7 步掌握 Python与大模型交互：从 API 调用到实战开发

一、基础铺垫：Python与大模型交互核心概念

Python与大模型交互，是通过API接口用Python代码调用大模型能力，实现AI对话、文本生成、代码编写等功能。无需深入理解大模型训练原理，只需掌握基础Python语法，就能快速上手，是AI开发、自动化工具、智能应用的核心基础。

# 核心概念梳理（小白必记）
1.  大模型API：大模型开放的接口，通过HTTP请求调用大模型能力
2.  Python交互：用Python发送请求、接收响应，实现与大模型的自动化交互
3.  核心流程：准备环境 → 获取API密钥 → 发送请求 → 解析响应 → 优化交互
4.  应用场景：AI对话机器人、智能写作、代码生成、数据分析、自动化办公
5.  核心优势：Python语法简洁，生态丰富，可快速对接各类大模型平台

• 解释型语言适配：Python解释型特性，可在Jupyter中逐行运行交互代码，实时查看大模型响应结果
• 大小写敏感：API密钥、请求参数、变量名严格区分大小写，新手需注意复制准确性
• 缩进规范：Python代码块严格依赖4个空格缩进，是交互代码正常运行的核心规范
• 注释规则：单行注释用#，多行注释用”””注释内容”””，复杂交互逻辑需多写注释提升可读性

Jupyter中准备大模型交互环境（快速上手）

# 第一步：启动Anaconda+Jupyter
conda activate myenv
jupyter notebook

# 第二步：安装大模型交互必备库
pip install requests

# 第三步：获取大模型API密钥（各大平台均可）
# 注册AI开放平台 → 创建应用 → 复制API Key
print("Python与大模型交互环境准备完成！")

二、Python与大模型交互：基础API调用

API调用是Python与大模型交互的基础，核心是通过requests库发送HTTP POST请求，传入API密钥、对话内容等参数，接收大模型的响应结果，是所有交互功能的底层基础。

1. 基础API调用语法

# 基础API调用
import requests
import json

# 配置参数
api_key = "你的API密钥"
url = "https://api.example.com/v1/chat/completions"
headers = {
    "Content-Type": "application/json",
    "Authorization": f"Bearer {api_key}"
}

# 对话内容
data = {
    "model": "default",
    "messages": [{"role": "user", "content": "你好，介绍一下Python"}]
}

# 发送请求
response = requests.post(url, headers=headers, json=data)
result = response.json()

# 打印响应
print(result["choices"][0]["message"]["content"])

2. 异常处理优化（稳定调用）

# 带异常处理的稳定调用
def call_llm(api_key, prompt):
    url = "https://api.example.com/v1/chat/completions"
    headers = {"Authorization": f"Bearer {api_key}"}
    data = {
        "model": "default",
        "messages": [{"role": "user", "content": prompt}]
    }
    try:
        response = requests.post(url, headers=headers, json=data, timeout=30)
        response.raise_for_status()  # 检查请求是否成功
        return response.json()["choices"][0]["message"]["content"]
    except Exception as e:
        return f"调用失败：{str(e)}"

# 使用
print(call_llm("你的API密钥", "什么是Python与大模型交互"))

三、Python与大模型交互：多轮对话实现

单轮对话只能实现单次交互，多轮对话是通过维护对话历史，让大模型理解上下文，实现连续对话，是AI对话机器人的核心功能，也是进阶用法。

1. 多轮对话核心原理

# 多轮对话核心：维护对话历史
# 每次请求都传入完整的对话历史，让大模型理解上下文
messages = [
    {"role": "system", "content": "你是一个Python技术专家"},
    {"role": "user", "content": "什么是Python"},
    {"role": "assistant", "content": "Python是一门..."}
]
# 新用户提问
messages.append({"role": "user", "content": "那Python适合做什么"})
# 发送请求，大模型会基于历史对话回复

2. 多轮对话实战代码

# 多轮对话实现
class ChatBot:
    def __init__(self, api_key, system_prompt="你是一个AI助手"):
        self.api_key = api_key
        self.url = "https://api.example.com/v1/chat/completions"
        # 初始化对话历史，加入系统提示词
        self.messages = [{"role": "system", "content": system_prompt}]
    
    def chat(self, user_input):
        # 加入用户提问
        self.messages.append({"role": "user", "content": user_input})
        # 发送请求
        headers = {"Authorization": f"Bearer {self.api_key}"}
        data = {
            "model": "default",
            "messages": self.messages
        }
        response = requests.post(self.url, headers=headers, json=data)
        reply = response.json()["choices"][0]["message"]["content"]
        # 加入助手回复，维护对话历史
        self.messages.append({"role": "assistant", "content": reply})
        return reply

# 使用
bot = ChatBot("你的API密钥", system_prompt="你是一个Python技术专家")
print(bot.chat("什么是Python"))
print(bot.chat("那Python适合做什么"))

四、Python与大模型交互：参数配置与生成控制

通过调整API请求参数，可以精准控制大模型的生成效果，适配不同场景需求，是Python与大模型交互的进阶技巧，让AI输出更符合预期。

# 核心参数配置详解
data = {
    "model": "default",          # 模型名称，不同平台模型不同
    "messages": [...],           # 对话历史
    "temperature": 0.7,          # 随机性：0-2，越低越严谨，越高越有创意
    "max_tokens": 512,           # 最大生成token数，控制回复长度
    "top_p": 0.9,                # 核采样，控制生成多样性
    "frequency_penalty": 0.1,    # 频率惩罚，减少重复内容
    "presence_penalty": 0.1      # 存在惩罚，鼓励新话题
}

# 带参数配置的调用
def call_llm_with_config(api_key, prompt, temperature=0.7, max_tokens=512):
    url = "https://api.example.com/v1/chat/completions"
    headers = {"Authorization": f"Bearer {api_key}"}
    data = {
        "model": "default",
        "messages": [{"role": "user", "content": prompt}],
        "temperature": temperature,
        "max_tokens": max_tokens
    }
    response = requests.post(url, headers=headers, json=data)
    return response.json()["choices"][0]["message"]["content"]

# 严谨模式（写代码/文档）
print(call_llm_with_config("key", "写Python冒泡排序", temperature=0.2))
# 创意模式（写文案/故事）
print(call_llm_with_config("key", "写一个Python主题的小故事", temperature=1.2))

五、完整实战案例：AI智能客服机器人

结合以上所有核心知识点，编写一个「AI智能客服机器人」实战案例，整合API调用、多轮对话、参数配置、角色设定，实现可直接使用的智能客服，在Jupyter中直接运行。

# 完整实战：AI智能客服机器人
import requests

class CustomerServiceBot:
    def __init__(self, api_key):
        self.api_key = api_key
        self.url = "https://api.example.com/v1/chat/completions"
        # 系统提示词：设定客服角色、规则、开场白
        self.messages = [
            {"role": "system", "content": """
你是一个专业的AI客服，负责解答用户问题，规则如下：
1.  友好礼貌，使用敬语
2.  上班时间：周一到周六13:00-17:00，晚上18:30-22:30
3.  遇到安装需求，需收集用户姓名、班级、电话
4.  严格按照示例话术回复
开场白：同学你好，有什么问题都可以跟我说哦~
"""
            }
        ]
    
    def talk(self, user_input):
        self.messages.append({"role": "user", "content": user_input})
        headers = {"Authorization": f"Bearer {self.api_key}"}
        data = {
            "model": "default",
            "messages": self.messages,
            "temperature": 0.3,  # 严谨模式，符合客服规范
            "max_tokens": 256
        }
        try:
            response = requests.post(self.url, headers=headers, json=data)
            reply = response.json()["choices"][0]["message"]["content"]
            self.messages.append({"role": "assistant", "content": reply})
            return reply
        except Exception as e:
            return f"服务暂时不可用，请稍后再试：{str(e)}"

# 运行测试
bot = CustomerServiceBot("你的API密钥")
print(bot.talk("老师在吗？"))
print(bot.talk("我需要老师帮我安装学习软件"))
print(bot.talk("小白 大模型 13412341234"))

在实际开发中，我们还可以基于这套交互架构，进一步扩展更多实用功能：比如给AI客服添加知识库检索，让大模型基于自有数据回复；或者接入语音交互，实现语音对话机器人；也可以结合Flask/Django搭建Web服务，把AI客服部署成在线工具。同时，我们也可以参考Python requests官方文档，深入学习HTTP请求的高级用法，让交互更稳定、更高效。

对于新手来说，学习这套技术的最佳路径是：先跑通基础的API调用代码，再逐步实现多轮对话，然后调整参数优化效果，每一步都在Jupyter中验证效果，遇到报错优先排查API密钥、网络连接、依赖库这三个高频问题，就能快速上手，从Python基础顺利过渡到AI应用开发。

六、Python与大模型交互：新手避坑指南

七、Python与大模型交互：学习路线与总结