，特别是当你需要分享代码时。我曾经不小心把包含Key的代码上传到GitHub，结果Key被恶意使用，损失了不少额度。

3. 查询可用模型列表的完整方法

3.1 基础查询代码

查询可用模型的核心代码非常简单：

models = openai.Model.list() print(models)

但直接打印输出会比较杂乱，我建议对结果进行格式化处理：

import json models = openai.Model.list() print(json.dumps(models.data, indent=2))

这样会以漂亮的JSON格式输出，方便查看每个模型的详细信息。

3.2 解析返回结果

API返回的数据结构包含这些关键信息：

• id: 模型唯一标识符（如"gpt-4"）
• object: 固定值为"model"
• created: 模型创建时间戳
• owned_by: 模型所有者

我通常关注的是id字段，因为它决定了你能实际调用哪些模型。例如：

• gpt-3.5-turbo: 默认的GPT-3.5模型
• gpt-4: GPT-4基础模型
• text-embedding-ada-002: 嵌入模型

3.3 实用封装函数

为了方便日常使用，我封装了这个函数：

def get_available_models(api_key): openai.api_key = api_key try: models = openai.Model.list() return [model.id for model in models.data] except Exception as e: print(f"Error fetching models: {e}") return []

调用方式：

available_models = get_available_models("sk-your-key-here") print("Available models:", available_models)

这个函数会返回一个纯模型ID列表，并处理了可能的异常情况。

4. 高级技巧与常见问题处理

4.1 过滤特定类型的模型

有时候我们只关心聊天模型，可以这样过滤：

chat_models = [ model.id for model in models.data if "gpt" in model.id.lower() ] print("Chat models:", chat_models)

我常用的过滤条件包括：

• "gpt": 聊天模型
• "embedding": 嵌入模型
• "whisper": 语音模型
• "dall": 图像模型

4.2 处理API限流问题

当查询频繁时可能会遇到限流错误。我的解决方案是：

import time from tenacity import retry, stop_after_attempt, wait_exponential @retry(stop=stop_after_attempt(3), wait=wait_exponential(multiplier=1, min=4, max=10)) def get_models_with_retry(): return openai.Model.list()

这个重试机制会在失败后等待指数增长的时间（4s, 16s, 64s），最多重试3次。

4.3 验证Key的具体权限

有时候Key能列出模型，但实际调用时却无权限。我通常会双重验证：

def check_model_access(api_key, model_name="gpt-4"): openai.api_key = api_key try: # 先检查模型列表 models = openai.Model.list() if model_name not in [m.id for m in models.data]: return False # 再尝试实际调用 test_prompt = "Hello" openai.ChatCompletion.create( model=model_name, messages=[{"role": "user", "content": test_prompt}], max_tokens=5 ) return True except: return False

这个方法虽然会消耗少量token，但能确保Key真正可用。

5. 实际应用场景案例

5.1 批量检查多个API Key

当管理多个Key时，我使用这个脚本：

def batch_check_keys(api_keys): results = {} for key in api_keys: models = get_available_models(key) has_gpt4 = any("gpt-4" in m for m in models) results[key[:8] + "..."] = { "total_models": len(models), "has_gpt4": has_gpt4, "sample_models": models[:3] # 显示前3个作为样例 } return results

输出示例：

{ "sk-abc123...": { "total_models": 56, "has_gpt4": True, "sample_models": ["gpt-4", "gpt-3.5-turbo", "text-embedding-ada-002"] }, "sk-def456...": { "total_models": 23, "has_gpt4": False, "sample_models": ["gpt-3.5-turbo", "text-davinci-003", "curie"] } }

5.2 自动化监控脚本

我写了一个定时监控脚本，检查Key的模型权限变化：

import schedule import time from datetime import datetime def monitor_key(key): current_models = set(get_available_models(key)) last_models = load_last_check() # 实现你自己的存储逻辑 if current_models != last_models: print(f"[{datetime.now()}] Model changes detected!") print("Added:", current_models - last_models) print("Removed:", last_models - current_models) save_current_check(current_models) # 存储当前状态 # 每6小时检查一次 schedule.every(6).hours.do(monitor_key, key="sk-your-key-here") while True: schedule.run_pending() time.sleep(60)

这个脚本帮我发现过几次Key权限被意外修改的情况。

6. 性能优化与最佳实践

6.1 缓存模型列表

频繁查询模型列表会影响性能，我建议缓存结果：

from functools import lru_cache import time @lru_cache(maxsize=32) def get_cached_models(api_key, expire_seconds=3600): # 实现一个简单的过期逻辑 current_time = time.time() models = get_available_models(api_key) return (current_time, models) def get_models_with_cache(api_key): timestamp, models = get_cached_models(api_key) if time.time() - timestamp > 3600: # 1小时过期 get_cached_models.cache_clear() return get_cached_models(api_key)[1] return models

6.2 异步查询实现

对于需要检查大量Key的场景，可以使用异步：

import aiohttp import asyncio async def async_get_models(api_key): async with aiohttp.ClientSession() as session: headers = {"Authorization": f"Bearer {api_key}"} async with session.get("https://api.openai.com/v1/models", headers=headers) as resp: data = await resp.json() return [m["id"] for m in data["data"]] async def check_multiple_keys(api_keys): tasks = [async_get_models(key) for key in api_keys] return await asyncio.gather(*tasks, return_exceptions=True)

6.3 安全注意事项

处理API Key时要特别注意：

1. 永远不要将Key硬编码在代码中
2. 使用环境变量或密钥管理服务
3. 为不同环境（开发、测试、生产）使用不同的Key
4. 定期轮换Key
5. 设置使用限额告警

我曾经因为Key泄露导致一夜之间消耗了所有额度，现在我会为每个Key设置使用告警：

def check_usage(api_key): openai.api_key = api_key usage = openai.Usage.retrieve() print(f"Used {usage.total_usage} tokens this month") if usage.total_usage > 1000000: # 100万token send_alert("High usage warning!")

这些经验都是从实际项目中积累的，希望能帮你少走弯路。如果遇到模型权限问题，最好的办法就是先用本文介绍的方法确认Key的实际权限范围，再根据结果调整你的应用设计。