手把手教你构建一个能分析OpenAI竞争对手的API工具，使用LangChain处理数据，FastAPI提供服务，完整可复现。

「30分钟实现 OpenAI API 竞品分析工具：LangChain + FastAPI 完整教程」

手把手教你构建一个能分析OpenAI竞争对手的API工具，使用LangChain处理数据，FastAPI提供服务，完整可复现。

TL;DR

这篇文章将带你一步步构建一个能够分析OpenAI竞争对手的API工具，我们将使用LangChain处理数据，FastAPI提供服务。如果你是开发者，需要快速搭建AI分析工具，并且有Python 3.8+环境和OpenAI API密钥，那么这篇文章正适合你。

背景与痛点

AI领域发展日新月异，了解OpenAI的竞争对手情况变得越来越重要。但手动收集和分析这些信息既费时又费力。市面上的解决方案要么太复杂难以上手，要么功能太过单一。我们真正需要的是一个能自动收集、处理和分析竞争对手信息的工具。

核心概念速览

术语	定义
LangChain	构建基于LLM应用的框架
FastAPI	现代快速Web框架
RAG	检索增强生成，结合检索与生成
API	应用程序接口，数据交换的桥梁

环境准备

首先安装必要的依赖包：

pip install langchain fastapi uvicorn openai python-dotenv

创建`.env`文件添加你的OpenAI API密钥：

OPENAI_API_KEY=your_api_key_here

Step-by-step 实现

1. 项目结构

openai_competitor_analyzer/
│── app.py
│── requirements.txt
│── .env
│── prompts/
│ │── analyze_prompt.txt
│ │── summarize_prompt.txt
│── data/
│ │── competitors.

2. 创建数据文件

在data/competitors.中添加基础数据：

{
“competitors”: [
{
“name”: “Anthropic”,
“description”: “专注于AI安全研究的公司”,
“products”: [“Claude”, “Constitutional AI”]
},
{
“name”: “Google”,
“description”: “科技巨头，开发Gemini模型”,
“products”: [“Gemini”, “BERT”, “LaMDA”]
}
]
}

3. 创建提示词

在prompts/analyze_prompt.txt中：

请分析以下竞争对手信息：

{competitor_info}

请从以下维度进行分析：

1. 产品特点
2. 技术优势
3. 市场定位
4. 与OpenAI的对比

请以JSON格式返回结果。

在prompts/summarize_prompt.txt中：

请总结以下分析结果：

{analysis_results}

请提供一个简洁的总结，突出关键发现。

4. 主应用代码

创建app.py：

import os
import 
from fastapi import FastAPI, HTTPException
from pydantic import BaseModel
from langchain.chat_models import ChatOpenAI
from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain
from dotenv import load_dotenv

load_dotenv()

app = FastAPI()

初始化模型

llm = ChatOpenAI(model_name=“gpt-3.5-tur”, temperature=0.7)

加载数据

with open(“data/competitors.”, “r”) as f:
competitors_data = .load(f)

创建提示词模板

analyze_prompt = PromptTemplate(
input_variables=[“competitor_info”],
template=“”"
请
分析以下竞争对手信息：

{competitor_info}

请从以下维度进行分析：

1. 产品特点
2. 技术优势
3. 市场定位
4. 与OpenAI的对比

请以JSON格式返回结果。
“”"
)

summarize_prompt = PromptTemplate(
input_variables=[“analysis_results”],
template=“”"
请总结以下分析结果：

{analysis_results}

请提供一个简洁的总结，突出关键发现。
“”"
)

创建链

analyze_chain = LLMChain(llm=llm, prompt=analyze_prompt)
summarize_chain = LLMChain(llm=llm, prompt=summarize_prompt)

请求模型

class AnalyzeRequest(BaseModel):
competitor_name: str

@app.post(“/analyze”)
def analyze_competitor(request: AnalyzeRequest):
competitor_name = request.competitor_name

# 查找竞争对手信息
competitor_info = None
for competitor in competitors_data["competitors"]:
    if competitor["name"] == competitor_name:
        competitor_info = competitor
        break

if not competitor_info:
    raise HTTPException(status_code=404, detail="Competitor not found")

try:
    # 分析竞争对手
    analysis_result = analyze_chain.run(competitor_info=.dumps(competitor_info))

    # 总结分析结果
    summary = summarize_chain.run(analysis_results=analysis_result)

    return {
        "competitor": competitor_name,
        "analysis": analysis_result,
        "summary": summary
    }
except Exception as e:
    raise HTTPException(status_code=500, detail=str(e))

@app.get(“/competitors”)
def get_competitors():
return {“competitors”: [c[“name”] for c in competitors_data[“competitors”]]}

5. 运行应用

启动FastAPI应用：

uvicorn app:app --reload

访问`http://localhost:8000/docs`查看API文档。

常见错误与解决方案

1. API密钥错误

错误：Invalid API key

解决方案：检查.env文件中的API密钥是否正确，确保没有多余空格。

2. 数据加载失败

错误：FileNotFoundError

解决方案：确保data/competitors.文件存在且路径正确。

3. JSON解析错误

错误：JSONDecodeError

解决方案：检查JSON文件格式是否正确，确保所有括号匹配。

进阶优化

1. 添加数据库支持：使用SQLAlchemy或MongoDB存储分析结果
2. 增加异步处理：使用Celery处理耗时任务
3. 添加缓存机制：使用Redis缓存分析结果
4. 扩展数据源：从网页实时抓取竞争对手信息

完整代码仓库

完整代码可在以下仓库获取：https://gith
ub.com/example/openai-competitor-analyzer

核心知识点总结

1. 使用LangChain构建LLM应用链
2. FastAPI快速构建API服务
3. 提示词工程的重要性
4. 错误处理与API设计最佳实践

参考资料