【原】Python+AI学习笔记（01）大模型调用准备工作 与 OpenAI库基础使用

# Python + AI 准备工作：
# 1、在阿里百炼大模型服务平台注册账号，并登录激活
# 2、点击左侧菜单的“密钥管理”，创建APIKey
# 3、选择合适的模型，并点击左侧菜单的“模型用量”，开启“免费额度用完即停”，这样等到免费额度用完就停止使用，不会私下扣费
# 4、安装OpenAI库，使用：pip install openai，因为国内网络原因，可以使用镜像快速安装，使用：pip install openai -i https://pypi.tuna.tsinghua.edu.cn/simple

from openai import OpenAI

client = OpenAI(
    api_key="这里填写阿里百炼大模型服务平台生成的APIKey",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)

completion = client.chat.completions.create(
    model="qwen3-max",  # 可以按需更换为其它深度思考模型
    messages=[
        {"role": "system", "content": "You are a helpful assistant"},
        {"role": "user", "content": "你是谁？"}
    ],
    stream=True
)

for chunk in completion:
    print(chunk.choices[0].delta.content, end="", flush=True)

 

# 设置环境变量，保护APIKey（以Windows 10系统为例）
# 1、“此电脑”右键，找到“属性”，点击找到右侧的“高级系统设置”，点击弹出“系统属性”窗口，找到“高级”选项卡，点击后，即可看到“环境变量”，点击开始设置环境变量
# 2、在弹出的窗口中，找到位于下方的“系统变量”
# 3、点击新建变量名“OPENAI_API_KEY”，变量值就是阿里百炼平台上创建的APIKey的值，该设置用于OpenAI库
# 4、点击新建变量名"DASHSCOPE_API_KEY"，变量值就是阿里百炼平台上创建的APIKey的值，该设置用于Langchain库
# 5、设置后，一定记得需要重启才能生效

from openai import OpenAI

client = OpenAI(
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)

completion = client.chat.completions.create(
    model="qwen3-max",  # 可以按需更换为其它深度思考模型
    messages=[
        {"role": "system", "content": "You are a helpful assistant"},
        {"role": "user", "content": "你是谁？"}
    ],
    stream=True
)

for chunk in completion:
    print(chunk.choices[0].delta.content, end="", flush=True)

# OpenAI库的基础使用
# Step1、实例化OpenAI类对象：使用OpenAI类的构造函数，传入api_key（可省略） 和 base_url两个参数，创建类的实例对象
#       ① api_key：模型服务商提供的APIKey密钥
#       ② base_url：模型服务器提供的API接入地址，基于此参数可以切换不同的模型
# Step2、调用模型：至少传入model 和 message两个参数，创建ChatCompletion对象
#       ① model：设置使用的大模型，比如：qwen3-max
#       ② message：提供给大模型的数据，message的类型为list，可以包含多个字典数据，每个字典包含role（角色） 和 content（内容）2个key
#               role（角色）分为system角色、assistant角色 和 user角色
#               system角色：设定助手的整体行为、角色和规则，为对话提供上下文框架，是全局的背景设定，影响后续所有交互
#               assistant角色：代表AI助手的回答
#               user角色：代表用户，发送问题、指令或需求
# Step3、处理结果：大模型返回的就是ChatCompletion对象，返回形如下文的对象数据
# {
#     "id": "xxx",
#     "object": "xxxxx",
#     "created": 123456,
#     "model": "xxx",
#     "choices": [
#         {
#             "index": 0,
#             "message": {
#                 "role": "assistant",
#                 "content": "生成的回复内容"
#             },
#             "finish_reason": "stop" # stop=正常结束，length=令牌数超限，function_call=触发函数调用
#         }
#     ],
#     "usage": { # 令牌消耗统计
#         "prompt_tokens": 50,
#         "completion_tokens": 50,
#         "total_tokens": 50
#     }
# }

from openai import OpenAI

client = OpenAI(
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)

response = client.chat.completions.create(
    model="qwen3-max",  # 可以按需更换为其它深度思考模型
    messages=[
        {"role": "system", "content": "你是资深Python专家，并且回答简洁不说废话"},
        {"role": "assistant", "content": "好的，我是资深Python专家，并且回答简洁不说废话，您要问什么问题？"},
        {"role": "user", "content": "编写Python代码，输出1-10的数字"}
    ]
)

print(response.choices[0].message.content)

# OpenAI库的流式输出
# 1、实例化OpenAI类对象：使用OpenAI类的构造函数，传入api_key（可省略） 、 base_url 和 stream三个参数，并设置stream=True，创建类的实例对象
# 2、对于大模型的返回结果，使用for循环输出内容

from openai import OpenAI

client = OpenAI(
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)

response = client.chat.completions.create(
    model="qwen3-max",  # 可以按需更换为其它深度思考模型
    messages=[
        {"role": "system", "content": "你是资深Python专家，并且回答简洁不说废话"},
        {"role": "assistant", "content": "好的，我是资深Python专家，并且回答简洁不说废话，您要问什么问题？"},
        {"role": "user", "content": "编写Python代码，输出1-10的数字"}
    ],
    stream=True
)

for chunk in response:
    print(
        chunk.choices[0].delta.content,
        end="",  # 设置每段之间以空字符串分隔
        flush=True  # 设置立即刷新缓冲区
    )

# OpenAI库附带历史消息调用模型
# 调用大模型时，在messages这个list对象中，编写历史消息提供给大模型

from openai import OpenAI

client = OpenAI(
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)

response = client.chat.completions.create(
    model="qwen3-max",  # 可以按需更换为其它深度思考模型
    messages=[
        {"role": "system", "content": "你是AI助理，并且回答简洁不说废话"},
        {"role": "user", "content": "中国有14亿人"},
        {"role": "assistant", "content": "好的"},
        {"role": "user", "content": "美国有4亿人"},
        {"role": "assistant", "content": "好的"},
        {"role": "user", "content": "两个国家共有多少人？"}
    ],
    stream=True
)

for chunk in response:
    print(
        chunk.choices[0].delta.content,
        end="",  # 设置每段之间以空字符串分隔
        flush=True  # 设置立即刷新缓冲区
    )