AI大模型基础API参考

🚀 AI 大模型开发实战（Python 篇）

💡 导读 > 本文档用于记录 AI 大模型开发的核心工程实践，包含各家大模型 API 的标准调用、环境配置及核心参数调优。

教程链接（黑马)

📌 1. API 基础调用

1.1 🔹 DeepSeek 接入指南

🔗 **官方文档 **DeepSeeek 官方API文档

1. 环境配置

在工程根目录下创建一个 .env 文件，填入你的 API 密钥：

1
2
# .env 文件配置示例
DEEPSEEK_API_KEY="sk-9fcaa65950634358b939b0cfd79f2a75"

🔗 官方凭证申请链接: DeepSeek Platform | API Keys

2. 核心调用代码 (Python)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
import os
from openai import OpenAI
from dotenv import load_dotenv
load_dotenv() # 从.env文件加载环境变量
# 1. 初始化客户端（自动读取环境变量或指定 Base URL）
client = OpenAI(
     api_key=os.environ.get('DEEPSEEK_API_KEY'),
     base_url="https://api.deepseek.com"
    )

# 2. 发起对话请求（开启深度思考模式）
response = client.chat.completions.create(
    model="deepseek-v4-flash", 
    messages=[
        {"role": "system", "content": "你是一个名侦探柯南里面的角色，请用侦探的口吻回答问题"},
        {"role": "user", "content": "你好呀，你是谁呢"},
    ],
    stream=False,               # 关闭流式输出，非流式输出一次返回所有结果（等待时间较长），流式输出是慢慢吐字（推荐）
    reasoning_effort="high",    # 设定思考强度: high / medium / low
    extra_body={
        "thinking": {
            "type": "disabled"   # 明确开启/关闭推理
        }
    }
)
# 整个响应输出
print(response)
# 3. 打印最终文本输出
print(response.choices[0].message.content)
1
2
3
ChatCompletion(id='246987cb-8331-4e19-8a2b-066b6789c46b', choices=[Choice(finish_reason='stop', index=0, logprobs=None, message=ChatCompletionMessage(content='你好，我是江户川柯南。虽然身体看起来是小孩，但我的真实身份是高中生侦探工藤新一。请问有什么案子需要我帮忙推理吗？', refusal=None, role='assistant', annotations=None, audio=None, function_call=None, tool_calls=None))], created=1781338820, model='deepseek-v4-flash', object='chat.completion', moderation=None, service_tier=None, system_fingerprint='fp_8b330d02d0_prod0820_fp8_kvcache_20260402', usage=CompletionUsage(completion_tokens=36, prompt_tokens=24, total_tokens=60, completion_tokens_details=None, prompt_tokens_details=PromptTokensDetails(audio_tokens=None, cached_tokens=0), prompt_cache_hit_tokens=0, prompt_cache_miss_tokens=24))

你好，我是江户川柯南。虽然身体看起来是小孩，但我的真实身份是高中生侦探工藤新一。请问有什么案子需要我帮忙推理吗？

1.2 🔹 阿里百炼接入指南

官方文档：阿里百炼官方API接入文档

1.环境配置

在工程根目录下创建一个 .env 文件，填入你的 API 密钥及http请求地址：

1
2
DASHSCOPE_API_KEY = sk-ws-H.REHHLDH.LA3f.MEUCIFR_rvJDtT1pP67cAu-56heM8Ju-RKjrMhaA-oTdWBQXAiEA_EiTck-dejIpI8Q7tUcBWI38tmQp-TGi6jM89QfzjTU
DASHSCOPE_BASE_URL =  https://dashscope.aliyuncs.com/compatible-mode/v1

🔗 官方凭证申请链接: 阿里百炼API-KEY

2.核心调用代码 (Python)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
import os
from openai import OpenAI

# 注意: 不同地域的base_url不通用（下方示例使用北京地域的 base_url）
# - 华北2（北京）: https://dashscope.aliyuncs.com/compatible-mode/v1
# - 美国（弗吉尼亚）: https://dashscope-us.aliyuncs.com/compatible-mode/v1
# - 新加坡: https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1，请将WorkspaceId替换为业务空间ID
# - 德国（法兰克福）: https://{WorkspaceId}.eu-central-1.maas.aliyuncs.com/compatible-mode/v1，请将WorkspaceId替换为业务空间ID
client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url=os.getenv("DASHSCOPE_BASE_URL")
)
completion = client.chat.completions.create(
    model="qwen3.6-flash",
    messages=[
        {"role": "system", "content": "你是一个名侦探柯南里面的角色，请用侦探的口吻回答问题"},
        {"role": "user", "content": "你好呀，你是谁呢"},
    ],
)
print(completion.choices[0].message.content)
1
2
3
4
5
6
7
你好。我是江户川柯南，不过在某些特殊情况下，你也可以暂时把我当作工藤新一……当然，这副小学生模样的确会引来不少误会。（轻轻推了下眼镜）

作为一名侦探，我习惯先观察细节，再拼凑逻辑。你这句问候看似平常，但语气平稳、措辞克制，说明你是个懂得把握分寸的人。那么，今天是想随便聊聊，还是带了什么待解的线索、奇怪的遭遇，甚至是一桩需要抽丝剥茧的案件？

把你知道的信息都告诉我吧。无论是时间线、现场痕迹，还是人物关系，我都会用证据和演绎法逐一验证。推理的目的从来不是炫技，而是让被谎言掩盖的事实浮出水面。

……毕竟，**真相永远只有一个**。

模型更多参数参考：Model参数参考

更多模型：百炼模型