Python调用OpenAI API的完整教程

更新时间：2026年04月29日 08:27:03 作者：Xidaoapi

文章详细介绍了将AI大模型GPT接入项目的全过程,包括准备工作、最简示例、流式输出、多轮对话、实用技巧、常见错误处理等六个部分,并给出示例代码,同时提供了函数调用和模型选择指南,最后介绍了异步调用在高并发场景下的使用方法,需要的朋友可以参考下

前言

最近AI大模型火得一塌糊涂，很多开发者想把GPT接到自己项目里，但官方文档看着一头雾水。这篇文章把整个流程从头到尾走一遍，保证你看完就能跑起来。

一、准备工作

1.1 安装OpenAI SDK

pip install openai

建议用虚拟环境隔离：

python -m venv ai-env
# Windows
ai-env\Scripts\activate
# macOS/Linux
source ai-env/bin/activate
pip install openai

1.2 获取API Key

到OpenAI官网注册账号，在API Keys页面创建一个新的Key。

注意：API Key只显示一次，务必保存好。如果泄露了立刻去后台撤销。

二、最简示例：一次对话

from openai import OpenAI

client = OpenAI(api_key="sk-your-api-key-here")

response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[
        {"role": "user", "content": "用一句话解释什么是递归"}
    ]
)

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

输出示例：

递归是函数在自己的定义中调用自身，通过不断缩小问题规模直到满足终止条件来求解问题的编程技巧。

三、流式输出（打字机效果）

普通调用要等AI全部生成完才返回，体验差。流式输出可以逐字显示：

from openai import OpenAI

client = OpenAI(api_key="sk-your-api-key-here")

stream = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[
        {"role": "user", "content": "写一首关于编程的五言绝句"}
    ],
    stream=True  # 关键参数
)

for chunk in stream:
    if chunk.choices[0].delta.content is not None:
        print(chunk.choices[0].delta.content, end="", flush=True)

print()  # 换行

四、多轮对话

AI模型本身没有记忆，多轮对话靠你把历史消息传回去：

from openai import OpenAI

client = OpenAI(api_key="sk-your-api-key-here")

# 维护对话历史
messages = [
    {"role": "system", "content": "你是一个Python编程助手，回答简洁专业。"}
]

def chat(user_input):
    messages.append({"role": "user", "content": user_input})
    
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=messages
    )
    
    assistant_msg = response.choices[0].message.content
    messages.append({"role": "assistant", "content": assistant_msg})
    return assistant_msg

# 测试多轮对话
print(chat("Python的列表推导式是什么？"))
print(chat("能给几个实际例子吗？"))
print(chat="和map/filter比哪个好？"))

注意：messages列表会越来越长，token消耗也越大。生产环境需要做截断或摘要处理。

五、实用技巧

5.1 控制输出格式（JSON Mode）

response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[
        {"role": "user", "content": "列出3个Python Web框架，用JSON格式返回，字段：name, description, stars"}
    ],
    response_format={"type": "json_object"}  # 强制JSON输出
)

import json
data = json.loads(response.choices[0].message.content)
print(json.dumps(data, indent=2, ensure_ascii=False))

5.2 设置温度参数

response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[{"role": "user", "content": "给我起一个技术博客名字"}],
    temperature=0.9  # 0=保守确定，1=创意发散
)

temperature=0：适合事实性问答、代码生成
temperature=0.7：通用场景
temperature=1.0+：创意写作、头脑风暴

5.3 超时和重试

from openai import OpenAI
import time

client = OpenAI(
    api_key="sk-your-api-key-here",
    timeout=30.0,  # 请求超时30秒
    max_retries=2   # 最多重试2次
)

5.4 计算Token消耗

# 响应对象中包含token统计
response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[{"role": "user", "content": "你好"}]
)

usage = response.usage
print(f"输入Token: {usage.prompt_tokens}")
print(f"输出Token: {usage.completion_tokens}")
print(f"总计Token: {usage.total_tokens}")

六、常见错误处理

from openai import OpenAI, APIError, RateLimitError, APIConnectionError

client = OpenAI(api_key="sk-your-api-key-here")

try:
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role": "user", "content": "Hello"}]
    )
except RateLimitError:
    print("⚠️ 请求太频繁，请稍后重试")
except APIConnectionError:
    print("⚠️ 网络连接失败，检查网络设置")
except APIError as e:
    print(f"⚠️ API错误：{e.status_code} - {e.message}")
else:
    print(response.choices[0].message.content)

七、函数调用（Function Calling）

让AI有能力调用外部工具：

import json

client = OpenAI(api_key="sk-your-api-key-here")

# 定义工具
tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "获取指定城市的天气信息",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {
                        "type": "string",
                        "description": "城市名称"
                    }
                },
                "required": ["city"]
            }
        }
    }
]

# 第一次调用：AI决定是否使用工具
response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[{"role": "user", "content": "北京今天天气怎么样？"}],
    tools=tools
)

message = response.choices[0].message

if message.tool_calls:
    # AI想要调用工具
    tool_call = message.tool_calls[0]
    args = json.loads(tool_call.function.arguments)
    print(f"AI想调用: {tool_call.function.name}({args})")
    
    # 这里执行实际函数，模拟返回结果
    weather_result = {"city": "北京", "temperature": "22°C", "condition": "晴"}
    
    # 第二次调用：把工具结果传回给AI
    response2 = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {"role": "user", "content": "北京今天天气怎么样？"},
            message,
            {
                "role": "tool",
                "tool_call_id": tool_call.id,
                "content": json.dumps(weather_result, ensure_ascii=False)
            }
        ],
        tools=tools
    )
    print(response2.choices[0].message.content)

八、模型选择指南

模型	适用场景	价格（输入/输出 per 1M tokens）
gpt-4o	复杂推理、代码生成、长文分析	2.5/2.5 / 2.5/10
gpt-4o-mini	日常对话、简单任务、高频调用	0.15/0.15 / 0.15/0.6
o3-mini	数学推理、逻辑分析	1.1/1.1 / 1.1/4.4

日常开发用 gpt-4o-mini 性价比最高，复杂任务再上 gpt-4o。

九、异步调用

高并发场景用异步：

import asyncio
from openai import AsyncOpenAI

async def main():
    client = AsyncOpenAI(api_key="sk-your-api-key-here")
    
    # 并发5个请求
    tasks = [
        client.chat.completions.create(
            model="gpt-4o-mini",
            messages=[{"role": "user", "content": f"用5个字形容数字{i}"}]
        )
        for i in range(5)
    ]
    
    responses = await asyncio.gather(*tasks)
    for i, resp in enumerate(responses):
        print(f"{i}: {resp.choices[0].message.content}")

asyncio.run(main())

总结

基础调用只需要3行代码
多轮对话靠维护messages列表
流式输出提升用户体验
Function Calling让AI能调用外部工具
日常用gpt-4o-mini，复杂任务上gpt-4o

以上就是Python调用OpenAI API的完整教程的详细内容，更多关于Python调用OpenAI API的资料请关注脚本之家其它相关文章！

您可能感兴趣的文章:

flask中使用SQLAlchemy进行辅助开发的代码
在Web.py, Django, Flask, Tornado里，自带的ORM功能比较缺乏，推荐大家使用SQLAlchemy来辅助开发
2013-02-02
PyQt5打开文件对话框QFileDialog实例代码
这篇文章主要介绍了PyQt5打开文件对话框QFileDialog实例代码，分享了相关代码示例，小编觉得还是挺不错的，具有一定借鉴价值，需要的朋友可以参考下
2018-02-02
numpy库ndarray多维数组的维度变换方法(reshape、resize、swapaxes、flatten)
这篇文章主要介绍了numpy库ndarray多维数组的维度变换方法(reshape、resize、swapaxes、flatten)，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
2020-04-04
一文带你搞懂Python中的描述符(Descriptor)
Python是一种动态类型语言，这意味着我们可以在运行时更改对象的结构，这种灵活性有时可能会导致问题，例如我们可能无意中改变了一个属性的值，为了解决这些问题，Python提供了一个强大的特性：描述符，文中通过代码介绍的非常详细,需要的朋友可以参考下
2023-06-06
极简Python库CherryPy构建高性能Web应用实例探索
今天为大家介绍的是 CherryPy,它是一个极简、稳定且功能强大的Web框架,可以帮助开发者快速构建高性能的 Web 应用程序,使用 CherryPy,你可以轻松地创建RESTful API、静态网站、异步任务和 WebSocket 等应用
2024-01-01
Python模块/包安装使用入门教程
本文介绍了Python中的模块和包的概念,包括模块的定义、导入方式、自定义模块注意事项、包的创建和使用,以及第三方包的安装和使用,本文通过实例代码给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友参考下吧
2026-02-02
python列表排序用 sort()和sorted()的区别
这篇文章主要介绍了python列表排序用 sort()和sorted()的区别，主要比较 Python 中用于列表排序的两种函数 sort() 和 sorted()，选择合适的排序函数，下文详细内容需要的小伙伴可以参考一下
2022-03-03
Pytorch 定义MyDatasets实现多通道分别输入不同数据方式
今天小编就为大家分享一篇Pytorch 定义MyDatasets实现多通道分别输入不同数据方式，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
2020-01-01
python网络编程使用UDP、TCP协议收发信息详解
这篇文章主要介绍了python网络编程使用UDP、TCP协议收发信息详解,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
2019-08-08
Xadmin+rules实现多选行权限方式(级联效果)
这篇文章主要介绍了Xadmin+rules实现多选行权限方式(级联效果)，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
2020-04-04