01-从零开始-用CSharp调用你的第一个大模型
从零开始——用C#调用你的第一个大模型
这是《AI开发解密》系列的第一篇。我们先从「大模型是什么、能做什么」讲起，再动手写代码，带你从零理解AI应用开发的核心原理。
引言
2023年以来，大语言模型（LLM）席卷了整个软件行业。ChatGPT、Claude、DeepSeek、智谱GLM……这些名字你可能已经听到耳朵起茧。但作为开发者，我们不能只停留在「用」的层面——我们需要理解它。
这个系列的目标，是带你从.NET开发者的视角，一层一层拆开AI应用开发的全貌。从最基础的模型调用，到记忆系统，再到工具调用和Agent架构——每一篇都在前一篇的基础上叠加一层能力。
而这一切的起点，就是今天这篇文章。
大模型到底是什么？
抛开复杂的数学和神经网络架构，从软件开发者的视角来看，大语言模型可以简化为一个非常朴素的概念：
本质上，它是一个函数
输入（Prompt） → 大语言模型 → 输出（Completion）
你可以把它理解成一个超级强大的字符串到字符串的映射函数：
string Ask(string prompt) => ... // 模型内部有数千亿参数在做这件事
给它一段文本（Prompt），它返回一段文本（Completion）。就这么简单。
但"简单"背后有几个关键特征：
| 特征 | 说明 |
|---|---|
| 概率性 | 同样的输入，每次输出可能不同——它是在"预测"下一个最可能的词 |
| 无状态 | 每次调用都是独立的，模型不会"记住"你上次问了什么 |
| 上下文依赖 | 输出质量完全取决于你给的输入（Prompt）有多好 |
| Token驱动 | 模型不直接处理文字，而是把文字切分成Token（词元）来处理 |
什么是Token？
Token是大模型处理文本的基本单位。你可以粗略地理解为"一个词或一个词片段"：
"你好世界" → [你, 好, 世, 界] （中文大约1个字 ≈ 1-2个Token）
"Hello World" → [Hello, World] （英文大约1个词 ≈ 1-1.5个Token）
Token很重要，因为：
- API按Token计费：输入Token + 输出Token = 你的花费
- 模型有上下文窗口限制：比如8K、32K、128K Token，超过就处理不了
- 速度取决于Token：生成Token是逐个进行的，Token越多越慢
从「裸函数」到「对话API」
上面说的Ask(prompt)只是一个概念模型。实际上，大模型服务商提供的是更结构化的对话API。以OpenAI兼容协议（目前行业标准）为例，一次API调用由以下几个核心部分组成：
┌─────────────────────────────────────────────┐
│ 一次API请求的组成 │
├─────────────┬───────────────────────────────┤
│ model │ 用哪个模型（如glm-5.1） │
│ │ │
│ messages │ 对话消息列表： │
│ │ - system: 系统提示词（人设） │
│ │ - user: 用户说的话 │
│ │ - assistant: AI之前的回复 │
│ │ │
│ parameters │ 控制参数： │
│ │ - temperature: 创造性（0~1） │
│ │ - max_tokens: 最大输出长度 │
│ │ - top_p: 采样范围 │
└─────────────┴───────────────────────────────┘
Messages：对话的核心
messages是整个请求中最重要的部分。它不是简单的一段文字，而是一个结构化的消息列表，每条消息都有一个角色（role）：
messages = [
{ role: "system", content: "你是一个专业的编程助手" }, ← 告诉AI它是谁
{ role: "user", content: "什么是递归？" }, ← 用户的问题
{ role: "assistant", content: "递归是..." }, ← AI之前的回答
{ role: "user", content: "能给个例子吗？" } ← 用户的追问
]
三种角色的分工：
| 角色 | 职责 | 比喻 |
|---|---|---|
| System | 定义AI的身份、行为规则、输出格式 | 相当于"岗位说明书" |
| User | 用户的输入 | 相当于"客户的问题" |
| Assistant | AI的历史回复 | 相当于"之前的回答记录" |
关键认知：因为模型是无状态的，所以每次调用都要把完整的对话历史重新发一遍。这就是AI"记忆"的真相——不是模型记住了，而是你每次都帮它复习了一遍。
一次完整的请求-响应
理解了上面的概念，一次API调用的全貌就清晰了：
请求（你发给模型的）：
{
"model": "glm-5.1",
"messages": [
{ "role": "system", "content": "你是一个有帮助的AI助手。" },
{ "role": "user", "content": "用一句话解释什么是API。" }
],
"temperature": 0.7,
"max_tokens": 1024
}
响应（模型返回的）：
{
"id": "chatcmpl-xxx",
"model": "glm-5.1",
"choices": [{
"message": {
"role": "assistant",
"content": "API（应用程序编程接口）是一组定义软件组件之间如何交互的规则和协议。"
},
"finish_reason": "stop"
}],
"usage": {
"prompt_tokens": 28,
"completion_tokens": 35,
"total_tokens": 63
}
}
响应的关键字段：
choices[0].message.content：模型的回复内容finish_reason：为什么停止（stop=正常结束，length=达到长度限制）usage：本次调用消耗的Token数
大模型能做什么？
理解了大模型的接口形式，我们再来看看它能做什么。本质上，大模型的能力可以归结为文本的理解与生成：
| 能力 | 示例 |
|---|---|
| 问答 | "C#中async和await的作用是什么？" |
| 创作 | "写一篇关于微服务的博客大纲" |
| 翻译 | "把这段话翻译成英文：..." |
| 摘要 | "用100字总结这篇文章：..." |
| 代码生成 | "用C#写一个快速排序算法" |
| 数据分析 | "分析这段JSON数据的结构" |
| 推理 | "如果A>B，B>C，那么A和C的关系是？" |
但大模型也有明确的局限：
| 局限 | 说明 |
|---|---|
| 知识截止 | 训练数据有截止日期，不知道最新的事 |
| 无法联网 | 不能搜索网页、查天气、查数据库 |
| 无法执行 | 不能运行代码、操作文件、发邮件 |
| 幻觉 | 可能一本正经地胡说八道 |
后面几篇文章，我们将逐一解决这些局限——通过记忆系统解决知识遗忘，通过Function Calling让AI学会调用工具，通过MCP协议让AI接入工具生态。
环境准备
理论讲完了，接下来进入实战。在开始之前，你需要：
- 去 https://open.bigmodel.cn/ 注册一个智谱AI账号，注册后会免费送一些Token，拿到你的API Key和接口地址
- 克隆本项目代码：https://github.com/MapleWithoutWords/AIStudyDemos
智谱提供OpenAI兼容协议接口，你也可以换成其他兼容的服务商（如DeepSeek、月之暗面等），只需修改
baseUrl和apiKey即可。
动手实践：用C#调用大模型
环境准备就绪，打开项目中的 AICallConsole1 项目，配置好你的API Key后直接运行即可体验效果。下面我们来看看代码里做了什么。
C#中有两种方式调用大模型：
方式一：HttpClient直接调用——看透本质
大模型服务商几乎都遵循OpenAI兼容协议，本质上就是一个RESTful API。最直接的调用方式就是用HttpClient发送HTTP请求：
using var httpClient = new HttpClient();
httpClient.BaseAddress = new Uri(baseUrl);
httpClient.DefaultRequestHeaders.Authorization =
new AuthenticationHeaderValue("Bearer", apiKey);
var jsonContent = JsonSerializer.Serialize(new
{
model = "glm-5.1",
messages = new[]
{
new { role = "system", content = "你是一个有帮助的AI助手。" },
new { role = "user", content = "你好，请介绍一下你自己。" }
},
temperature = 0.7,
max_tokens = 1024
});
var content = new StringContent(jsonContent, Encoding.UTF8, "application/json");
var response = await httpClient.PostAsync("chat/completions", content);
var responseBody = await response.Content.ReadAsStringAsync();
关键点解析：
| 字段 | 说明 |
|---|---|
model |
要调用的模型名称，如glm-5.1、gpt-4o等 |
messages |
对话消息数组，包含system（系统提示词）和user（用户消息） |
temperature |
控制输出随机性，0-1之间，越高越"发散" |
max_tokens |
限制模型最大输出token数 |
chat/completions |
OpenAI兼容协议的标准端点 |
这种方式虽然原始，但它能让你完全理解请求和响应的原始结构。在生产环境中，我们更推荐使用SDK。
方式二：SDK调用——Microsoft.Extensions.AI.OpenAI
理解了HTTP裸调的原理后，我们来看看更优雅的SDK方式。
微软推出的 Microsoft.Extensions.AI 系列库采用了两层架构：
| 包名 | 职责 |
|---|---|
Microsoft.Extensions.AI |
抽象层，定义 IChatClient、ChatMessage 等统一接口 |
Microsoft.Extensions.AI.OpenAI |
OpenAI适配层，提供 OpenAI.Chat.ChatClient 等具体实现 |
我们只需安装适配层包即可（它会自动引入抽象层）：
<PackageReference Include="Microsoft.Extensions.AI.OpenAI" Version="10.7.0" />
核心接口是IChatClient，它屏蔽了不同模型供应商的差异：
using Microsoft.Extensions.AI;
IChatClient client =
new OpenAI.Chat.ChatClient(
model,
new ApiKeyCredential(apiKey),
new OpenAI.OpenAIClientOptions { Endpoint = new Uri(baseUrl) })
.AsIChatClient();
这里我们用 Microsoft.Extensions.AI.OpenAI 提供的 OpenAI.Chat.ChatClient 创建客户端，再通过 .AsIChatClient() 适配到 Microsoft.Extensions.AI 定义的抽象接口。这意味着——无论你用的是OpenAI、智谱GLM、DeepSeek还是其他兼容协议的服务商，代码几乎不用改。
构建交互式对话
有了客户端，我们来构建一个可以持续对话的控制台应用：
while (true)
{
Console.Write("\n你: ");
var userInput = Console.ReadLine();
if (string.IsNullOrWhiteSpace(userInput))
continue;
if (userInput.Equals("exit", StringComparison.OrdinalIgnoreCase))
{
Console.WriteLine("再见！");
break;
}
List<ChatMessage> chatMessages =
[
new ChatMessage(ChatRole.System, "你是一个有用的AI助手，请用中文回答用户的问题。"),
new ChatMessage(ChatRole.User, userInput)
];
Console.Write("\nAI: ");
await foreach (var update in client.GetStreamingResponseAsync(chatMessages))
{
foreach (var item in update.Contents)
{
if (item is TextContent text)
{
Console.Write(text.Text);
}
}
}
}
理解消息角色
ChatMessage有三种核心角色：
- System：系统提示词，定义AI的行为准则和人设
- User：用户输入的消息
- Assistant：AI的历史回复（后续讲记忆时会用到）
流式输出 vs 一次性响应
一次性响应
var response = await client.GetResponseAsync(chatMessages);
Console.WriteLine(response.Text);
简单直接，但需要等待模型生成完毕后才返回。对于长文本生成，用户会感到明显的等待。
流式响应（推荐）
await foreach (var update in client.GetStreamingResponseAsync(chatMessages))
{
foreach (var item in update.Contents)
{
if (item is TextReasoningContent textReasoning && isNeedReasoningContent)
{
Console.Write($"{textReasoning.Text}");
}
else if (item is TextContent text)
{
Console.Write(text.Text);
}
else if (item is UsageContent usageContent)
{
Console.WriteLine(JsonSerializer.Serialize(usageContent.Details));
}
}
}
流式输出有三个内容类型需要注意：
| 类型 | 说明 |
|---|---|
TextReasoningContent |
模型的"思考过程"（推理类模型如DeepSeek-R1会输出） |
TextContent |
最终的正文输出 |
UsageContent |
Token用量统计信息 |
流式输出的体验远优于等待完整响应——用户几乎可以实时看到AI的回答。
核心架构一览
用户输入
↓
构建 ChatMessage 列表 (System + User)
↓
IChatClient.GetStreamingResponseAsync()
↓
逐块接收 StreamingResponseUpdate
↓
解析 TextReasoningContent / TextContent / UsageContent
↓
实时输出到控制台
小结
这篇文章我们学习了：
- 大模型的本质：一个从字符串到字符串的映射函数，具有概率性、无状态、上下文依赖、Token驱动四大特征
- 对话API的组成：model + messages（system/user/assistant） + 控制参数
- Token的概念：大模型处理文本的基本单位，直接影响成本和速度
- 大模型的能力与局限：能做问答、创作、翻译、推理，但无法联网、无法执行、有知识截止
- 环境准备：使用智谱AI服务商，通过UserSecrets安全管理API Key
- 两种调用方式：HttpClient裸调 vs SDK封装，前者帮助理解原理，后者用于生产
Microsoft.Extensions.AI系列库：Microsoft.Extensions.AI（抽象层）+Microsoft.Extensions.AI.OpenAI（适配层）的两层架构，一套代码兼容多个模型服务商- 流式输出的实现细节和三种内容类型的区分
大模型本身是无状态的、无法联网的、不能执行操作的——但别担心，这正是我们后面几篇文章要解决的问题。
下一篇，我们将让AI拥有“记忆”——不再每次都从零开始对话，而是能记住之前的上下文。
完整代码见项目：AICallConsole1/Program.cs
浙公网安备 33010602011771号