【Python】Day23:大模型API调用实战

🎯 学习目标

1. 理解 API 调用的标准流程：构造请求 → 发送请求 → 解析响应
2. 掌握requests库发送 POST 请求的基本方法
3. 理解大模型 API 的核心参数：model、messages、temperature
4. 能用python-dotenv安全管理 API Key
5. 成功调用一次大模型 API 并提取回复文本

一、API 调用的基本流程

1. 三步走

   1. 构造请求（URL、Headers、Body）2. 发送请求（POST）3. 解析响应（JSON → 提取文本）

2. 大模型 API 的核心要素

   要素	说明	示例
   URL	API 地址	https://api.openai.com/v1/chat/completions
   Headers	包含认证信息	Authorization: Bearer sk-xxx
   Body	请求参数（JSON）	{"model": "...", "messages": [...]}

二、用 requests 发送请求

1. 安装 requests

   pip install requests

2. 构造请求

   import requestsimport jsonfrom dotenv import load_dotenvimport osload_dotenv()api_key = os.getenv("OPENAI_API_KEY")   # 或其他兼容接口的 Keybase_url = os.getenv("OPENAI_BASE_URL", "https://api.openai.com/v1")  # 兼容自定义端点url = f"{base_url}/chat/completions"headers = {"Authorization": f"Bearer {api_key}","Content-Type": "application/json"}data = {"model": "gpt-3.5-turbo",    # 模型名称"messages": [        {"role": "system", "content": "你是一个有帮助的助手。"},        {"role": "user", "content": "什么是机器学习？用一句话回答"}    ],"temperature": 0.7# 0~2，越高越随机}

3. 发送请求并解析

   try:    response = requests.post(url, headers=headers, json=data, timeout=30)    response.raise_for_status()   # 如果状态码不是200，抛出异常    result = response.json()    reply = result["choices"][0]["message"]["content"]    print(f"🤖 回复：{reply}")except requests.exceptions.RequestException as e:    print(f"❌ 请求失败：{e}")

三、messages 的三种角色

1. role 类型

   role	作用	示例
   system	设定 AI 的行为和身份	"你是一个翻译官"
   user	用户输入	"翻译：Hello"
   assistant	AI 的回复	"你好"

2. 多轮对话：把历史加入 messages

   messages = [    {"role": "system", "content": "你是一个Python老师"},    {"role": "user", "content": "什么是列表？"},    {"role": "assistant", "content": "列表是Python的有序容器..."},    {"role": "user", "content": "它和元组有什么区别？"}  # 新问题]# AI 会根据上下文回答"和元组的区别"

四、封装为函数

defcall_llm(user_input, system_prompt="你是一个有帮助的助手", history=None):"""调用大模型API"""    messages = [{"role": "system", "content": system_prompt}]# 加入历史if history:        messages.extend(history)# 加入当前输入    messages.append({"role": "user", "content": user_input})    data = {"model": "gpt-3.5-turbo","messages": messages,"temperature": 0.7    }try:        response = requests.post(url, headers=headers, json=data, timeout=30)        response.raise_for_status()        result = response.json()        reply = result["choices"][0]["message"]["content"]return replyexcept Exception as e:returnf"[错误] {e}"# 使用answer = call_llm("用Python写一个Hello World")print(answer)

⚠️ 常见坑

1. API Key 泄露
• 绝对不要硬编码在代码里！用.env+.gitignore
2. timeout 超时
• 大模型响应可能较慢，一定要设置timeout=30甚至更长
3. JSON 解析失败
• 先检查response.status_code是否为 200
• 用response.raise_for_status()自动检查

✍️ 实战练习

1. 成功调用一次大模型 API
• 要求：配置好.env，运行上面的代码，成功获取回复
• 提示：如果没有 OpenAI Key，可以使用国内兼容接口（如 DeepSeek、智谱等），只需修改base_url和model
2. 多轮对话模拟
• 要求：手动维护一个messages列表，循环输入，每次把回复加入列表

✅ 自测清单

• [ ] 理解 API 调用的三步：构造请求 → 发送 → 解析
• [ ] 能用requests.post()发送 JSON 请求
• [ ] 理解messages中system、user、assistant 三种角色的作用
• [ ] 能从响应 JSON 中提取回复文本
• [ ] 知道 API Key 必须放在.env中