python入门-搞定AI大模型调用

选云端 API，还是本地部署？

    很多人一开始会纠结这两个方向，其实没有绝对的好坏，核心看你的使用场景、数据敏感度和硬件条件，我自己日常是两种搭配着用。

云端 API 调用

    简单说，就是通过大模型服务商提供的标准化接口，把你的请求发送到云端的模型服务，拿到返回的结果。对于前端同学来说，这个逻辑和我们日常调用后端接口完全没区别，理解成本几乎为零。我自己日常用得最多的就是这种方式，核心优势很明显：不用关心模型部署、算力硬件这些底层的东西，开箱即用；主流商用模型的推理能力、响应速度都很有保障；现在几乎所有服务商都兼容 OpenAI 的标准协议，一套代码可以无缝切换不同平台，不用重复写逻辑。

    适用的场景也很明确：日常开发提效、做产品 Demo、处理非敏感数据，或者你就是想快速上手，不想折腾环境，选这个准没错。

本地私有化部署

    就是把大模型下载到你自己的电脑上，完全在本地运行，请求和数据都不会出域。核心优势就是隐私性拉满，处理公司内部的敏感数据、不能外传的内容，只能用这种方式；没有接口调用的频次限制，也不用额外花钱，除了电费没别的成本；也可以根据自己的需求微调模型，可控性很高。

当然门槛也有，主要是硬件：入门级的小模型 16G 内存就能跑，想要流畅运行主流的 7B、13B 参数模型，优先选 Mac M 系列芯片，或者英伟达 3060 及以上的显卡。工具我一直用 Ollama，是目前本地模型管理最省心的工具，一键安装，一行命令就能拉取模型，不用折腾复杂的环境配置，最关键的是它同样兼容 OpenAI 标准协议，和云端调用的代码几乎可以完全复用。

两种方式我都用兼容 OpenAI 标准协议的写法，核心逻辑完全一致，用到的 import 导入、pip 包管理、函数调用这些，全是上一篇讲过的基础语法，没有超纲内容。

前置准备

先在终端执行一行命令，安装依赖库：

pip install openai

方式一：云端 API 调用（国内可直接访问）

    这里我用 DeepSeek 来举例，国内网络不用翻墙就能用，注册就送免费额度，不用绑信用卡，对新手很友好。如果想用 OpenAI、通义千问、豆包这些其他平台，只需要改base_url、api_key和model这三个参数，核心逻辑完全不用动。

完整代码如下：

# 导入openai模块，和上一篇学的import导入语法完全一致from openai import OpenAI# 初始化客户端，填入你的API Key# API Key可以在DeepSeek开放平台的「API Key管理」里创建获取client = OpenAI(    base_url="https://api.deepseek.com/v1",    api_key="这里替换成你自己的API Key")# 发起调用请求，传入模型名称和你的指令response = client.chat.completions.create(    model="deepseek-chat",    messages=[{"role": "user", "content": "用Python写一个带详细注释的冒泡排序算法"}])# 打印返回结果，就是上一篇学的print输出函数print(response.choices[0].message.content)

几个新手容易踩的坑这里提一下：

1.       API Key 一定要替换对，不要带多余的空格，也不要把你的 Key 泄露给别人，国内普通网络就能直接访问，开了反而可能连不上如果提示找不到 openai 模块，检查一下 pip install 是不是执行成功，有没有装错 Python 环境 
2. python --version // 检查 Python 是否安装

方式二：本地部署调用（Ollama）

    先去 Ollama 官网一键安装对应系统的版本，安装完成后，打开终端执行ollama pull llama3，拉取最常用的 llama3 模型，保持 Ollama 在后台运行，就可以用下面的代码调用了。

你会发现，代码和云端调用几乎一模一样，只改了base_url和api_key，核心逻辑完全复用：

from openai import OpenAI# 初始化本地客户端，api_key随便填就行，本地调用不需要真实密钥client = OpenAI(    base_url="http://localhost:11434/v1",    api_key="ollama")# 发起调用，model参数填你本地已经拉取的模型名称response = client.chat.completions.create(    model="llama3",    messages=[{"role": "user", "content": "用Python写一个带详细注释的冒泡排序算法"}])print(response.choices[0].message.content)

如果运行报错，先检查 Ollama 是不是在后台正常运行，模型是不是已经 pull 成功，端口 11434 有没有被占用。

一个小技巧，让 AI 的输出更符合你的需求

    很多人跑通代码之后，会觉得 AI 给的结果不对、太泛，其实核心问题是你的指令写得太模糊了。我自己日常写 prompt，不会搞什么复杂的公式，就抓住一个核心：把你的需求说具体，给 AI 明确的边界。

举个例子，很多人会这么写：

帮我写个 Python 爬虫

这种指令 AI 只能给你一个泛泛的模板，大概率跑不通，也不符合你的需求。

换个写法，把需求说具体：

你是资深 Python 开发工程师，帮我写一个爬取豆瓣电影 TOP250 的爬虫脚本，只用 requests 和 BeautifulSoup 库，代码要带详细注释，兼容 Python3.8 以上版本，添加异常处理和请求头伪装，避免被反爬。最后先输出完整代码，再附上运行步骤。

你把这段内容替换到上面代码的content里，AI 给的结果会精准很多，基本不用改就能直接用。核心就是把「你是谁、要做什么、有什么限制、要什么样的输出」说清楚，不用搞花里胡哨的东西，日常开发完全够用。

最后

    以上就是两种 Python 调用大模型最常用的实现方式，核心都是基于 OpenAI 的标准协议，代码复用性很高，大家可以根据自己的场景选择。对于刚入门的同学，我更推荐先从云端 API 入手，不用折腾环境，先跑通流程，拿到正反馈，再去玩本地部署也完全不迟。