【Agent.04】AI时代的hello world：调用OpenAI接口，与大模型交互

慕雪的小助手正在绞尽脑汁···

慕雪小助手的总结

DeepSeek & LongCat

欢迎阅读慕雪撰写的AI Agent专栏，本专栏目录如下

本文介绍了如何使用python发送请求，调用OpenAI的API，与大模型交互，获取到大模型关于hello的响应。

1. 引言

如果说学习编程的第一个程序是hello world，那么学习AI Agent开发的第一个程序就是调用AI API。就像学车要先认识方向盘一样，调用API也是AI开发的必备技能。

本文将介绍如何使用Python的requests库调用硅基流动的OpenAI兼容API。这其实就是一个HTTP请求的事，我们发送请求给OpenAI格式API接口的服务端，服务端将请求处理成大模型能够接受的入参，再把大模型返回的结果，以OpenAI API的格式返回给我们。

本文使用Python的requests库，以硅基流动的API做示例，请求Qwen/Qwen3-8B模型。OpenAI的请求格式可以参考硅基流动的OpenAI API文档。

阅读本文之前，请确保你对HTTP协议、Python的基本语法和requests库的使用有一定了解。本站的Agent专题不包含Python教学部分。

2. 准备工作

2.1. 获取API密钥

首先需要注册硅基流动账号，地址：https://cloud.siliconflow.cn/

如果你愿意支持慕雪，可以使用慕雪的邀请链接注册硅基流动，万分感谢！

登录后，在控制台找到"API Keys"页面，创建新的API密钥。这个密钥就是你在硅基流动这个平台上的身份证，千万保管好，别泄露了。任何平台的API Key都必须保管好！

2.2. 安装依赖库

首先需要保证你的电脑上有Python的基本环境，安装Python参考本站博客：点我。建议至少安装Python 3.10.x版本，不要安装太老的版本。

我们需要使用Python的requests库发送HTTP请求，所以需要安装requests库：

1	pip3 install requests

requests这玩意非常常用，所以直接装在你python全局环境就OJBK了，刚开始学习的时候，没必要去折腾啥虚拟环境。

3. 开始调用！

3.1. 基础调用示例

下面是一个最最最基础的OpenAI请求，包含了一个system prompt和我们咨询的问题。

使用这个代码之前，你需要先替换代码最后的API_KEY为你自己的硅基流动API Key。

import requests
import json

def call_ai_api(api_key, question):
    """
调用硅基流动的OpenAI兼容API

    Args:
        api_key: API密钥
        question: 用户问题

    Returns:
        API响应结果
    """
    url = "https://api.siliconflow.cn/v1/chat/completions"

    headers = {
        "Authorization": f"Bearer {api_key}",
        "Content-Type": "application/json"
    }

    data = {
        "model": "Qwen/Qwen3-8B",
        "messages": [
            {"role": "system", "content": "你是一个有帮助的AI助手，回答要简明扼要。"},
            {"role": "user", "content": question}
        ],
        "stream": False,
        "max_tokens": 512,
        "temperature": 0.7,
        "top_p": 0.7
    }

    response = requests.post(url, headers=headers, json=data)

    if response.status_code == 200:
        return response.json()
    else:
        return {"error": f"请求失败，状态码: {response.status_code}", "message": response.text}

# 使用示例
if __name__ == "__main__":
    API_KEY = "your_api_key_here"  # 替换为实际API密钥
    result = call_ai_api(API_KEY, "Hello World在编程中的意义是什么？")

    if "error" in result:
        print(f"请求出错: {result['error']}")
    else:
        print(f"AI回复: {result['choices'][0]['message']['content']}")

运行结果如下，AI成功回答了我们的问题

❯ uv run basic/01.openai_hello_world.py 
AI回复: 

"Hello World"是编程学习的入门示例，主要用于：  
1. **验证环境**：确认编程语言和开发工具配置正确。  
2. **教学用途**：帮助初学者快速理解基本语法结构（如输出语句）。  
3. **历史传统**：源自1970年代C语言的早期教程，现已成为编程界的通用"Hello World"惯例。  
4. **调试起点**：作为程序运行的简单测试，确保代码执行无误。  

它象征着编程学习的起点，强调“能运行即可”的核心目标。

3.2. 关键参数说明

接下来，对OpenAI API接口中的关键参数进行说明。

3.2.1. Header

首先是header里面的字段，Authorization是一个比较通用的鉴权字段，这里传入了我们的API KEY用来确认我们的用户身份，服务器才能提供响应。后续调用收费的模型，也会自动定位到你的硅基流动账户，进行扣费。

简单来说，Authorization就是一个身份标识，好比进门的钥匙。毕竟你不能不带钥匙就去开门，如果谁来都开门了，这个OpenAI的API接口岂不是能随便请求，那肯定会被干爆的！

headers = {
    "Authorization": f"Bearer {api_key}",
    "Content-Type": "application/json"
}

3.2.2. Body

随后，再来看看OpenAI的body字段里面有哪些内容

data = {
    "model": "Qwen/Qwen3-8B",
    "messages": [
        {"role": "system", "content": "你是一个有帮助的AI助手，回答要简明扼要。"},
        {"role": "user", "content": question}
    ],
    "stream": False,
    "max_tokens": 512,
    "temperature": 0.7
}

这个body里面包含的字段如下：

model：选择使用的AI模型，硅基流动提供多种模型可选
messages：对话历史，包含角色和内容
stream：是否使用流式响应，False表示等待完整响应，True代表使用流失响应；
max_tokens：限制响应的最大token数量，防止AI输出到一半就不干活了，或者输出太多"跑火车"；
temperature：控制回答的随机性，0到1之间的小数，值越高回答越有创意，或者说越高就越偏离你的原定目标。如果想让AI别那么发散，就把这个值稍微调小一点。一般建议默认使用0.7；

3.2.3. Messages列表

其中，最重要的参数，是messages列表，这个列表控制了我们的历史记录。我们每次对大模型的请求，都是无状态的，整个对话的输入输出，都是客户端在控制。

举个例子：

你请求了大模型A，咨询了问题1234。
你使用相同的历史记录去请求大模型B，大模型B依旧会有这些历史记录的“记忆”，继续回答你的问题5，同时也会知道前4个问题是啥。

所以，在编写一个多次对话的大模型请求的时候，我们作为客户端的代码需要主动维护这个历史消息的messages列表，保证已有对话的记忆不丢失。

messages列表中的每一个成员都是一个dict，包含两个字段：

role：字符串类型。当前这条消息的身份，可选值为system、user、assistant、tool，分别对应系统消息（system prompt）、用户发送的问题、大模型的回答、以及工具调用的返回值（工具调用结果）。
content：字符串或数组类型，当前这条消息的内容。建议不要使用数组类型，直接用字符串填写内容。

对应Json格式如下：

{
  "role": "system | user | assistant | tool",
  "content": "字符串内容"
}

当出现多轮对话的时候，我们请求体里面的messages列表也要对应更新，这便是我们客户端维护的历史消息。

[
  {"role": "system", "content": "你是一名旅行顾问"},
  {"role": "user", "content": "巴黎有哪些免费景点？"},
  {"role": "assistant", "content": "巴黎免费景点有：塞纳河步行、卢森堡公园、蒙马特高地……"},
  {"role": "user", "content": "那吃的呢？什么是最好吃的？"},
  {"role": "assistant", "content": "法式牛排非常吃！"},
]

role中比较特殊的是tool这个类型，代表的是工具调用的返回结果。这部分在后续function calling实操部分再展开讲讲，现在你只要知道role有这个类型就行了。

3.3. 进阶：流式响应

如果需要实时查看AI的输出过程（类似ChatGPT网页端上的样子），可以使用流式响应：

import requests
import json

def stream_response(api_key, question):
    url = "https://api.siliconflow.cn/v1/chat/completions"

    headers = {
        "Authorization": f"Bearer {api_key}",
        "Content-Type": "application/json"
    }

    data = {
        "model": "Qwen/Qwen3-8B",
        "messages": [
            {"role": "user", "content": question}
        ],
        "stream": True,
        "max_tokens": 512
    }

    response = requests.post(url, headers=headers, json=data, stream=True)
    # 这里返回200，并不是请求全都发回来了，而是连上服务器了！
    if response.status_code == 200:
        # 开始遍历返回的结果，判断是不是有数据
        for line in response.iter_lines():
            if line:
                line_str = line.decode('utf-8')
                if line_str.startswith('data:'):
                    if line_str == 'data: [DONE]':
                        break
                    json_str = line_str[5:]
                    chunk = json.loads(json_str)
                    # 真的有数据诶，打印一下！
                    if chunk['choices'][0]['delta'].get('content'):
                        print(chunk['choices'][0]['delta']['content'], end='', flush=True)
    else:
        print(f"请求失败，状态码: {response.status_code}")

# 使用示例
if __name__ == "__main__":
    API_KEY = "your_api_key_here"
    stream_response(API_KEY, "请写一首关于冬天的诗")