Python轻松调用大模型API的完整指南

引言

很多初学者第一次接触 AI 开发时，都会觉得大模型特别复杂：

Transformer
Attention
Token
Embedding
RAG
Agent
Vector Database

一大堆概念扑面而来，但如果只是想让自己的 Python 程序调用一次大模型，其实根本没有那么复杂。

最基本的流程只有：

Python
   ↓
API
   ↓
大模型
   ↓
返回结果
   ↓
Python

今天我们就不讲复杂理论，直接从第一个 AI 程序开始。

一、为什么 AI 开发一定要学 API？

先思考一个问题，我们平时使用 Deepseek，是怎么和 AI 交流的？

用户
 ↓
Deepseek
 ↓
大模型
 ↓
回答

但是程序不一样，程序不会像人一样打开网页，然后输入：

帮我写一个 Python 函数。

程序需要通过 API 与模型进行通信。

于是流程变成：

Python 程序
      ↓
HTTP / SDK
      ↓
AI API
      ↓
大模型
      ↓
Response
      ↓
Python 程序

这就是 AI 应用开发最基础的一层。

换句话说：API 是你的 Python 程序进入大模型世界的入口。

以后你学习：

• ChatBot
• RAG
• Agent
• MCP
• AI 自动化
• AI 编程助手

底层都绕不开 API 调用。

二、第一次调用大模型，其实只需要几行代码

现在我们直接写第一个程序，首先安装 OpenAI 官方 Python SDK：

pip install openai

官方 Python SDK 可以直接通过 PyPI 安装，并支持 Python 3.9+。

然后创建一个 Python 文件：

hello_ai.py

写入：

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.5",
    input="你好，请用一句话介绍 Python。"
)

print(response.output_text)

运行：

python hello_ai.py

如果 API Key、网络和账户配置都正常，你就会得到模型返回的文本。

是不是突然感觉：原来调用大模型这么简单？

没错。真正复杂的地方，并不是"让模型回答一句话"，而是后面如何把模型接入真实业务。

三、这几行代码到底做了什么？

虽然代码只有几行，但里面其实包含了 AI 应用最基本的几个概念。

我们拆开来看。

1. 导入 SDK

from openai import OpenAI

这句话非常简单，意思就是：把 OpenAI 提供的 Python SDK 引入进来。

以后我们就可以通过 Python 对象调用 API。

2. 创建客户端

client = OpenAI()

可以把 client 理解成：Python 与 AI 服务之间的连接对象。

后面所有 API 请求，都可以通过它发起。

3. 创建模型响应

response = client.responses.create(
    model="gpt-5.5",
    input="你好，请用一句话介绍 Python。"
)

这里最重要，我们实际上告诉模型：

模型：gpt-5.5

输入：
你好，请用一句话介绍 Python。

然后服务器返回一个 Response。

4. 获取模型文本

print(response.output_text)

最终把模型生成的文本打印出来。

整个流程就是：

input
  ↓
Model
  ↓
Response
  ↓
output_text

官方 SDK 当前将 Responses API 作为主要的模型交互接口，并提供 output_text 方便获取生成的文本。

四、API Key 到底是什么？

第一次调用 API，很多人会遇到一个问题：API Key 放在哪里？

API Key 可以理解成：你的程序访问 AI 服务的身份凭证。

就像：

用户名 + 密码

一样，但是有一点非常重要：不要把 API Key 直接写进代码。

千万不要这样：

client = OpenAI(
    api_key="sk-xxxxxxxxxxxxxxxx"
)

尤其是下面这种情况：

GitHub
 ↓
公开仓库
 ↓
API Key
 ↓
别人拿走
 ↓
产生大量 API 消费

这会非常危险。

五、正确做法：使用环境变量

更推荐的方式是：

环境变量
     ↓
Python
     ↓
OpenAI SDK

例如 macOS / Linux：

export OPENAI_API_KEY="你的API Key"

Windows PowerShell：

$env:OPENAI_API_KEY="你的API Key"

然后 Python：

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.5",
    input="你好"
)

print(response.output_text)

这样代码里就不需要出现 API Key。

官方 Python SDK 也推荐通过环境变量配置 OPENAI_API_KEY，避免把密钥直接写入源码。

Python 调用大模型完整流程

六、不要把 API 调用理解得太复杂

很多人第一次看到：

client.responses.create()

会觉得：这是不是特别复杂？

其实完全可以把它理解成一个普通函数。

例如：

result = add(10, 20)

得到：

30

而 AI API：

response = client.responses.create(
    model="gpt-5.5",
    input="介绍一下 Python"
)

得到：

Python 是一种……

本质上都是：

输入
 ↓
处理
 ↓
输出

只不过：普通函数

是在本地运行，而：AI API

是把请求发送给远程模型。

七、给 AI 设置角色

如果只写：

input="介绍一下 Python"

模型当然可以回答，但真实 AI 应用通常不会这么简单。

我们经常需要告诉模型：

你是谁？
你应该怎么回答？
你的回答需要遵循什么规则？

这就是 Instructions。

例如：

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.5",
    instructions="你是一名Python技术专家，请使用通俗易懂的语言回答问题。",
    input="什么是Python虚拟环境？"
)

print(response.output_text)

现在模型的行为就发生了变化。

我们可以把：

instructions

理解成：告诉模型应该以什么身份和规则工作。

而：

input

则是：用户真正提出的问题。

八、从一个问题变成一个 AI 助手

到这里，我们已经可以写一个非常简单的 AI 程序。

例如：

from openai import OpenAI

client = OpenAI()

while True:

    question = input("你：")

    if question == "exit":
        break

    response = client.responses.create(
        model="gpt-5.5",
        input=question
    )

    print("AI：", response.output_text)

运行：

你：什么是Python？
AI：Python是一种……
你：Python适合做AI吗？
AI：Python非常适合……
你：exit

恭喜到这里，你已经完成了自己的第一个：命令行 AI ChatBot。

虽然它非常简单，但它已经具备了 AI 应用最基本的结构：

用户输入
    ↓
Python
    ↓
API
    ↓
大模型
    ↓
Python
    ↓
用户看到结果

九、为什么 AI 应用最终都会变成这个结构？

继续往后学习，你会发现：

RAG、Agent、MCP，其实都是在这个基础结构上不断增加能力。

最简单的 ChatBot：

User
 ↓
LLM
 ↓
Answer

加入 RAG：

User
 ↓
Retriever
 ↓
Knowledge Base
 ↓
LLM
 ↓
Answer

加入 Agent：

User
 ↓
Agent
 ↓
LLM
 ↓
Tool
 ↓
Database / Search / API
 ↓
LLM
 ↓
Answer

再往后：

User
 ↓
Agent Runtime
 ↓
Planner
 ↓
LLM
 ↓
Tool Graph
 ↓
Memory
 ↓
External Systems

你会发现：所有复杂 AI 应用，最底层依然是一次又一次的模型调用。

所以 API 是非常重要的基础能力。

十、AI API 不只是聊天

很多初学者会把 API 理解成：

发送问题
 ↓
获得答案

实际上，现在的大模型 API 已经远远不止聊天。

以当前 OpenAI Responses API 为例，它可以处理文本、图像等输入，并支持工具调用；官方 SDK 还提供了流式响应等能力。

因此未来你会逐渐接触：

Text
 ↓
Image
 ↓
Structured Output
 ↓
Tool Calling
 ↓
Web Search
 ↓
File Search
 ↓
Agent

这也是为什么：学会 API，比单纯会使用Deepseek 更重要。

你不是只会"问 AI"，而是开始学会：让程序调用 AI。

这两者完全是两个概念。

从 ChatBot 到 Agent 的技术演进

AI 应用不是突然出现的，而是从一次 API 调用逐步演化出来的。

十一、为什么推荐先学 API，而不是直接学 Agent？

现在 Agent 很火，很多教程上来就是：

Agent
 ↓
Planner
 ↓
Memory
 ↓
Tool
 ↓
Workflow

看起来非常高级，但如果你连：

client.responses.create()

都不知道是什么意思，直接学习 Agent，很容易变成：会复制代码，但不知道代码为什么这么写。

这也是很多 AI 初学者最大的误区。

正确顺序应该是：

Python
   ↓
HTTP / API
   ↓
LLM API
   ↓
Prompt
   ↓
Structured Output
   ↓
Tool Calling
   ↓
RAG
   ↓
Agent

一步一步往上走。

十二、进一步理解：AI API 本质上是什么？

如果把各种 AI 框架全部拿掉，你会发现：大模型 API 本质上就是一个远程计算服务。

你的程序：发送 Request

服务器：执行模型推理

然后：返回 Response

也就是：

Client
   │
   │ Request
   ↓
Server
   │
   │ Inference
   ↓
LLM
   │
   │ Response
   ↓
Client

所以从技术角度来看，AI 开发其实并不是一门完全独立的技术。

它依然建立在传统的软件工程之上：

Python
+
HTTP
+
API
+
JSON
+
Database
+
AI Model

这也是为什么：一个优秀的 AI 工程师，依然需要扎实的软件开发能力。

十三、从今天开始，你真正拥有了什么能力？

如果你能够独立完成：

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.5",
    input="你好"
)

print(response.output_text)

其实已经完成了一个重要的转变，以前：

你
 ↓
Deepseek

现在：

你的程序
 ↓
AI API
 ↓
大模型

这意味着：你开始从 AI 的使用者，变成 AI 应用的开发者。

这一步非常重要。

AI 应用开发学习路线

十四、总结

很多人学习 AI 时，喜欢从最复杂的地方开始。

一上来就是：

Transformer
Attention
RAG
Agent
Multi-Agent
MCP
Agent Runtime

但实际上，AI 应用的第一步并没有那么复杂。

甚至只需要：

response = client.responses.create(...)

真正重要的是理解这行代码背后的整个链路：

Python
 ↓
SDK
 ↓
API
 ↓
Model
 ↓
Response

当你真正理解了这个过程，后面再学习：

• Prompt
• RAG
• Function Calling
• Tool Calling
• Agent
• MCP
• Multi-Agent

就会容易很多，因为你会发现：它们并不是完全不同的技术，而是在"调用大模型"这件事情上不断增加新的能力。

所以，如果你正在学习 AI。

不要急着研究最复杂的 Agent。

先完成一个最简单的目标：让你的 Python 程序成功调用一次大模型。

当屏幕上第一次出现：AI：你好，我是……

你会发现：

AI 开发真正开始了。

以上就是Python轻松调用大模型API的完整指南的详细内容，更多关于Python调用大模型API的资料请关注脚本之家其它相关文章！

最新评论