引言

随着大模型在科研、办公、代码生成和自动化场景中的应用不断深入，开发者对模型能力的要求也越来越高：不仅要输出正确答案，更要能展示推理过程；不仅要能调用工具，更要能自主规划复杂任务链路。

Kimi K2 Thinking 正是在这样的需求下诞生的。它有两个最突出的能力，直接把智能体（Agent）推向了更高层级：

① 透明推理（Transparent Reasoning）

K2 Thinking 可以清晰展示自己的思考链路，让你看到它如何拆解问题、分析选项并得出结论。这种透明推理能力不仅提升可信度，也非常适合科研、教学和可解释 AI 场景。

② 工具编排（Tool Orchestration）

它能够完成高度复杂的串行工具调用，并且自主决定：

  • 需要哪些工具

  • 何时调用

  • 调用顺序如何安排

  • 如何融合多个工具的结果

开发者无须在每一步人工介入，K2 会自动完成整个决策过程。这使得它在文档处理、数据分析、自动化脚本、结构化任务链等场景具有极强优势。

本教程将基于 K2 Thinking 的这两大核心能力，带你从实际代码出发，逐步搭建：

✔ K2 Thinking 的基础 API 调用

✔ 推理链（reasoning_content）的展示

✔ 本地 CSV 分析工具

✔ K2 自动调用工具 → 执行 → 回填 → 再推理 的完整模型 - 工具循环

✔ 搭建一个最基本的智能体执行流程

教程中的全部示例均来自实际运行的 Notebook，你可以直接在本地或 BitaHub 平台复现。接下来，让我们正式开始 Kimi K2 Thinking 的完整开发流程演示。

一、环境准备

1. 安装必要的库

首先，我们需要安装调用 API 所需的库，包括 openai 客户端库和 python-dotenv 环境变量管理库：​​​​

!pip install -q openai python-dotenv
!pip install -q --upgrade --force-reinstall typing_extensions>=4.4.0

2. 配置 API 密钥

打开 BitaHub 官网，按照以下路径获取密钥。

现在我们需要将刚才获取的 Kimi-K2-Thinking API 密钥安全地存储到项目的环境配置文件中。请按照以下步骤操作：

  1. 创建或编辑环境文件：在项目根目录下，使用终端命令创建或编辑 .env 文件：

    vi .env

  2. 进入编辑模式：按 i 键切换到输入模式（你会看到左下角显示 -- INSERT -- 提示）

  3. 输入 API 密钥：在文件中添加以下内容（将 your_api_key_here 替换为你实际从 Bitahub 获取的 Kimi-K2-Thinking 密钥）：

    KIMI_K2_API_KEY=your_api_key_here

  4. 保存并退出：

    • 按 Esc 键退出输入模式

    • 输入 :wq 并按回车键执行保存并退出

现在你已经准备好了访问 Kimi-K2-Thinking 模型的通行证！接下来我们就可以开始配置开发环境并编写第一个 API 调用代码了。

二、首次调用：测试 Kimi K2 Thinking 对话

首先,我们将演示如何用几行 Python 代码快速测试 Kimi K2 Thinking 模型在 BitaHub 平台上的调用是否正常。只需通过 python-dotenv 加载你的 API Key，用 OpenAI 客户端连接平台，然后发送一条简单对话请求，打印返回结果即可。

import os
from openai import OpenAI
from dotenv import load_dotenv

load_dotenv()

client = OpenAI( 
   base_url="https://openai.bitahub.com/v1",  
   api_key=os.getenv("KIMI_K2_API_KEY")
)

response = client.chat.completions.create(  
   model="kimi-k2-thinking",   
   messages=[       
       {"role": "user", "content": "请介绍一下 Kimi K2 Thinking"}  
   ]
)

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

三、深入体验 Kimi K2 Thinking：揭示 AI 的思考过程

在前面的文章中，我们提到过 K2 的透明化推理能力，现在，我们将通过代码示例体验 Kimi K2 Thinking 的思维过程。与其他模型不同，K2 Thinking 默认会在每次回答中包含完整的推理内容，无需手动开启“思考模式”，你可以直接看到模型如何逐步拆解问题、验证假设并得出最终答案。

下面是一个实际应用场景：假设你要计算一台售价 850 美元的笔记本电脑，在享受 20% 折扣后再缴纳 8% 销售税，你最终需要支付多少钱。通过以下 Python 代码，我们可以同时获取模型的最终答案和详细的推理过程。

import os
from openai import OpenAI
from dotenv import load_dotenv

load_dotenv()

client = OpenAI(
   base_url="https://openai.bitahub.com/v1",   
   api_key=os.getenv("KIMI_K2_API_KEY")
)

response = client.chat.completions.create(   
   model="kimi-k2-thinking",   
   messages=[       
       {"role": "user", "content": "一台笔记本电脑售价 850 美元。今日享 20% 折扣，折扣后价格需额外缴纳 8% 的销售税。我最终需支付多少钱？?"}   
   ],   
   temperature=1.0
)

print("Final answer:")
print(response.choices[0].message.content)
print("\nReasoning process:")
print(response.choices[0].message.reasoning_content)

运行后，你不仅能看到模型计算出的最终结果，还能完整追踪它是如何一步步分析问题、进行折扣和税费计算，每一步逻辑都清晰可见。这种“透明化思维链”让开发者、学生和专业人士都能更直观地理解模型的决策过程，也展示了 K2 Thinking 在处理复杂、多步骤任务时的独特优势。

四、Kimi K2 Thinking 的工具调用功能：CSV 数据分析实战

首先，我们在代码开头导入必要库，同时初始化 OpenAI 客户端，方便后续调用 Kimi K2 Thinking API。Path.cwd() 用于输出当前工作目录，便于确认文件存放位置。

import csv
import os
import json
from pathlib import Path
from openai import OpenAI

print("当前工作目录：", Path.cwd())

接着，我们创建一个示例 CSV 数据 sample_employees.csv，包含员工姓名、部门和薪资信息，并将其写入本地文件。

sample_csv = """姓名,部门,薪资
李华,研发,150000
张伟,研发,138000
王芳,研发,162000
赵强,研发,145000
孙丽,市场,98000
陈峰,市场,102000
刘婷,市场,93000
周敏,销售,88000
何凯,销售,92000
杨雪,销售,87000
吴静,人力资源,78000
林晨,人力资源,82000
"""

file_path = Path("sample_employees.csv")
file_path.write_text(sample_csv, encoding="utf-8")

print(f"写入完成：{file_path.resolve()} （字节大小 {file_path.stat().st_size}）")

然后，我们定义 analyze_csv 函数，用于读取 CSV 文件并返回详细信息，包括列名、前若干行样例、总行数以及文件大小。函数中使用 csv.DictReader 处理文件内容，同时统计总行数，并对异常情况进行捕获，确保调用过程稳健可靠。

def analyze_csv(filepath: str, num_rows: int = 10) -> dict:    
    """    
    读取 CSV 文件并返回：      
      - columns: 列表     
      - sample_rows: 前 num_rows 行的字典列表      
      - total_rows: 总行数（不含表头）
      - file_size_kb: 文件大小（KB）
    """ 
    if not os.path.exists(filepath):
        return {"error": f"File not found: {filepath}"}

    try:
        withopen(filepath, 'r', encoding="utf-8") as f:
            reader = csv.DictReader(f)
            columns = reader.fieldnames
            sample_rows = [dict(row) for i, row inenumerate(reader) if i < num_rows]                    f.seek(0)
            total_rows = sum(1for _ in f) - 1
        return {
            "columns": list(columns) if columns else [],
            "sample_rows": sample_rows,
            "total_rows": total_rows,
            "file_size_kb": round(os.path.getsize(filepath) / 1024, 2)
        }    
except Exception as e:
          return {"error": str(e)}

为了让 Kimi 能够调用这个工具，我们通过 tools 列表向模型注册了 analyze_csv 函数，说明它的参数和作用。这样，当模型在思考过程中需要获取 CSV 信息时，就可以通过工具调用机制触发函数执行。初始化客户端时，仍然使用环境变量加载 API Key 并连接到 BitaHub 平台

tools = [
    {
        "type": "function",
        "function": {
            "name": "analyze_csv",
            "description": "Read and analyze the first few rows of a CSV file.",                      "parameters": {
                "type": "object",
                "properties": {
                    "filepath": {"type": "string"},
                    "num_rows": {"type": "integer", "default": 10}
                },
                "required": ["filepath"]
            }
        }
    }
]

client = OpenAI(
    base_url="https://openai.bitahub.com/v1",
    api_key=os.getenv("OPENROUTER_API_KEY")
)

在本地，我们可以先调用一次 analyze_csv 函数，返回 CSV 的示例并打印，这样可以直观验证数据内容和函数逻辑是否正确。

local_result = analyze_csv("sample_employees.csv", num_rows=20)
print("analyze_csv 本地返回（示例）：")
print(json.dumps(local_result, ensure_ascii=False, indent=2))

if'sample_rows'in local_result:
    for i, row inenumerate(local_result['sample_rows'], 1):
        print(f"{i}: {row}")

最关键的是模型–工具循环（Model–Tool Loop）。当用户提出任务，例如“分析 sample_employees.csv 并告诉我研发部门的平均薪资”，模型会判断是否需要调用工具。每次循环将当前对话消息 messages 发送给模型，模型可能返回两种结果：一种是 finish_reason="tool_calls"，表示它需要调用工具获取数据；另一种是 finish_reason="stop"，表示模型已经可以给出最终答案。

当模型返回 tool_calls 时，Python 端会遍历每个工具请求，解析函数名和参数，调用本地函数并获取结果，然后以 tool 角色回填给模型。模型再次接收工具数据后，会继续推理，筛选数据并生成最终答案。

🔚完整的流程图如下

messages = [
    {"role": "user", "content": "分析 sample_employees.csv 并告诉我研发部门的平均薪资。"}
]

whileTrue:
    response = client.chat.completions.create(
        model="kimi-k2-thinking",
        messages=messages,
        tools=tools,
        temperature=1.0
    )

    message = response.choices[0].message
    finish_reason = response.choices[0].finish_reason

    # 模型请求调用工具（tool_calls）
    if finish_reason == "tool_calls":
        messages.append({
            "role": "assistant",
            "tool_calls": message.tool_calls
        })

        # 遍历每个工具请求并执行本地函数
        for tool_call in message.tool_calls:
            function_name = tool_call.function.name
            arguments = json.loads(tool_call.function.arguments)

            if function_name == "analyze_csv":
                result = analyze_csv(**arguments)
            else:
                result = {"error": f"Unknown function: {function_name}"}

            # 将工具返回以 tool 角色回填给模型
            messages.append({
                "role": "tool",
                "content": json.dumps(result, ensure_ascii=False),
                "tool_call_id": tool_call.id
            })

    # 模型生成最终回复
    elif finish_reason == "stop":
        print("\n模型最终回复：\n")
        print(message.content)
        break

    else:
        print("未处理的 finish_reason:", finish_reason)
        break

通过上述结果可以看到，这一循环确保模型可以自主决定何时调用工具、如何利用工具结果完成任务，形成完整的“思考–行动–观察”闭环。

这一完整流程展示了 Kimi K2 Thinking 在处理结构化数据任务时的灵活性和智能性。无论是分析员工数据、财务报表，还是其他业务场景，都可以用类似方式让模型与本地工具协同工作，实现真正的智能自动化。

五、总结与展望

通过本次教程，完整体验了 Kimi K2 Thinking 从深度推理到工具调用的强大能力。无论是分析 CSV 数据、追踪模型思考过程，K2 都展示了透明化、多步骤推理和自我校验的能力。它不仅可以调用单个工具完成任务，还能在长链、多步骤的工作流中独立协调多达数百次工具调用，持续收集信息、验证结果、优化方案，直到问题完全解决。

这意味着，对于科研、数据处理、复杂决策等需要连续推理与操作的场景，K2 Thinking 不仅是一个回答问题的模型，更是一个能自主规划、执行和迭代的智能助手。通过在 BitaHub 平台上轻松上手，你可以将这种能力直接应用到实际工作和研究中，让 AI 真正成为你的深度思考伙伴。

温馨提示：

平台暂不支持一键部署，但已提供完整可下载资源，大家可根据教程自行搭建运行。另外，项目部分依赖包版本与最新版存在不适配情况，部署时请务必按照文中标注的具体版本号进行配置，详细依赖需求可查看最新说明，避免因版本问题导致运行异常。

# 人工智能
Logo
AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

cover

收藏！小白程序员轻松入门大模型：从LLM到RAG的实战指南

avatar AtomGit开源社区
cover

CLI+Skill打造浏览器AI自动化框架，彻底解放双手告别重复任务

avatar AtomGit开源社区
cover

收藏！程序员轻松入门大模型：从对话到智能应用的进阶学习指南

avatar AtomGit开源社区