引言

  人工智能大模型的能力通常通过API（应用程序编程接口）对外提供服务。刚接触大模型的初学者调用这些API时可能不知从何入手。本文将从零开始，带你完成账号注册、环境配置，并通过几个真实的Python代码案例，逐步掌握大模型API的各种玩法。

一、准备工作：账号与密钥

1、注册阿里云账号

  访问阿里云官网完成注册。如果已有账号，直接登录即可。

2、开通阿里云百炼

  进入阿里云百炼大模型服务平台，阅读并同意协议后自动开通。若提示实名认证，按指引完成认证。

3、获取API Key

  在密钥管理页面点击“创建API Key”，复制保存（例如：sk-xxxxxxxx）。注意：API Key是调用模型的凭证，千万要保护好，不要泄露。

4、配置环境变量（推荐）

  为避免在代码中硬编码API Key，建议将其设为环境变量。

  Windows：在系统属性中添加环境变量DASHSCOPE_API_KEY，值为你的API Key。

  macOS/Linux：在终端执行：

export DASHSCOPE_API_KEY="你的API Key"

  若要永久生效，可追加到~/.bashrc或~/.zshrc。

  验证是否成功：

echo $DASHSCOPE_API_KEY   # macOS/Linux
echo %DASHSCOPE_API_KEY%   # Windows CMD

二、搭建Python环境

1、安装Python（3.9或以上）

  在终端检查Python版本：

python --version

  若未安装或版本过低，前往Python官网下载安装。

2、安装OpenAI Python SDK

  阿里云百炼提供了兼容OpenAI格式的接口，因此我们安装openai库：

pip install -U openai

三、第一个API调用：你好，千问！

新建文件hello_qwen.py，写入以下代码：

  在新建的py文件中，首先导入os和OpenAI库，接着创建OpenAI客户端，其中api_key从环境变量DASHSCOPE_API_KEY读取，base_url指定为阿里云百炼的兼容OpenAI接口接入点，然后使用client.chat.completions.create方法，选择qwen-plus模型，传入包含用户消息“你是谁？”的messages列表，最后打印返回结果中的回复内容。

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),  # 从环境变量读取
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"  # 北京地域接入点
)

completion = client.chat.completions.create(
    model="qwen-plus",
    messages=[{'role': 'user', 'content': '你是谁？'}]
)

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

  其中OpenAI客户端需指定api_key和base_url（阿里云百炼兼容OpenAI接口），model选择qwen-plus（也可换其他模型，如qwen-max），messages是对话历史，这里只有一条用户消息，返回的completion.choices[0].message.content即模型回复。

四、进阶技巧：让模型按你的要求输出

1、少样本学习（Few-shot）——教会模型格式

  通过少样本学习让模型掌握固定格式输出。无示例时，模型对信息自由格式输出，结果不统一，提供几个示例（如将姓名、年龄、学号格式化为带标题的列表）后，模型学会模仿示例格式，为新信息生成结构化回复。其原理是在阿里云千问模型的messages列表中交替传入用户请求和助手示例，构建输入输出对，使模型从上下文中理解期望的格式，适用于需要规范输出的任务，如信息抽取和模板化生成。

from openai import OpenAI

client = OpenAI(api_key="sk-xxx", base_url="...")

# 无示例（自由发挥）
response = client.chat.completions.create(
    model="qwen-plus",
    messages=[{"role": "user", "content": "格式化以下信息：\n姓名 -> 张三\n年龄 -> 27\n学号 -> 001"}]
)
print(response.choices[0].message.content)



response = client.chat.completions.create(
    model="qwen-plus",
    messages=[
        {"role": "user", "content": "格式化以下信息：\n姓名 -> 张三\n年龄 -> 17\n学号 -> 001"},
        {"role": "assistant", "content": "##学生信息\n- 学生姓名：张三\n- 客户年龄：17岁\n- 学号：001"},
        {"role": "user", "content": "格式化以下信息：\n姓名 -> 李四\n年龄 -> 12\n学号 -> 002"},
        {"role": "assistant", "content": "##学生信息\n- 学生姓名：李四\n- 客户年龄：12岁\n- 学号：002"},
        {"role": "user", "content": "格式化以下信息：\n姓名 -> 王五\n年龄 -> 13\n学号 -> 003"}
    ]
)
print(response.choices[0].message.content)

2、调整参数控制多样性

  frequency_penalty参数对生成文本词汇重复度的会产生一定的影响。该参数取值范围为[-2,2]，正值可减少重复，使输出更多样化，负值则鼓励重复，可能导致内容单调。例如设置-2时，生成的电影清单句式可能大量重复，设为2时，词汇和表达则更加丰富。通过调节此参数，并结合temperature等，可以有效控制模型输出的风格和多样性。

# frequency_penalty = -2（鼓励重复，生成内容可能更单调）
response = client.chat.completions.create(
    model="qwen-plus",
    messages=[{"role": "user", "content": "生成一个豆瓣高分电影清单，至少20部..."}],
    max_tokens=300,
    frequency_penalty=-2
)
# 输出可能有很多重复句式

# frequency_penalty = 2（惩罚重复，生成内容更多样）
response = client.chat.completions.create(
    model="qwen-plus",
    messages=[{"role": "user", "content": "生成一个豆瓣高分电影清单，至少20部..."}],
    max_tokens=300,
    frequency_penalty=2
)

3、结构化输出：获取JSON格式

  通过结构化输出提示词让模型生成纯JSON格式数据。用户构造提示词，要求生成包含三个学生信息的JSON列表，每个元素包含student_number、student_name、student_marks、phone字段，且均为字符串，并明确禁止输出任何额外文本。调用qwen-plus模型后，获取返回的content字符串，使用json.loads直接解析为Python列表，进而可以访问具体数据如第一个学生的姓名。关键是在提示词中强调仅输出JSON，可以避免混入解释性文字。

import json

prompt = """
生成一个由三个学生考试分数信息所组成的列表，以JSON格式进行返回。
JSON列表里的每个元素包含以下信息：student_number、student_name、student_marks、phone。
所有信息都是字符串。除了JSON之外，不要输出任何额外的文本。
"""

response = client.chat.completions.create(
    model="qwen-plus",
    messages=[{"role": "user", "content": prompt}]
)
content = response.choices[0].message.content
print(content)  # 可能是一个JSON字符串
data = json.loads(content)  # 解析为Python列表
print(data[0]["student_name"])  # 访问第一个学生的姓名

4、思维链（Chain of Thought）——让模型学会推理

  我们可以通过两种方式引导模型进行逻辑推理：第一种是使用包含推理步骤的少样本示例，在messages中交替用户问题和助手答案，让模型学会先识别奇数、再计算和、最后得出结论，第二种是直接在提示词末尾添加“让我们来分步骤思考”，触发模型内置的推理能力。两种方法都能使模型输出结构化的分步推理过程，而不是直接猜测结果，从而提升回答的准确性和可解释性。

from openai import OpenAI

client = OpenAI(api_key="******",
                base_url="******")

response = client.chat.completions.create(
  model="qwen-plus",
  messages=[
    {
      "role": "user",
      "content": "该组中的奇数加起来为偶数：1、2、3、4、5、6、7，对吗？"
    },
    {
      "role": "assistant",
      "content": "所有奇数相加等于16。答案为是。"
    },
    {
      "role": "user",
      "content": "该组中的奇数加起来为偶数：17、10、19、4、8、12、24、3，对吗？"
    },
    {
      "role": "assistant",
      "content": "所有奇数相加等于39。答案为否。"
    },
    {
      "role": "user",
      "content": "该组中的奇数加起来为偶数：15、12、5、3、72、17、1，对吗？"
    },
  ]
)
print(response.choices[0].message.content)

response = client.chat.completions.create(
  model="qwen-plus",
  messages=[
    {
      "role": "user",
      "content": "该组中的奇数加起来为偶数：4、8、9、15、12、2、1，对吗？"
    },
    {
      "role": "assistant",
      "content": "所有奇数（9、15、1）相加，9 + 15 + 1 = 25。答案为否。"
    },
    {
      "role": "user",
      "content": "该组中的奇数加起来为偶数：17、10、19、4、8、12、24，对吗？"
    },
    {
      "role": "assistant",
      "content": "所有奇数（17、19）相加，17 + 19 = 36。答案为是。"
    },
    {
      "role": "user",
      "content": "该组中的奇数加起来为偶数：15、12、5、3、72、17、1，对吗？"
    },
  ]
)
print(response.choices[0].message.content)

response = client.chat.completions.create(
  model="qwen-plus",
  messages=[
    {
      "role": "user",
      "content": "该组中的奇数加起来为偶数：15、12、5、3、72、17、1，对吗？让我们来分步骤思考。"  #只需要加上分步骤思考的提示，就可分步骤进行推理。推理模型已经实现。
    },
  ]
)
print(response.choices[0].message.content)