【Dv3Admin】插件 dv3admin_chatgpt 集成大语言模型智能模块

智能交互能力正逐渐成为后台系统的重要组成部分，尤其在企业级应用中，大模型接入与管控已成为一项基础设施建设需求。

本文介绍一款专为 Dv3Admin 平台打造的插件 dv3admin_chatgpt，围绕模型接入、额度配置、调用分类与使用追踪构建完整方案，为 Django 系统提供即插即用的自然语言能力支持。

文章目录

功能展示
快速上手
应用开发
总结

功能展示

本插件围绕"大语言模型能力接入与精细化管理"构建了一套完整的后台控制方案，从 用户额度配置（积分用户） 、模型接入（GPT 配置） 、场景调用（分类管理） 到 使用追踪（积分记录） ，构成闭环。

管理员可以通过这套机制快速接入主流模型厂商的 API，灵活控制每位用户的调用权限与额度，提供标准化的业务场景模板支持，同时实现对调用行为的全面监控与可视化统计。

模块名称	功能说明	核心作用与场景
积分用户	管理系统用户的模型使用额度与充值记录	同步系统用户，支持手动分配 Token，监控使用量，避免滥用，便于成本控制
GPT 配置	配置各大模型厂商的 API 接入参数与服务能力	快速接入 OpenAI、通义、文心等厂商模型，支持多模型能力分类与默认路由配置
分类管理	提供 1000+ 预设文本模板，支持自定义 Prompt 配置	一键调用高质量模板，按业务场景分类，支持自定义提示词与调用参数
积分记录	记录每次模型调用行为及 Token 消耗详情	精确追踪调用来源、消耗额度、模型类型，为分析优化与费用统计提供数据支撑

无论你是为内网部署提供接口封装，还是为 SaaS 应用构建可控的 AI 能力接入层，该插件都具备即插即用、易维护、可扩展的优势，适用于大多数企业级模型应用管理场景。

积分用户

该模块用于统计并管理系统用户在调用大语言模型（如 ChatGPT）服务过程中的 Token 消耗情况，帮助管理员精准掌握各用户的使用额度与历史记录。点击 "同步用户信息" 按钮，系统将自动从当前后台用户表中导入用户数据，生成对应的积分用户记录。同步操作无需手动添加，确保数据实时一致。

在工作台页面，管理员可以为每位用户分配 Token 使用额度，类似于"充值积分"。用户在使用 ChatGPT 等模型进行问答、生成内容等操作时，将按实际消耗从余额中扣除。该机制既能限制过度调用，又方便追踪成本开销。

点击"查看订单"按钮可进入充值记录页面，支持查看所有用户的充值订单详情，包括时间、金额、备注信息等。该页面方便管理员审核充值行为、核对账单、导出报表等操作。

GPT配置

该模块用于统一管理系统支持的大模型厂商及其 API 接入配置，便于开发者与管理者对接第三方模型服务如 OpenAI、文心一言、通义千问等。系统会根据内置的初始化数据预配置主流模型厂商的服务信息。大多数情况下，API 地址已默认填写 ，用户只需手动输入或粘贴各厂商提供的 API 密钥（API Key） 即可完成认证接入。

⚠️ 修改或新增配置信息后，请务必点击右上角的 "保存" 按钮以生效。

保存成功后，系统将自动解析并展示当前接口支持的模型名称列表及其对应能力。

每个模型服务实例保存成功后，系统会根据其所支持的 能力标签 进行分类。下拉选择器中仅展示支持当前功能类型的模型，确保业务调用时不出错。

模型类型	功能说明	典型应用场景
文本模型	处理自然语言任务，如生成、对话、摘要等	聊天机器人、内容生成、文本改写
视觉模型	图像相关任务，如生成图片、图像识别等	生成插画、识图问答、图文生成
推理模型	执行结构化判断与逻辑推理任务	表格理解、自动分类、问卷判断
嵌入模型	将文本转化为向量，用于语义匹配与相似度计算	搜索引擎、知识库检索、相似问题推荐
联网模型	支持实时联网搜索，获取外部最新信息	实时问答、新闻摘要、数据补全
工具模型	调用外部函数或插件，执行具体操作	自动化脚本、插件联动、任务执行
重排模型	优化候选结果的排序，提升推荐或搜索准确性	智能推荐系统、搜索结果优化

只需选择匹配的模型能力，保存后即可供接口调用使用。

页面中提供快捷入口，可跳转至厂商官网或查看该模型的接口文档。

按钮	功能描述
官网	可跳转至模型厂商官网，了解产品背景与业务介绍。
适配模型	展示当前厂商所支持的模型接口（如 GPT-4、ERNIE-Bot、Qwen 等）。
接口文档	链接至官方 API 文档，方便开发者参考调用规范。

该模块还支持配置默认的模型路由信息，用于对接系统外部的 API 请求调用场景。例如，第三方工具类平台、低代码应用等若需调用当前后台统一管理的大模型服务，可通过此处配置访问入口与默认模型。

分类管理

系统内置了 1000+ 种 GPT 文本使用模板，根据初始化数据自动分类配置，覆盖常见业务场景，如内容生成、问答提示、数据摘要、代码生成、营销文案等，方便开发者或运营人员快速调用合适的模型能力。

除了系统默认提供的模板外，用户也可以根据自身业务需求自行创建模板，设置自定义提示词（Prompt），然后绑定绑定业务分类与用途标签即可。

积分记录

该模块用于详细记录用户在系统中调用各类模型接口时的 Token 消耗情况，包括每一次请求的模型类型、调用时间、消耗额度、所属应用等关键信息。

快速上手

解压插件包放置 dv3admin 项目 plugins 目录下。

bash 复制代码

dv3admin_chatgpt/
├── fixtures/            # 初始化数据（如模板导入、默认配置）
├── management/          # Django 自定义管理命令
├── migrations/          # 数据库迁移脚本
├── setting_data/        # 插件配置项、模型初始化配置
├── static/              # 前端静态资源（JS、CSS、图标等）
├── views_app/           # 后端视图逻辑模块
├── web/
│   └── dv3admin_chatgpt/ # Web 端交互组件或独立子应用（如前端集成页面）
├── .gitignore           # Git 忽略配置
├── __init__.py          # Python 包初始化
├── apps.py              # Django 应用注册入口
├── models.py            # 数据模型定义
├── README.md            # 项目说明文档
├── settings.py          # 插件级别的配置（如默认参数）
├── urls.py              # URL 路由配置

将 web 文件夹下的 dv3admin_chatgpt 复制到前端的 src/views/plugins 目录下即可。

在 application/settings.py 中添加下面的内容即可。

python 复制代码

# ********** 一键导入插件配置开始 **********
from plugins.dv3admin_chatgpt.settings import *  # ChatGPT配置

在项目根目录下执行以下命令以完成模型配置、菜单注册和静态资源加载：

bash 复制代码

python manage.py init_chatgpt

初始化完成后将输出如下内容：

bash 复制代码

✅ ChatGPT 菜单初始化完成
✅ ChatSetting 初始化完成
✅ ChatCategory 初始化完成
✅ ChatModel 初始化完成
✅ 静态文件 初始化完成

完成以上步骤后，即可在后台系统中看到 ChatGPT 插件菜单并开始使用。

应用开发

管理后台项目内应用

如果想在管理后台中开发一个直接可以调用当前插件的应用模块，例如在某个模块嵌入使用当前功能进行内容生成。

在后端创建 ChatStreamDemo.py

后端代码实现了一个统一的对话请求入口 。通过 URL 中的 chat_model_id 动态分发不同模型配置，调用 handle_chat_request 执行实际问答逻辑。question_info 是用于生成初始提示词和唯一对话分组 ID 的辅助函数，当前以时间戳为 ID，占位式 prompt 可后续拓展为模板驱动。

接口采用 @api_view 装饰，集成了 JWT 鉴权 和 CSRF 豁免，适合生产级别安全调用。

python 复制代码

import time
from dvadmin.utils.json_response import SuccessResponse, ErrorResponse
from rest_framework.decorators import api_view, authentication_classes, permission_classes
from rest_framework.permissions import IsAuthenticated
from rest_framework_simplejwt.authentication import JWTAuthentication
from django.views.decorators.csrf import csrf_exempt
from plugins.dv3admin_chatgpt.views_app.ChatStream import handle_chat_request


def question_info(request, chat_model_id):
    group_id = int(time.time())
    q = getattr(request, 'query_params', request.GET)
    question_info_prompt = "根据模板后续提问信息"
    return question_info_prompt, group_id


@csrf_exempt
@api_view(['GET'])
@authentication_classes([JWTAuthentication])
@permission_classes([IsAuthenticated])
def chat_use_model(request, chat_model_id):
    """
    通用接口，根据 URL 中的 chat_model_id 自动分发。
    """
    try:
        question_info_prompt, group_id = question_info(request, chat_model_id)
    except ValueError as e:
        return ErrorResponse(msg=str(e))
    return handle_chat_request(request, chat_model_id, question_info_prompt, group_id)

同级模块下修改 urls.py 注册一个接口路径 /ChatStream/chat_use_model/<chat_model_id>/，外部应用可直接调用此路径，通过指定模型 ID 实现统一入口接入不同语言模型。

python 复制代码

from rest_framework.routers import DefaultRouter
from django.urls import path
from modules.Config.views_app.ChatStream import chat_use_model

router = DefaultRouter()

urlpatterns = [
    path('ChatStream/chat_use_model/<str:chat_model_id>/', chat_use_model, name='chat_use_model'),
]
urlpatterns += router.urls

使用 runserver 启动开发环境是可行的，可以实现SSE流显示，其他启动方式暂时都不行需要修改，可以

bash 复制代码

daphne -b 0.0.0.0 -p 8000 application.asgi:application 这个不行
python manage.py runserver 0.0.0.0:8000

可以在浏览器里输入下面的网址进行测试，返回的结果是一个SSE流式就可以了。

bash 复制代码

htpp://127.0.0.1:8000/api/dv3admin_chatgpt/test-stream/

管理后台项目外应用

还是在 ChatStreamDemo.py 中台添加，构建一个同步 POST 接口 ，用户提交一个提问字段 txt，系统立刻将其转发给 handle_chat_question_request 进行处理。用途场景：适用于工具箱、表单式提问等一次性问答请求，不需要流式返回，也不保留上下文。

python 复制代码

@csrf_exempt
@api_view(['POST'])
@authentication_classes([JWTAuthentication])
@permission_classes([IsAuthenticated])
def chat_post_question(request):
    """
    通用接口，根据 URL 中的 chat_model_id 自动分发。
    """
    question_info_prompt = request.data.get("txt")
    group_id = int(time.time())
    return handle_chat_question_request(request, question_info_prompt, group_id)

异步 SSE（Server-Sent Events）接口用于生成 AI 对话的流式输出 。从系统配置中读取默认模型参数（如温度、Token 限制等），并允许通过 URL 参数动态覆盖，通过 Token 解析出用户身份，查找历史对话上下文，拼接成完整对话历史，使用 event_stream 实时返回响应数据片段（chunk），每段话以 delta 方式推送，最终发送 end 信号结束。

用途场景：适用于连续对话、多轮问答、工具箱内嵌 AI 对话模块，体验类似 ChatGPT 网页端的逐字生成。

python 复制代码

async def sse_chat_use_model(request):
    # 检查默认配置
    config = ChatSettingData.objects.first()
    if not config:
        return ErrorResponse(msg="未获取到配置，请检查设置。")

    # 根据用户配置重新配置参数
    config_value = config.value
    # 取出最深的 data 配置
    text_data = config_value.get('text', {}).get('text', {}).get('data', {})
    # 替换字段（保留原字段，如果 request 里没有传就用默认值）
    text_data['temperature'] = float(request.GET.get('temperature', 0.8))
    text_data['max_token'] = int(request.GET.get('max_tokens', 500))
    text_data['top_k'] = float(request.GET.get('frequency_penalty', 1.0))
    text_data['top_p'] = float(request.GET.get('presence_penalty', 1.0))

    # 解析token获取用户id和用户信息
    token = request.GET.get('token', '')
    decoded_token = AccessToken(token)
    user_id = decoded_token['user_id']
    user = Users.objects.filter(id=user_id).first()
    # 获取group_id
    group_id = request.GET.get('group_id', None)
    # 获取用户历史对话
    history_num = int(request.GET.get('history_num')) + 2

    history = ChatUse.objects.filter(userid_use=user.id, user_use=user.username, group_id=group_id).order_by('-id')[:history_num][::-1]
    last = ChatUse.objects.filter(userid_use=user.id, user_use=user.username, group_id=group_id).last()

    formatted = []
    for item in history:
        formatted.append({"role": "user", "content": item.question_info})
        if item.answer_info != '待回答':
            formatted.append({"role": "assistant", "content": item.answer_info})

    def stream_generator():
        for chunk in event_stream(
                user, last.question_id, len(history), formatted, config
        ):
            # 双换行表示一个完整事件
            yield f"data: {json.dumps({'delta': {'content': chunk}})}\n\n"
            time.sleep(0.1)
        # 最后的 end 事件也要双换行
        yield f"data: {json.dumps({'end': True})}\n\n"

    response = StreamingHttpResponse(stream_generator(), content_type="text/event-stream")
    response['Cache-Control'] = 'no-cache'
    response['X-Accel-Buffering'] = 'no'
    return response

总结

通过 dv3admin_chatgpt 插件，Django 管理后台系统能够轻松接入主流大语言模型服务，在用户管理、模型接入、场景调用与使用追踪方面实现完整闭环。插件提供灵活的权限配置、丰富的预设模板和直观的可视化监控能力，兼顾可控性与扩展性，适配多类 AI 驱动场景。

大模型技术的发展正不断突破传统应用边界，管理后台的智能化将逐渐成为标配。未来版本可进一步引入上下文记忆优化、多模态支持、模型自动切换等机制，为复杂业务场景提供更高效、更智能的支持。