1. 서론

대규모 언어모델(LLM, Large Language Model)은 단순 질의응답을 넘어, 맥락을 이해하고 연속적인 대화를 이어갈 수 있는 지능을 제공합니다.
OpenAI의 Chat API는 기존 텍스트 완성 모델과 달리 대화 메시지(message) 구조를 기반으로 설계되어, 대화 맥락 추적, 역할 지정, 스트리밍 응답이 가능합니다.

이 문서는 개발자가 Playground 실험 → Python 코드 구현 → Streamlit/Gradio UI 적용 → 금융/엔터테인먼트 응용까지 차근차근 따라 할 수 있는 학습형 화이트 페이퍼입니다.

2. OpenAI Playground에서 Chat 기능 이해하기

2.1 Playground 개요

OpenAI Playground는 브라우저 기반 실험실로, API 호출을 직접 작성하지 않고도 모델을 실험할 수 있는 환경입니다.
주소: OpenAI Playground Chat
결제 정보(카드 등록)가 필요하며, 소규모 크레딧 제공 후 사용량에 따라 과금됩니다.

Playground는 빠른 프로토타입 제작에 유용하며, 추후 Python 코드/API 호출로 확장하기 전에 개념을 이해하기 좋은 툴입니다.

2.2 메시지 구조와 역할(role)

Chat API의 핵심은 messages 배열입니다.
각 메시지는 아래 3가지 역할(role) 중 하나를 가집니다:

system: 모델의 페르소나를 정의 예: "너는 요리 연구가야. 가을 제철 요리를 설명해줘."
user: 사용자의 질문이나 지시 입력
assistant: AI가 응답한 내용

예시 대화 (Playground UI)

system : 너는 시적 보조자야. 복잡한 프로그래밍 개념을 시로 설명해.
user   : 재귀(recursion)의 개념을 한국어 시로 설명해줘.
assistant : (재귀 개념을 시로 표현한 응답)

2.3 요청 메시지 형식 (Chat Completion Request Body)

{
  "model": "gpt-4o-mini",
  "messages": [
    {"role":"system", "content":"너는 자바 개발 전문가야."},
    {"role":"user", "content":"스프링 프레임워크의 장점을 알려줘"}
  ],
  "temperature": 0.7,
  "max_tokens": 500,
  "stream": false
}

주요 파라미터 정리

파라미터	설명	예시
model	사용할 모델 ID	`"gpt-4o"`, `"gpt-4o-mini"`
messages	대화 기록 (system, user, assistant)	리스트 형태
temperature	무작위성 조절 (0=결정적, 2=창의적)	0.7
max_tokens	생성할 최대 토큰 수	500
stream	스트리밍 응답 여부	true / false
stop	특정 문자열에서 응답 중단	[“종료”, “\n\n”]

2.4 대화 맥락 유지 전략

대화형 챗봇은 사용자 입력과 AI 응답을 계속 messages 배열에 누적해야 합니다.

messages = []  # 대화 기록 저장

while True:
    content = input("사용자: ")
    if content == "종료":
        break

    messages.append({"role":"user", "content":content})

    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=messages
    )

    answer = response.choices[0].message.content
    print("AI:", answer)
    messages.append({"role":"assistant", "content":answer})

3. Python 기반 구현 실습

3.1 환경 준비

pip install openai python-dotenv

3.2 .env 파일 생성

OPENAI_API_KEY=sk-xxxxxxxx

3.3 기본 코드

from openai import OpenAI
import os
from dotenv import load_dotenv

load_dotenv()
api_key = os.getenv("OPENAI_API_KEY")
client = OpenAI(api_key=api_key)

messages = [{"role":"user", "content":"봄에 대해 알려줘"}]

response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=messages
)

print(response.choices[0].message.content)

4. [실습] Streamlit 기반 챗봇

4.1 Streamlit 설치

pip install streamlit

4.2 단일 질문 챗봇

# st_main_01.py
import streamlit as st
from openai import OpenAI
import os, dotenv

dotenv.load_dotenv()
client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))

st.title("AI Chatbot")

user_question = st.text_input("질문을 입력하세요:")

if st.button("질문하기"):
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role":"user","content":user_question}],
        max_tokens=100
    )
    st.write(response.choices[0].message.content)

실행:

streamlit run st_main_01.py

4.3 Spinner 적용 (로딩 UI)

with st.spinner("답변 준비 중..."):
    response = client.chat.completions.create(...)

4.4 대화 히스토리 유지 챗봇

Streamlit의 st.session_state를 이용해 messages를 보존할 수 있습니다.

5. [실습] Gradio 기반 챗봇

5.1 Gradio 설치

pip install gradio

5.2 기본 챗봇

import gradio as gr

def respond(message, history):
    return history + [(message, "응답 예시")]

demo = gr.ChatInterface(fn=respond, title="기본 챗봇")
demo.launch()

5.3 영화 추천 챗봇 (프롬프트 설계)

movie_prompt = """
당신은 영화 추천 전문가입니다.
사용자의 입력(배우, 감독, 영화 제목, 연령대 등)에 따라 3~5편 영화를 추천하세요.
"""

Gradio UI와 OpenAI API 연동 → 실습 코드 포함.

6. 응용 사례: 주식 분석 챗봇

yfinance 라이브러리로 주가 데이터 수집
AI가 통계 요약 + 투자 관점 분석

import yfinance as yf
df = yf.download("AAPL", period="30d")
print(df.tail())

AI 응답 예시:

AAPL 최근 30일 주가 요약:
- 최고가: 198.32
- 최저가: 184.10
- 평균 종가: 191.50
→ 단기적으로 상승세, 그러나 변동성 주의 필요.

7. 활용 시나리오 확장

교육: 수학 문제 튜터, 프로그래밍 과외
헬스케어: 건강 상담 챗봇
금융: 주식/암호화폐 리포트 자동 생성
엔터테인먼트: 영화·음악 추천, 대화형 게임 NPC
기업 서비스: 고객 FAQ 자동화

8. 기술적 고려사항

토큰 관리: 긴 대화 시 메시지 누적 → max_tokens와 context window 고려
에러 처리: RateLimitError, AuthenticationError 대비
보안: API Key는 .env로 관리, 절대 코드에 하드코딩 금지

부록

A. 주요 파라미터 튜닝 팁

temperature=0.2 → 정밀한 요약/분석
temperature=0.9 → 창의적 글쓰기

B. 토큰 계산 예시

import tiktoken
enc = tiktoken.encoding_for_model("gpt-4o-mini")
print(len(enc.encode("안녕하세요")))

C. Playground vs API 비교

Playground: 시각적 실험 → 빠른 테스트
API: 코드화 → 제품/서비스에 통합 가능

9. 결론

본 화이트 페이퍼는 Playground 학습 → Python API → Streamlit/Gradio UI → 응용 사례로 이어지는 전 과정을 다뤘습니다.
이 접근법을 따르면 누구나 기초 실습 → 서비스 프로토타입 제작 → 산업 응용까지 확장할 수 있습니다.

대화형 AI는 교육·금융·엔터테인먼트 분야에서 빠르게 확산 중이며, OpenAI Chat API는 이를 구현할 수 있는 가장 강력하고 직관적인 도구 중 하나입니다.

[카테고리:] 미분류

OpenAI Chat API 기반 대화형 AI 구현과 응용