当前位置：首页>python>Python 调大模型 API 的 5 种方式,我从头踩到尾

Python 调大模型 API 的 5 种方式,我从头踩到尾

2026-10-10 16:21:51

从最原始的 requests 到最省心的 LangChain，同一个 DeepSeek 我问了 5 遍，代码越来越短，坑越来越少。如果你刚入门，这篇文章能帮你少走很多弯路。

大家好，我是阿尔法猫。

作为一个从 Java 转过来学 Python 做 AI 的人，我发现 Python 调大模型 API 的方式远不止一种——从原始 HTTP 到各种 SDK 再到框架封装，选择多了反而容易懵。

同一个人问 DeepSeek "解释一下 Python 的 GIL"，我用 5 种方式各写了一遍。每种方式的代码量、灵活性、坑点完全不同。

今天就按"从裸到穿"的顺序，把这 5 种方式给你捋一遍。

方式一：纯 requests（最原始，最可控）

import requestsresp = requests.post( ”https://api.deepseek.com/v1/chat/completions”, headers={ ”Authorization”: ”Bearer sk-xxx”, ”Content-Type”: ”application/json” }, json={ ”model”: ”deepseek-chat”, ”messages”: [{”role”: ”user”, ”content”: ”解释一下 Python 的 GIL”}] })answer = resp.json()[”choices”][0][”message”][”content”]print(answer)

优点	缺点
零依赖，任何 Python 环境都能跑	错误处理全得自己写
完全掌控请求细节	流式输出要手动处理 SSE
适合嵌入脚本和自动化	换模型要改 URL、改 JSON 结构

适合场景：写个一次性脚本、自动化小工具。追求最少依赖。

我踩的坑：忘了处理 API 返回错误时 resp.json() 直接抛异常。一定要加 resp.raise_for_status()。

方式二：openai 官方 SDK（兼容性最强）

from openai import OpenAIclient = OpenAI( api_key=”sk-xxx”, base_url=”https://api.deepseek.com/v1”换成 DeepSeek 的地址)response = client.chat.completions.create( model=”deepseek-chat”, messages=[{”role”: ”user”, ”content”: ”解释一下 Python 的 GIL”}])print(response.choices[0].message.content)

优点	缺点
几乎所有国产模型都兼容 OpenAI 格式	需要 `pip install openai`
流式输出、多轮对话、异常处理全封装好了	有些模型兼容不完全，个别参数会报错
代码风格统一，换模型只改 base_url	—

适合场景：正经项目开发，不想重复造轮子。大部分国产模型的官方推荐方式就是这个。

我踩的坑：DeepSeek 不支持 response_format 参数（JSON 模式），但官方 SDK 默认行为是传了这个参数也不报错只是不生效，花了我半天才发现。

方式三：模型专属 SDK（功能最全）

from deepseek import DeepSeekClientclient = DeepSeekClient(api_key=”sk-xxx”)response = client.chat.completions.create( model=”deepseek-chat”, messages=[{”role”: ”user”, ”content”: ”解释一下 Python 的 GIL”}], temperature=0.7, max_tokens=1024)print(response.choices[0].message.content)

优点	缺点
模型特有功能不会漏（如 DeepSeek 的深度思考模式）	换模型就要换 SDK，不通用
文档最贴合该模型	依赖又多了一个
更新及时，新功能第一时间支持	小众模型的 SDK 质量参差不齐

适合场景：深度使用某一个特定模型，需要它的独有功能。

我踩的坑：在一个项目里同时用了 DeepSeek SDK 和通义千问 SDK，两个库的 ChatMessage 类型不兼容，被迫写了一层抽象。

方式四：LangChain 封装（AI 开发的标配）

from langchain_deepseek import ChatDeepSeekfrom langchain.schema import HumanMessagellm = ChatDeepSeek(model=”deepseek-chat”, api_key=”sk-xxx”)response = llm.invoke([HumanMessage(content=”解释一下 Python 的 GIL”)])print(response.content)

优点	缺点
和 RAG、Agent、Chain 无缝衔接	重，一个 `pip install langchain` 拉几百个依赖
Prompt 模板、消息历史、工具调用全内置	版本更新快，API 经常变动
一套 API 通吃几乎所有模型	简单任务杀鸡用牛刀

适合场景：你要做的不只是聊天——RAG、Agent、工作流编排都用 LangChain 会很方便。

我踩的坑：2024 年初的 LangChain 代码到了 2025 年很多 import 路径全变了。如果你的项目要长期维护，建议锁定版本号。

方式五：litellm（统一网关，换模型零改动）

from litellm import completionresponse = completion( model=”deepseek/deepseek-chat”,格式：提供商/模型名 messages=[{”role”: ”user”, ”content”: ”解释一下 Python 的 GIL”}], api_key=”sk-xxx”)print(response.choices[0].message.content)

要换成通义千问？改一行model参数就行：

response = completion( model=”openai/qwen-plus”,只改这里 messages=[...], api_key=”sk-yyy”)

优点	缺点
换模型只改一个字符串，代码零改动	依赖仍然较重
内置重试、fallback、负载均衡	某些高级参数可能不透传
支持 100+ 模型统一调用	社区相对较小

适合场景：需要灵活切换模型的项目、要做模型对比评测、多模型负载均衡。

我踩的坑：litellm 的错误信息有时候包装得过深，原始报错被包了 3 层，排查问题需要点耐心。

总结：一张表帮你选

你的场景	推荐方式
写个一次性脚本，不想装依赖	① requests
正经项目开发，图省心	② openai SDK
深度绑定某个模型，需要独有功能	③ 专属 SDK
要做 RAG / Agent 等复杂功能	④ LangChain
需要灵活切换多个模型	⑤ litellm