零基础入门 AI 开发：Python 调用大模型 + 本地知识库实现（RSG实战）（附完整代码）

菜到离谱但坚持

621人浏览 · 2026-04-03 21:30:00

菜到离谱但坚持 · 2026-04-03 21:30:00 发布

嘿，各位开发者！👋

现在是2026年，AI已经不是一个“遥不可及的概念”，而是你工具箱里的一把瑞士军刀。你不需要成为算法研究员，也不需要看懂复杂的Transformer论文，只要会写Python，就能把强大的大模型能力（如GPT-4o、Llama 3、文心一言）集成到你的项目里，让你的应用瞬间“智商上线”。

这篇博客专为Python开发者设计，不讲天书，只讲落地实战。我们会从0开始，教你如何安全地调用API、构建一个属于自己的AI问答机器人，以及如何在2026年的技术栈下避坑。

读完这篇文章，你将能做出这样的效果：

用几行代码，让你的Python程序听懂人类语言。
构建一个本地知识库（RAG），让AI只回答你指定领域的问题（比如你的美食管理系统说明书）。
学会API Key安全管理，再也不用担心把密钥写进代码库里被开源。

一、核心准备：工欲善其事，必先利其器

在写代码前，我们需要搞定两个东西：开发环境与AI接口。

1.1 环境搭建（新手必看）

确保你的Python环境是3.10及以上版本。安装我们最核心的两个库：

requests: 用于发送HTTP请求，调用API。
python-dotenv: 用于安全管理密钥，这是2026年的开发规范。

1.2 获取AI API Key（以OpenAI兼容接口为例）

现在市面上有很多兼容OpenAI格式的国产大模型平台（如字节、百度、智谱等），注册账号后通常能获得免费额度，比直接用OpenAI更适合新手练手。

前往你选择的AI平台官网，注册并登录。
在“个人中心” -> “API密钥管理”中，创建一个新的 API Key。
关键一步：复制这个Key，千万不要直接写在代码里！

1.3 安全规范：密钥怎么存？

为了安全，我们将密钥存放在环境变量中。在项目根目录创建一个 .env 文件：

这样一来，即使你把代码开源到GitHub，.env 文件不提交，密钥也绝对安全。

二、入门：第一行AI代码，通义千问

我们先用最基础的方式，调用一下大模型，看看它能不能听懂我们说话。我们将构建一个简单的文本生成器。

2.1 代码实现

创建文件 ai_simple_call.py：

import requests
from dotenv import load_dotenv
import os

# 1. 加载环境变量，从.env文件读取密钥
load_dotenv()
api_key = os.getenv("API_KEY")
base_url = os.getenv("BASE_URL")

# 2. 定义请求头
headers = {
    "Content-Type": "application/json",
    "Authorization": f"Bearer {api_key}"
}

# 3. 定义请求体：核心是Prompt（提示词）
data = {
    "model": "gpt-3.5-turbo", # 或者你对应的模型名称，如 "ernie-4.0"
    "messages": [
        {"role": "user", "content": "用Python写一个优雅的单例模式，并解释为什么要用它。"}
    ],
    "temperature": 0.7 # 创意度，0-2之间，越低越严谨
}

# 4. 发送POST请求
try:
    response = requests.post(f"{base_url}/chat/completions", headers=headers, json=data)
    response.raise_for_status() # 如果状态码不是200，抛出异常

    # 5. 解析并打印结果
    result = response.json()
    print("AI的回答是：")
    print(result["choices"][0]["message"]["content"])

except Exception as e:
    print(f"调用失败啦: {e}")

2.2 运行效果

在终端运行 python ai_simple_call.py，你会看到AI迅速给出一段关于Python单例模式的专业解释。

这就是AI开发的最小可行性单元（MVP）。接下来，我们要进阶。

三、进阶：打造你的专属AI助手（RAG实战）

直接调用大模型很好，但它容易“一本正经地胡说八道”（幻觉）。比如你问它“我的美食管理系统怎么用”，它可能会瞎编。

2026年最主流的解决方案是 RAG (Retrieval-Augmented Generation) —— 检索增强生成。

简单说就是：给AI装个“大脑”，让它回答问题前，先去你的文档里找答案。

我们将实现一个基于文档的问答系统，专门用来回答你“重庆美食管理系统”的使用说明。

3.1 引入向量数据库

为了实现RAG，我们需要一个能把文字变成向量、并快速搜索的工具。选用 Chroma，它是最轻量、对新手最友好的向量数据库。

安装依赖：pip install chromadb langchain langchain-openai

3.2 完整代码实现

创建文件 ai_rag_chat.py：

from dotenv import load_dotenv
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_community.document_loaders import TextLoader # 加载txt文档
from langchain_text_splitters import RecursiveCharacterTextSplitter # 分割文本
from langchain_community.vectorstores import Chroma # 向量数据库
from langchain.chains import create_retrieval_chain
from langchain.chains.combine_documents import create_stuff_documents_chain
from langchain_core.prompts import ChatPromptTemplate

# 1. 加载环境变量
load_dotenv()

# 2. 初始化大模型
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0.1) # temperature设低一点，保证回答严谨

# 3. 加载你的专属文档（假设你有一份food_qa.txt 是美食系统的说明）
# 你可以把你的Python代码注释、功能说明写进这个txt
loader = TextLoader("food_qa.txt", encoding="utf-8")
docs = loader.load()

# 4. 文本分割（大模型有上下文长度限制，必须切分）
text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
splits = text_splitter.split_documents(docs)

# 5. 存入向量数据库
# 这里会自动调用Embeddings接口将文字转为向量
vectorstore = Chroma.from_documents(documents=splits, embedding=OpenAIEmbeddings())
retriever = vectorstore.as_retriever()

# 6. 定义Prompt模板（告诉AI怎么用检索到的资料）
system_prompt = (
    "你是一个专业的美食管理系统助手。请仅基于下方的上下文文档回答用户的问题。"
    "如果你不知道答案，请回答‘我不清楚这个问题，请查阅系统说明书’。"
    "\n\n"
    "{context}"
)

prompt = ChatPromptTemplate.from_messages([
    ("system", system_prompt),
    ("user", "{input}"),
])

# 7. 构建RAG链
question_answer_chain = create_stuff_documents_chain(llm, prompt)
rag_chain = create_retrieval_chain(retriever, question_answer_chain)

# 8. 对话循环
print("🎮 美食管理AI助手已启动（输入 'exit' 退出）：")
while True:
    user_input = input("\n你问: ")
    if user_input.lower() == "exit":
        break
    response = rag_chain.invoke({"input": user_input})
    print("🤖 AI答: ", response["answer"])