新闻详情

新闻详情

首页 / 资讯中心 / 详情

新手小白 Agent 开发第2课:获取模型 API,写出你的第一个 AI 程序

发布时间:2026/11/15 0:39:40来源:尧图网络
新手小白 Agent 开发第2课:获取模型 API,写出你的第一个 AI 程序
环境搭好了接下来要给 Agent 装上「大脑」——也就是调用大模型 API。别紧张所谓 AI 应用底层很多时候就是在调用 API。这一课结束你能用 Python 让 AI 回答你的问题。一、获取模型 API你可以使用 OpenAI、Anthropic、Google 等模型。为了教学简单我们先以 OpenAI API 为例。1. 安装 OpenAI SDK回到 VS Code 终端确认前面还有(.venv)执行pip install openai检查是否安装成功pip show openai看到Name: openai和版本号就 OK。2. 设置 API Key重点千万不要把 API Key 直接写进代码里。例如不要这样api_key sk-xxxxxxxx # 危险容易泄露因为一旦上传 GitHubKey 就会被别人拿到。我们先用环境变量。Windows PowerShell$env:OPENAI_API_KEY你的API Key检查一下echo $env:OPENAI_API_KEYAPI Key 就像银行卡密码后面我们会进一步学习用.env这类更规范的管理方式。二、写出第一段 AI 程序在my-agent里创建main.pyfrom openai import OpenAI client OpenAI() response client.responses.create( model你的模型名称, input你好请介绍一下什么是人工智能。 ) print(response.output_text)运行python main.py如果一切正常你会得到类似人工智能是研究如何让计算机执行通常需要人类智能才能完成的任务……恭喜这就是你的第一个 AI 程序。这两行代码到底做了什么response client.responses.create(...)意思是「把我的问题交给大模型。」print(response.output_text)意思是「把大模型的回答打印出来。」整个链路是这样的Python → OpenAI SDK → API → 大模型 → 回答 → Python → 终端一句话概括调用大模型本质就是「发一句话过去收一句话回来」。三、想用 DeepSeek 怎么办改三个地方就行很多人以为换模型要重写代码其实不用。DeepSeek 提供了与 OpenAI 兼容的接口所以我们可以继续用openai这个 SDK只改三个参数。1. 获取 DeepSeek API Key到 DeepSeek 开放平台platform.deepseek.com创建 API Key。同样不要写进代码用环境变量$env:DEEPSEEK_API_KEY你的DeepSeek API Key2. 修改代码改用 DeepSeek 兼容的 Chat Completions 接口from openai import OpenAI import os client OpenAI( api_keyos.environ[DEEPSEEK_API_KEY], base_urlhttps://api.deepseek.com ) response client.chat.completions.create( modeldeepseek-chat, messages[ { role: user, content: 你好请介绍一下人工智能。 } ] ) print(response.choices[0].message.content)运行python main.py如果看到 DeepSeek 的回答就成功了。3. 三处变化一眼看懂变化点OpenAIDeepSeek作用api_keyOPENAI_API_KEYDEEPSEEK_API_KEY用谁的钱base_url默认https://api.deepseek.com请求发给谁model如 gpt-4odeepseek-chat用哪个模型其中base_url是最关键的地方。你可以这样理解SDK 是「电话」base_url 是「拨打哪个号码」。一句话概括换模型换的是「号码」和「名字」不是整套代码。四、一个重要的设计思想模型层与 Agent 层解耦我们最终开发 Agent 时会把模型单独抽象出来Agent │ ├── OpenAI ├── DeepSeek ├── Claude ├── Gemini └── 其他模型换供应商时主要修改API_KEY BASE_URL MODEL而 Agent 的Tool、Memory、Search、Planning 等代码尽量保持不变。这样设计的好处是今天你用 DeepSeek明天想换 GPT 或 Claude只需要改配置不用重写业务逻辑。一句话概括模型只是可替换的零件Agent 才是你要造的那台机器。总结这一课的核心就一句话AI 应用 调用 API。我们用几行代码让大模型开口说话还学会了如何从 OpenAI 平滑切换到 DeepSeek。但现在的程序有个小问题——问一次就结束而且它记不住上一句话。下一课我们把它改造成真正的聊天机器人并引入「对话历史」这个概念这是 Memory 的第一步。下一课预告第3课从一问一答到聊天机器人——对话历史与 Memory 入门。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/14 3:51:47

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/12 23:59:09

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/14 17:14:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/14 3:51:43

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉