国内主流大模型 API 调用指南与 Python 实战

方式二：OpenAI SDK 兼容调用

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.deepseek.com"
)

response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[
        {"role": "system", "content": "You are a helpful assistant"},
        {"role": "user", "content": "Hello"}
    ],
    max_tokens=1024,
    temperature=0.7,
    stream=False
)

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

2.2 智普 AI (Zhipu AI)

智普 AI 需要安装 zhipuai 包。新注册用户有赠送 Token。

pip install zhipuai

from zhipuai import ZhipuAI

client = ZhipuAI(api_key="YOUR_API_KEY")

response = client.chat.completions.create(
    model="glm-4",  # 填写需要调用的模型名称
    messages=[
        {
            "role": "user",
            "content": "你好！你叫什么名字"
        }
    ],
    stream=True,
)

for chunk in response:
    if chunk.choices and chunk.choices[0].delta:
        print(chunk.choices[0].delta.content, end="")

2.3 Kimi (Moonshot AI)

Kimi 支持 OpenAI 样式的调用，新注册用户通常有体验额度。

pip install --upgrade 'openai>=1.0'

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.moonshot.cn/v1",
)

completion = client.chat.completions.create(
    model="moonshot-v1-8k",
    messages=[
        {
            "role": "system",
            "content": "你是 Kimi，由 Moonshot AI 提供的人工智能助手，你更擅长中文和英文的对话。你会为用户提供安全，有帮助，准确的回答。同时，你会拒绝一切涉及恐怖主义，种族歧视，黄色暴力等问题的回答。Moonshot AI 为专有名词，不可翻译成其他语言。"
        },
        {
            "role": "user",
            "content": "你好，我叫李雷，1+1 等于多少？"
        }
    ],
    temperature=0.3,
)

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

2.4 字节豆包 (Volcengine Ark)

豆包需要安装方舟包 volcengine-python-sdk[ark]。

pip install 'volcengine-python-sdk[ark]'

from volcenginesdkarkruntime import Ark

# 认证方式：推荐使用环境变量 ARK_API_KEY 或在初始化时指定
# client = Ark(api_key="YOUR_API_KEY")
client = Ark()

# 非流式请求
print("----- standard request -----")
completion = client.chat.completions.create(
    model="YOUR_ENDPOINT_ID",
    messages=[
        {
            "role": "system",
            "content": "你是豆包，是由字节跳动开发的 AI 人工智能助手"
        },
        {
            "role": "user",
            "content": "常见的十字花科植物有哪些？"
        }
    ],
)
print(completion.choices[0].message.content)

# 流式请求
print("----- streaming request -----")
stream = client.chat.completions.create(
    model="YOUR_ENDPOINT_ID",
    messages=[
        {
            "role": "system",
            "content": "你是豆包，是由字节跳动开发的 AI 人工智能助手"
        },
        {
            "role": "user",
            "content": "常见的十字花科植物有哪些？"
        }
    ],
    stream=True
)
for chunk in stream:
    if not chunk.choices:
        continue
    print(chunk.choices[0].delta.content, end="")
print()

2.5 讯飞星火 (iFlytek Spark)

讯飞星火新注册用户有免费额度，不同模型额度不同。接口采用 WebSocket 协议。

pip install --upgrade spark_ai_python

from sparkai.llm.llm import ChatSparkLLM, ChunkPrintHandler
from sparkai.core.messages import ChatMessage

# 配置参数，请从讯飞开放平台控制台获取
SPARKAI_URL = 'wss://spark-api.xf-yun.com/v3.5/chat'
SPARKAI_APP_ID = 'YOUR_APP_ID'
SPARKAI_API_SECRET = 'YOUR_API_SECRET'
SPARKAI_API_KEY = 'YOUR_API_KEY'
SPARKAI_DOMAIN = 'generalv3.5'

if __name__ == '__main__':
    spark = ChatSparkLLM(
        spark_api_url=SPARKAI_URL,
        spark_app_id=SPARKAI_APP_ID,
        spark_api_key=SPARKAI_API_KEY,
        spark_api_secret=SPARKAI_API_SECRET,
        spark_llm_domain=SPARKAI_DOMAIN,
        streaming=False,
    )
    messages = [ChatMessage(
        role="user",
        content='你好呀'
    )]
    handler = ChunkPrintHandler()
    a = spark.generate([messages], callbacks=[handler])
    print(a)

2.6 通义千问 (Tongyi Qianwen)

通义千问使用 DashScope SDK。

pip install dashscope

import random
from http import HTTPStatus
from dashscope import Generation

def call_with_messages():
    messages = [{
        'role': 'system', 
        'content': 'You are a helpful assistant.'
    }, {
        'role': 'user', 
        'content': '如何做西红柿炒鸡蛋？'
    }]
    response = Generation.call(
        model="qwen-turbo",
        messages=messages,
        seed=random.randint(1, 10000),
        result_format='message'
    )
    if response.status_code == HTTPStatus.OK:
        print(response)
    else:
        print('Request id: %s, Status code: %s, error code: %s, error message: %s' % (
            response.request_id, response.status_code,
            response.code, response.message
        ))

if __name__ == '__main__':
    call_with_messages()

3. API 使用总结与最佳实践

通过上述示例可以看出，国内主流大模型的 API 使用大同小异，但也存在差异。

3.1 通用模式

• 授权机制：所有平台均需要注册账号并获取 API Key 进行授权。
• 流式输出：大部分 API 接口都支持 Stream 流式输出，适合实时交互场景。
• 对话结构：API 接口都是典型的 Chat 模式，提供 System、User 和 Assistant 角色信息。多轮对话需要在历史消息（history）中拼接会话信息。
• 兼容性：部分平台（如 DeepSeek、Kimi）完全兼容 OpenAI 的调用格式，便于迁移现有项目。

3.2 参数调优建议

• Temperature：控制生成的随机性。值越大（如 0.8-1.0），创造性越强；值越小（如 0.1-0.3），输出越稳定准确。对于任务型应用建议设低，创意型应用建议设高。
• Max Tokens：限制最大生成长度，避免响应过长导致超时或费用增加。
• Top P：核采样阈值，配合 Temperature 使用可进一步控制多样性。

3.3 错误处理

在实际生产中，必须包含完善的异常捕获逻辑。网络波动、Token 耗尽、服务限流等情况均需重试机制或降级策略。

4. 学习路径建议

为了深入掌握大模型技术，建议按照以下路径进行学习：

第一阶段：基础认知

了解人工智能演进历程，理解 GPT 模型的发展脉络，掌握 Transformer 架构的基本原理（嵌入表示层、注意力层、前馈层等）。

第二阶段：数据处理

学习数据来源分类（通用数据 vs 专业数据），掌握数据清洗流程（低质过滤、冗余去除、隐私消除、词元切分），了解常用开源数据集（Pile, ROOTS, RefinedWeb 等）。

第三阶段：模型训练与微调

• 分布式训练：理解数据并行、模型并行、混合并行策略，熟悉 DeepSpeed 等工具。
• 有监督微调 (SFT)：掌握提示学习、LoRA 高效微调技术，学习指令数据构建方法。
• 强化学习 (RLHF)：了解基于人类反馈的强化学习原理及奖励模型构建。

第四阶段：应用开发

• 推理优化：学习模型量化、缓存优化等技术。
• 框架应用：利用 LangChain 等框架构建知识库问答系统。
• 垂直领域：结合具体行业（如电商、物流、医疗）进行模型适配与部署。

5. 结语

大模型技术日新月异，保持对新技术的敏感度至关重要。理论是基础，实践是关键。通过实际项目练习，将理论知识转化为解决实际问题的能力，是成为优秀 AI 工程师的必经之路。建议在掌握基础 API 调用后，尝试构建完整的 RAG（检索增强生成）系统或 Agent（智能体）应用，以深化对生态的理解。