PythonSaaSAI算法
基于大模型 API 构建本地化个人 AI 助理
介绍如何利用大模型 API 开发本地化个人 AI 助理。首先明确需求与配置环境，获取 API 密钥并选择合适模型。接着通过 HTTP 请求调用 API，结合 Python 的 Tkinter 库构建图形界面，实现多轮对话交互。最终完成一个支持隐私保护的智能助手应用，降低使用成本并提供便捷的交互体验。
介绍如何利用大模型 API 开发本地化个人 AI 助理。首先明确需求与配置环境，获取 API 密钥并选择合适模型。接着通过 HTTP 请求调用 API，结合 Python 的 Tkinter 库构建图形界面，实现多轮对话交互。最终完成一个支持隐私保护的智能助手应用，降低使用成本并提供便捷的交互体验。
大数据时代，个人隐私很难得到保障，如果我们需要借助大模型解决一些私人问题，又不想隐私被泄露和所用的大模型公司收集，这里我提供一个解决方案：调用大模型的 API 实现一个本地化个人 ai 助理帮助我们解决问题，这是一个很好的解决办法。本次实验主要是借助 MaaS 平台来调用大模型 API，打造专属的 AI 助理。
在开始动手实验之前，我们首先要明确我们的需求和进行环境配置。不清楚需求，干起活就会没有清晰的思路，没有好环境，就没有办法实现我们的 AI 助理。
注册平台账号
如果还未拥有平台账号的小伙伴，需前往平台官网注册一下账号。
获取 API 密钥
成功登录平台后，找到'API KEY 管理'选项，点击'创建 API KEY'平台将为你生成一串唯一的 API 密钥。这串密钥是你调用平台 API 的重要凭证，务必妥善保管，切勿向他人透露，以免造成安全风险。
平台提供了多种大模型供选择，如 DeepSeek - R1、DeepSeek - V3、QwQ - 32B 等。
每个模型在自然语言处理、图像识别、代码生成等方面各有专长。鉴于我们打造个人 AI 助理主要用于处理文本类的私人问题，在自然语言处理方面表现卓越的 DeepSeek - R1 模型是不错的选择。它具备强大的语义理解能力，能深入剖析我们输入的问题，并生成高质量的回答。
在平台的模型介绍页面，我们可详细了解各模型的特点、适用场景以及调用价格，综合评估后确定符合自身需求的模型。
考虑到有些读者可能不了解 MaaS 平台究竟是什么，这里做简单介绍。
MaaS 平台即'模型即服务'（Model as a Service）平台，是一种依托云计算的人工智能服务模式。模型即服务（MaaS）平台面向企业开发者、创业者及非技术背景用户，提供开箱即用的热门 AI 模型服务，支持零代码体验、API 快速集成与灵活计费，降低 AI 应用开发门槛，加速业务创新。允许用户通过 API 接口或其他方式访问和使用预先训练好的机器学习模型，无需自己从头开始训练模型，使得即使没有深厚机器学习背景的用户也能享受到高水平的 AI 技术支持。
平台也支持各种文本、图像、视频大模型的选择。
也可以在体验中心，直接体验模型。
完成上述需求分析与环境配置后，接下来进入更关键的 API 调用与功能实现环节。
大模型 API 是大模型对外提供服务的接口。通过 API，开发者不需要了解大模型复杂的内部结构和运行机制，就能将大模型强大的功能集成到自己的应用、系统中。同时我们也可以调用大模型的 API 对模型进行微调、推理训练等。
确定调用方式
平台为开发者提供了清晰且便捷的 API 调用方式。以常见的 HTTP 请求为例，我们可以借助各类编程语言中的 HTTP 请求库来发起调用。在 Python 语言中，常用的 requests 库能够方便地构造请求。我们要根据所选大模型 API 的要求，确定请求的 URL 地址。
构造请求参数
请求参数是 API 调用的关键部分，它决定了我们向大模型传递的信息以及期望得到的响应形式。
Python 使用 requests 库调用大模型 API 代码：
import requests
url ="https://api.example.com/v1/chat/completions"
headers ={"Content-Type":"application/json","Authorization":"Bearer 这里改成自己的 API 密钥"}
data ={"model":"deepseek-r1","messages":[{"role":"system","content":"You are a helpful assistant."},{"role":"user","content":"Hello!"}]}
response = requests.post(url, headers=headers, json=data)
if response.status_code ==200:
result = response.json()
print(result)
else:
print(f"请求失败，状态码：{response.status_code}")
不懂的朋友可以再看看官方文档，想快速实现的也可以直接用我的代码。
利用 Jupyter Notebook 环境我们先试试，模型 API 是否调用成功
AI 助理回答：Hello! How can I assist you today? 😊
调用的 deepseek-r1 模型 API，deepseek 也是有深度思考和正常输出的，还给我们回复了一个微笑的可爱表情包。看来已经进入助理角色了。
上面那个界面，对于不懂代码的用户来说，比较不友好，我们要开发的是在 UI 窗口能直接用自然语言进行交互的 AI 助理。这次开发环境是 VS code，用 python 代码实现。
1.首先是平台 API 调用，进行设置 API 信息，这一步是我们调用大模型的关键
self.api_url ="https://api.example.com/v1/chat/completions"
self.api_key ="请替换为您的实际 API 密钥"# 请替换为您的实际 API 密钥
API 调用主要是用到 python 的 requests 库，因为这个库是 python 的第三方库，我们本地可能并没有安装，调用的时候就会报错。
别担心，我们只需要在终端输入命令
pip install requests
就能完成库的安装，看见有"Successfully installed"就是安装成功了。
2.选择需要调用的模型为 deepseek -r1 模型，并且给模型设置身份为私人助理
headers ={"Content-Type":"application/json","Authorization":f"Bearer {self.api_key}"}
data ={"model":"deepseek-r1","messages":[{"role":"system","content": self.system_role },{"role":"user","content": user_message }]}
这里可以看到，我们给模型的身份和我们自己的身份。
# 初始化对话 self.append_message("系统","私人助理已就绪，请问有什么可以帮您？")# 设置系统角色 self.system_role ="你是一位专业的私人助理，负责帮助用户处理各种事务。你的回答应该简洁、专业且友好。"
3.交互窗口的开发
主窗口和基本的设置，将窗口大小设置为 600*500 的块
self.root.geometry("600x500")
用户输入区域（输入框 + 发送按钮）
# 输入框框架 self.input_frame = tk.Frame(root) self.input_frame.pack(padx=10, pady=5, fill=tk.X)# 输入框 self.user_input = tk.Entry(self.input_frame) self.user_input.pack(side=tk.LEFT, fill=tk.X, expand=True) self.user_input.bind("<Return>", self.send_message)# 绑定回车键发送# 发送按钮 self.send_button = tk.Button(self.input_frame, text="发送", command=self.send_message) self.send_button.pack(side=tk.RIGHT)
消息显示功能实现
defappend_message(self, sender, message): self.chat_history.configure(state='normal') self.chat_history.insert(tk.END,f"{sender}: {message}\n\n") self.chat_history.configure(state='disabled') self.chat_history.see(tk.END)# 自动滚动到底部
消息发送功能实现
defsend_message(self, event=None): user_message = self.user_input.get()ifnot user_message.strip():return self.append_message("你", user_message) self.user_input.delete(0, tk.END)# 禁用控件防止重复发送 self.send_button.config(state=tk.DISABLED) self.user_input.config(state=tk.DISABLED)# 使用线程发送请求 threading.Thread(target=self.get_ai_response, args=(user_message,)).start()
上面就是我们实现的主要代码了，现在运行看看效果。
最上面是整个窗口的名字"Deepseek-R1 私人助理'，初始时，系统会告诉我们他是你的私人助理，并且询问你是否需要帮助，下面的框可以输入我们的请求，比如我下面的 prompt'你好，现在是晚饭时间，为我推荐清淡且富有营养的晚餐'，点击右下角的发送按钮，发送请求就好。
现在，是不是已经开始期待我们的私人助理会给出怎么样的回答了，一起看看吧。（十几秒的时间 AI 助理就能给我们回复，还是很快的，不需要像本地部署的大模型一样要等很久才能收到回复）
我们的小助理给出了一份很不错的食谱，接下来告诉小助理我们的忌口食物和喜爱食物，让他调整食谱。
小助手根据我的喜好为我提供了新食谱，考虑到营养问题，把一日三餐的食都提供了，还告诉我应该怎么搭配，怎么食用。真所谓考虑的面面俱到，我对我的小助理非常满意。
这里我们的小助手是有长记忆的，可以支持进行多轮对话，不用担心 token 不够，平台给我们提供了免费的 token。
4.可调整：
平台可以看到调用 API 的数量和 token 用量，实时监控并更新，方便我们查看
5.为了让更多人都能轻松实现这一 AI 私人助理，我决定把完整的代码分享给大家。
import tkinter as tk from tkinter import scrolledtext, messagebox import requests import threading classAIChatApp:def__init__(self, root): self.root = root self.root.title("DeepSeek-R1 私人助理") self.root.geometry("600x500")# 设置 API 信息 self.api_url ="https://api.example.com/v1/chat/completions" self.api_key ="请替换为您的实际 API 密钥"# 请替换为您的实际 API 密钥# 创建聊天历史显示区域 self.chat_history = scrolledtext.ScrolledText(root, wrap=tk.WORD, state='disabled') self.chat_history.pack(padx=10, pady=10, fill=tk.BOTH, expand=True)# 创建用户输入区域 self.input_frame = tk.Frame(root) self.input_frame.pack(padx=10, pady=5, fill=tk.X) self.user_input = tk.Entry(self.input_frame) self.user_input.pack(side=tk.LEFT, fill=tk.X, expand=True) self.user_input.bind("<Return>", self.send_message) self.send_button = tk.Button(self.input_frame, text="发送", command=self.send_message) self.send_button.pack(side=tk.RIGHT)# 初始化对话 self.append_message("系统","私人助理已就绪，请问有什么可以帮您？")# 设置系统角色 self.system_role ="你是一位专业的私人助理，负责帮助用户处理各种事务。你的回答应该简洁、专业且友好。"defappend_message(self, sender, message): self.chat_history.configure(state='normal') self.chat_history.insert(tk.END,f"{sender}: {message}\n\n") self.chat_history.configure(state='disabled') self.chat_history.see(tk.END)defsend_message(self, event=None): user_message = self.user_input.get()ifnot user_message.strip():return self.append_message("你", user_message) self.user_input.delete(0, tk.END)# 禁用发送按钮和输入框，避免重复发送 self.send_button.config(state=tk.DISABLED) self.user_input.config(state=tk.DISABLED)# 在新线程中发送请求，避免界面冻结 threading.Thread(target=self.get_ai_response, args=(user_message,)).start()defget_ai_response(self, user_message):try: headers ={"Content-Type":"application/json","Authorization":f"Bearer {self.api_key}"} data ={"model":"deepseek-r1","messages":[{"role":"system","content": self.system_role },{"role":"user","content": user_message }]} response = requests.post(self.api_url, headers=headers, json=data)if response.status_code ==200: result = response.json() ai_response = result.get('choices',[{}])[0].get('message',{}).get('content',"未能获取有效回复") self.append_message("助理", ai_response)else: self.append_message("系统",f"请求失败，状态码：{response.status_code}") messagebox.showerror("错误",f"API 请求失败：{response.status_code}")except Exception as e: self.append_message("系统",f"发生错误：{str(e)}") messagebox.showerror("错误",f"发生异常：{str(e)}")finally:# 重新启用发送按钮和输入框 self.root.after(0,lambda:[ self.send_button.config(state=tk.NORMAL), self.user_input.config(state=tk.NORMAL), self.user_input.focus()])if __name__ =="__main__": root = tk.Tk() app = AIChatApp(root) root.mainloop()
在大数据隐私风险下，我们可以尝试利用 MaaS 平台调用大模型 API 实现打造本地化 AI 助理，保护隐私数据不被泄露。通过 Python 代码实现 API 调用，开发带 UI 的交互助理，支持多轮对话。重中之重是平台提供的 Token 资源，降低使用成本，为隐私保护下的智能问题解决提供新方案，为我们的 AI 助理实现提供了坚实的保障。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online