1 # Python + AI 準備工作： 2 # 1、在阿里百鍊大模型服務平台註冊賬號，並登錄激活 3 # 2、點擊左側菜單的“密鑰管理”，創建APIKey 4 # 3、選擇合適的模型，並點擊左側菜單的“模型用量”，開啓“免費額度用完即停”，這樣等到免費額度用完就停止使用，不會私下扣費 5 # 4、安裝OpenAI庫，使用：pip install openai，因為國內網絡原因，可以使用鏡像快速安裝，使用：pip install openai -i https://pypi.tuna.tsinghua.edu.cn/simple 6 7 from openai import OpenAI 8 9 client = OpenAI( 10 api_key="這裏填寫阿里百鍊大模型服務平台生成的APIKey", 11 base_url="https://dashscope.aliyuncs.com/compatible-mode/v1" 12 ) 13 14 completion = client.chat.completions.create( 15 model="qwen3-max", # 可以按需更換為其它深度思考模型 16 messages=[ 17 {"role": "system", "content": "You are a helpful assistant"}, 18 {"role": "user", "content": "你是誰？"} 19 ], 20 stream=True 21 ) 22 23 for chunk in completion: 24 print(chunk.choices[0].delta.content, end="", flush=True)
1 # 設置環境變量，保護APIKey（以Windows 10系統為例） 2 # 1、“此電腦”右鍵，找到“屬性”，點擊找到右側的“高級系統設置”，點擊彈出“系統屬性”窗口，找到“高級”選項卡，點擊後，即可看到“環境變量”，點擊開始設置環境變量 3 # 2、在彈出的窗口中，找到位於下方的“系統變量” 4 # 3、點擊新建變量名“OPENAI_API_KEY”，變量值就是阿里百鍊平台上創建的APIKey的值，該設置用於OpenAI庫 5 # 4、點擊新建變量名"DASHSCOPE_API_KEY"，變量值就是阿里百鍊平台上創建的APIKey的值，該設置用於Langchain庫 6 # 5、設置後，一定記得需要重啓才能生效 7 8 from openai import OpenAI 9 10 client = OpenAI( 11 base_url="https://dashscope.aliyuncs.com/compatible-mode/v1" 12 ) 13 14 completion = client.chat.completions.create( 15 model="qwen3-max", # 可以按需更換為其它深度思考模型 16 messages=[ 17 {"role": "system", "content": "You are a helpful assistant"}, 18 {"role": "user", "content": "你是誰？"} 19 ], 20 stream=True 21 ) 22 23 for chunk in completion: 24 print(chunk.choices[0].delta.content, end="", flush=True)
1 # OpenAI庫的基礎使用 2 # Step1、實例化OpenAI類對象：使用OpenAI類的構造函數，傳入api_key（可省略） 和 base_url兩個參數，創建類的實例對象 3 # ① api_key：模型服務商提供的APIKey密鑰 4 # ② base_url：模型服務器提供的API接入地址，基於此參數可以切換不同的模型 5 # Step2、調用模型：至少傳入model 和 message兩個參數，創建ChatCompletion對象 6 # ① model：設置使用的大模型，比如：qwen3-max 7 # ② message：提供給大模型的數據，message的類型為list，可以包含多個字典數據，每個字典包含role（角色） 和 content（內容）2個key 8 # role（角色）分為system角色、assistant角色 和 user角色 9 # system角色：設定助手的整體行為、角色和規則，為對話提供上下文框架，是全局的背景設定，影響後續所有交互 10 # assistant角色：代表AI助手的回答 11 # user角色：代表用户，發送問題、指令或需求 12 # Step3、處理結果：大模型返回的就是ChatCompletion對象，返回形如下文的對象數據 13 # { 14 # "id": "xxx", 15 # "object": "xxxxx", 16 # "created": 123456, 17 # "model": "xxx", 18 # "choices": [ 19 # { 20 # "index": 0, 21 # "message": { 22 # "role": "assistant", 23 # "content": "生成的回覆內容" 24 # }, 25 # "finish_reason": "stop" # stop=正常結束，length=令牌數超限，function_call=觸發函數調用 26 # } 27 # ], 28 # "usage": { # 令牌消耗統計 29 # "prompt_tokens": 50, 30 # "completion_tokens": 50, 31 # "total_tokens": 50 32 # } 33 # } 34 35 from openai import OpenAI 36 37 client = OpenAI( 38 base_url="https://dashscope.aliyuncs.com/compatible-mode/v1" 39 ) 40 41 response = client.chat.completions.create( 42 model="qwen3-max", # 可以按需更換為其它深度思考模型 43 messages=[ 44 {"role": "system", "content": "你是資深Python專家，並且回答簡潔不説廢話"}, 45 {"role": "assistant", "content": "好的，我是資深Python專家，並且回答簡潔不説廢話，您要問什麼問題？"}, 46 {"role": "user", "content": "編寫Python代碼，輸出1-10的數字"} 47 ] 48 ) 49 50 print(response.choices[0].message.content)
1 # OpenAI庫的流式輸出 2 # 1、實例化OpenAI類對象：使用OpenAI類的構造函數，傳入api_key（可省略） 、 base_url 和 stream三個參數，並設置stream=True，創建類的實例對象 3 # 2、對於大模型的返回結果，使用for循環輸出內容 4 5 from openai import OpenAI 6 7 client = OpenAI( 8 base_url="https://dashscope.aliyuncs.com/compatible-mode/v1" 9 ) 10 11 response = client.chat.completions.create( 12 model="qwen3-max", # 可以按需更換為其它深度思考模型 13 messages=[ 14 {"role": "system", "content": "你是資深Python專家，並且回答簡潔不説廢話"}, 15 {"role": "assistant", "content": "好的，我是資深Python專家，並且回答簡潔不説廢話，您要問什麼問題？"}, 16 {"role": "user", "content": "編寫Python代碼，輸出1-10的數字"} 17 ], 18 stream=True 19 ) 20 21 for chunk in response: 22 print( 23 chunk.choices[0].delta.content, 24 end="", # 設置每段之間以空字符串分隔 25 flush=True # 設置立即刷新緩衝區 26 )
1 # OpenAI庫附帶歷史消息調用模型 2 # 調用大模型時，在messages這個list對象中，編寫歷史消息提供給大模型 3 4 from openai import OpenAI 5 6 client = OpenAI( 7 base_url="https://dashscope.aliyuncs.com/compatible-mode/v1" 8 ) 9 10 response = client.chat.completions.create( 11 model="qwen3-max", # 可以按需更換為其它深度思考模型 12 messages=[ 13 {"role": "system", "content": "你是AI助理，並且回答簡潔不説廢話"}, 14 {"role": "user", "content": "中國有14億人"}, 15 {"role": "assistant", "content": "好的"}, 16 {"role": "user", "content": "美國有4億人"}, 17 {"role": "assistant", "content": "好的"}, 18 {"role": "user", "content": "兩個國家共有多少人？"} 19 ], 20 stream=True 21 ) 22 23 for chunk in response: 24 print( 25 chunk.choices[0].delta.content, 26 end="", # 設置每段之間以空字符串分隔 27 flush=True # 設置立即刷新緩衝區 28 )
