Python调用AI大模型接口，2026最全教程（百度/阿里/腾讯/智谱/Kimi全涵盖）

⏰ 更新时间：2026年5月 | 💡 阅读本文预计需要15分钟 | 🚀 国内平台全覆盖，学完即可实战

---

一、前言

想接入AI能力，却被"ChatGPT无法访问"卡住？

别担心！国内AI大模型已经非常强大，百度文心、阿里通义、腾讯混元、智谱GLM、Kimi等平台的API已经非常成熟，中文理解能力甚至超越ChatGPT。

本文涵盖：

• ✅ 百度文心一言（ERNIE-4.0）
• ✅ 阿里通义千问（Qwen-Turbo）
• ✅ 腾讯混元大模型（Hunyuan）
• ✅ 智谱GLM-4（支持联网搜索）
• ✅ Kimi moonshot（超长上下文128K）

所有代码2026年5月实测可用，直接复制运行！

---

二、环境准备

2.1 安装依赖

一行命令搞定：

pip install requests

💡 如需流式输出，无需额外安装，Python 3.7+ 原生支持

2.2 获取API密钥

各大平台均提供免费调用额度，建议先注册获取密钥测试：

平台	地址	免费额度	推荐指数
智谱AI	bigmodel.cn	GLM-4有免费调用	⭐⭐⭐⭐⭐
阿里通义	bailian.console.aliyun.com	通义千问有免费额度	⭐⭐⭐⭐⭐
Kimi	platform.moonshot.cn	moonshot-v1有免费额度	⭐⭐⭐⭐
百度文心	console.baidu.com	ERNIE-4.0有试用	⭐⭐⭐⭐
腾讯混元	cloud.tencent.com	混元有免费试用	⭐⭐⭐

💡 推荐入门顺序：智谱GLM → 阿里通义 → Kimi（免费额度多，上手最快）

---

三、百度文心一言（ERNIE-4.0）

文心一言是百度自研的国产大模型，中文理解能力业界领先。

3.1 获取密钥

1. 登录 百度智能云
2. 搜索"文心一言API"或"千帆大模型平台"
3. 创建应用，获取 API Key 和 Secret Key

3.2 调用示例

import requests

def call_wenxin(prompt, api_key, secret_key):
    """调用百度文心一言API"""
    
    # Step 1: 获取access_token
    auth_url = "https://aip.baidubce.com/oauth/2.0/token"
    auth_params = {
        "grant_type": "client_credentials",
        "client_id": api_key,
        "client_secret": secret_key
    }
    
    auth_response = requests.get(auth_url, params=auth_params)
    access_token = auth_response.json().get("access_token")
    
    # Step 2: 调用文心一言
    url = f"https://aip.baidubce.com/rpc/2.0/ai_custom/v1/wenxinworkshop/chat/completions?access_token={access_token}"
    
    payload = {
        "messages": [{"role": "user", "content": prompt}]
    }
    
    headers = {"Content-Type": "application/json"}
    response = requests.post(url, headers=headers, json=payload)
    
    return response.json()["result"]

# 使用示例
API_KEY = "your_baidu_api_key"
SECRET_KEY = "your_baidu_secret_key"

response = call_wenxin("用Python写一个冒泡排序", API_KEY, SECRET_KEY)
print(response)

3.3 多轮对话

def call_wenxin_multiturn(messages, api_key, secret_key):
    """
    百度文心一言多轮对话
    messages格式: [{"role": "user", "content": "xxx"}, {"role": "assistant", "content": "xxx"}]
    """
    # 获取access_token
    auth_url = "https://aip.baidubce.com/oauth/2.0/token"
    auth_params = {
        "grant_type": "client_credentials",
        "client_id": api_key,
        "client_secret": secret_key
    }
    auth_response = requests.get(auth_url, params=auth_params)
    access_token = auth_response.json().get("access_token")
    
    url = f"https://aip.baidubce.com/rpc/2.0/ai_custom/v1/wenxinworkshop/chat/ernie-4.0-8k-latest?access_token={access_token}"
    
    payload = {"messages": messages}
    
    headers = {"Content-Type": "application/json"}
    response = requests.post(url, headers=headers, json=payload)
    
    return response.json()["result"]

# 多轮对话示例
messages = [
    {"role": "user", "content": "什么是Python？"},
    {"role": "assistant", "content": "Python是一种高级编程语言..."},
    {"role": "user", "content": "它适合做什么？"}
]

result = call_wenxin_multiturn(messages, API_KEY, SECRET_KEY)
print(result)

---

四、阿里通义千问（Qwen-Turbo）

通义千问是阿里云自研的大语言模型，开源版本备受好评，性价比极高。

4.1 获取密钥

1. 登录 阿里云百炼平台
2. 开通"百炼API"服务
3. 获取 API Key

4.2 调用示例

import requests
import os

DASHSCOPE_API_KEY = os.environ.get("DASHSCOPE_API_KEY", "your_api_key")

def call_qwen(prompt, model="qwen-turbo"):
    """
    调用阿里通义千问API
    model可选: qwen-turbo(快速), qwen-plus(增强), qwen-max(最强)
    """
    url = "https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions"
    
    headers = {
        "Authorization": f"Bearer {DASHSCOPE_API_KEY}",
        "Content-Type": "application/json"
    }
    
    payload = {
        "model": model,
        "messages": [{"role": "user", "content": prompt}]
    }
    
    response = requests.post(url, headers=headers, json=payload)
    result = response.json()
    
    return result["choices"][0]["message"]["content"]

# 使用示例
response = call_qwen("解释一下什么是装饰器模式")
print(response)

4.3 流式输出（打字机效果）

import requests
import json

def call_qwen_stream(prompt, model="qwen-turbo"):
    """通义千问流式输出"""
    url = "https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions"
    
    headers = {
        "Authorization": f"Bearer {DASHSCOPE_API_KEY}",
        "Content-Type": "application/json"
    }
    
    payload = {
        "model": model,
        "messages": [{"role": "user", "content": prompt}],
        "stream": True  # 开启流式输出
    }
    
    response = requests.post(url, headers=headers, json=payload, stream=True)
    
    print("AI回复：")
    for line in response.iter_lines():
        if line:
            line_text = line.decode('utf-8')
            if line_text.startswith("data: "):
                data = json.loads(line_text[6:])
                if "choices" in data and data["choices"]:
                    delta = data["choices"][0].get("delta", {})
                    if "content" in delta:
                        print(delta["content"], end="", flush=True)
    print()

# 使用示例
call_qwen_stream("用Python写一个快速排序算法")

---

五、腾讯混元大模型（Hunyuan）

腾讯混元是腾讯自主研发的大模型，与微信、QQ等生态深度集成。

5.1 获取密钥

1. 登录 腾讯云
2. 搜索"混元大模型"或"Hunyuan"
3. 开通服务，获取 SecretId、SecretKey

5.2 调用示例（推荐使用官方SDK）

pip install tencentcloud-sdk-python

from tencentcloud.common import credential
from tencentcloud.common.profile import client_profile
from tencentcloud.common.profile import http_profile
from tencentcloud.hunyuan.v20230901 import hunyuan_client, models
import json

# 密钥配置
cred = credential.Credential("SecretId", "SecretKey")
http_profile = http_profile.HttpProfile()
http_profile.endpoint = "hunyuan.tencentcloudapi.com"

client_profile = client_profile.ClientProfile()
client_profile.httpProfile = http_profile

client = hunyuan_client.HunyuanClient(cred, "", client_profile)

# 发送请求
req = models.ChatCompletionsRequest()
req.Messages = [{"Role": "user", "Content": "介绍一下Python的列表推导式"}]

resp = client.ChatCompletions(req)
result = json.loads(resp.Response.Choices[0].Message.Content)
print(result["text"])

---

六、智谱GLM-4

智谱AI是国内最早开源大模型的公司之一，GLM系列在学术界口碑极佳，支持联网搜索！

6.1 获取密钥

1. 登录 智谱AI开放平台
2. 开通API服务，获取 API Key

6.2 调用示例

import requests
import os

ZHIPU_API_KEY = os.environ.get("ZHIPU_API_KEY", "your_api_key")

def call_glm4(prompt, model="glm-4-flash"):
    """
    调用智谱GLM-4 API
    model: glm-4-flash(免费), glm-4, glm-4-plus
    """
    url = "https://open.bigmodel.cn/api/paas/v4/chat/completions"
    
    headers = {
        "Authorization": f"Bearer {ZHIPU_API_KEY}",
        "Content-Type": "application/json"
    }
    
    payload = {
        "model": model,
        "messages": [{"role": "user", "content": prompt}]
    }
    
    response = requests.post(url, headers=headers, json=payload)
    result = response.json()
    
    return result["choices"][0]["message"]["content"]

# 使用示例
response = call_glm4("Python的async/await怎么理解？")
print(response)

6.3 联网搜索增强（特色功能！）

def call_glm4_with_search(prompt, model="glm-4-flash"):
    """
    智谱GLM-4 联网搜索增强版本
    这个功能是其他平台没有的！
    """
    url = "https://open.bigmodel.cn/api/paas/v4/chat/completions"
    
    headers = {
        "Authorization": f"Bearer {ZHIPU_API_KEY}",
        "Content-Type": "application/json"
    }
    
    payload = {
        "model": model,
        "messages": [{"role": "user", "content": prompt}],
        "tools": [{
            "type": "web_search",
            "web_search": {
                "enable": True,  # 开启联网搜索
                "search_engine": "baidu"
            }
        }]
    }
    
    response = requests.post(url, headers=headers, json=payload)
    result = response.json()
    
    return result["choices"][0]["message"]["content"]

# 使用示例：查询最新AI新闻
result = call_glm4_with_search("今天有什么AI领域的重大新闻？")
print(result)

---

七、Kimi moonshot-v1

月之暗面的Kimi以超长上下文著称，支持128K上下文窗口，处理长文档能力无敌！

7.1 获取密钥

1. 登录 Moonshot控制台
2. 创建API Key

7.2 调用示例

import requests
import os

MOONSHOT_API_KEY = os.environ.get("MOONSHOT_API_KEY", "your_api_key")

def call_kimi(prompt, model="moonshot-v1-8k"):
    """
    调用Kimi moonshot API
    model: moonshot-v1-8k, moonshot-v1-32k, moonshot-v1-128k
    """
    url = "https://api.moonshot.cn/v1/chat/completions"
    
    headers = {
        "Authorization": f"Bearer {MOONSHOT_API_KEY}",
        "Content-Type": "application/json"
    }
    
    payload = {
        "model": model,
        "messages": [{"role": "user", "content": prompt}],
        "temperature": 0.7
    }
    
    response = requests.post(url, headers=headers, json=payload)
    result = response.json()
    
    return result["choices"][0]["message"]["content"]

# 普通对话
response = call_kimi("解释一下什么是大模型的上下文窗口")
print(response)

# 长文本处理（Kimi专长！）
long_prompt = """
请阅读以下文章，然后总结核心观点：

[这里是超长的文章内容，可以达到几十万字...]
[Kimi的128K上下文窗口可以一次性处理...]
"""
result = call_kimi(long_prompt, model="moonshot-v1-128k")
print(result)

---

八、统一封装类（推荐）

为了方便切换不同AI服务，推荐封装一个统一调用类：

import requests
import os

class AIClient:
    """统一AI客户端，支持多平台切换"""
    
    def __init__(self, provider="zhipu", api_key=None):
        """
        初始化AI客户端
        provider: zhipu | qwen | wenxin | hunyuan | kimi
        """
        self.provider = provider
        
        # API Key配置
        env_vars = {
            "zhipu": "ZHIPU_API_KEY",
            "qwen": "DASHSCOPE_API_KEY",
            "wenxin": "BAIDU_SECRET_KEY",
            "hunyuan": "TENCENT_SECRET_KEY",
            "kimi": "MOONSHOT_API_KEY"
        }
        
        self.api_key = api_key or os.environ.get(env_vars.get(provider, ""))
        
        # 端点配置
        self.endpoints = {
            "zhipu": "https://open.bigmodel.cn/api/paas/v4/chat/completions",
            "qwen": "https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions",
            "kimi": "https://api.moonshot.cn/v1/chat/completions"
        }
        
        # 默认模型
        self.models = {
            "zhipu": "glm-4-flash",
            "qwen": "qwen-turbo",
            "kimi": "moonshot-v1-8k"
        }
    
    def chat(self, prompt, model=None, **kwargs):
        """通用对话接口"""
        if self.provider not in self.endpoints:
            raise ValueError(f"暂不支持 {self.provider}")
        
        url = self.endpoints[self.provider]
        model = model or self.models.get(self.provider, "")
        
        headers = {
            "Authorization": f"Bearer {self.api_key}",
            "Content-Type": "application/json"
        }
        
        payload = {
            "model": model,
            "messages": [{"role": "user", "content": prompt}],
            **kwargs
        }
        
        response = requests.post(url, headers=headers, json=payload)
        result = response.json()
        
        if "error" in result:
            raise Exception(f"API调用错误: {result['error']}")
        
        return result["choices"][0]["message"]["content"]


# ==================== 使用示例 ====================

# 初始化不同平台客户端
clients = {
    "智谱": AIClient("zhipu"),
    "通义": AIClient("qwen"),
    "Kimi": AIClient("kimi")
}

# 切换测试
for name, client in clients.items():
    print(f"\n{'='*20} {name} 回复 {'='*20}")
    try:
        response = client.chat("Python的装饰器是什么？")
        print(response)
    except Exception as e:
        print(f"调用失败: {e}")

---

九、常见错误处理

9.1 错误码说明

错误码	说明	解决方案
401	API密钥无效	检查密钥是否正确，是否过期
403	权限不足/额度用完	检查账户余额或免费额度
429	请求过于频繁	添加请求间隔，使用幂等重试
500	服务器内部错误	稍后重试

9.2 重试机制封装

import time
from tenacity import retry, stop_after_attempt, wait_exponential

@retry(stop=stop_after_attempt(3), wait=wait_exponential(multiplier=1, min=2, max=10))
def call_with_retry(client, prompt):
    """带重试的AI调用"""
    try:
        return client.chat(prompt)
    except Exception as e:
        print(f"调用失败: {e}，正在重试...")
        raise

# 安装依赖
# pip install tenacity

# 使用示例
result = call_with_retry(clients["智谱"], "解释Python的生成器")
print(result)

---

十、总结

本文详细介绍了Python调用国内主流AI大模型API的方法：

平台	模型	特点	推荐场景
百度文心	ERNIE-4.0	中文理解强	通用对话、内容创作
阿里通义	Qwen-Turbo	性价比高	快速响应、开源集成
腾讯混元	Hunyuan	腾讯生态	微信/QQ集成
智谱GLM	GLM-4-Flash	联网搜索	实时信息查询
Kimi	moonshot-v1-128k	超长上下文	长文档处理

推荐入门顺序：智谱GLM → 阿里通义 → Kimi

这些平台都提供免费调用额度，非常适合学习和原型开发。掌握其中1-2个，就能满足大部分AI应用开发需求！

---

👏 互动引导

觉得这篇文章有用吗？欢迎：

• 点赞 支持一下
• 评论 说你想了解哪个平台的更多用法
• 关注 获取更多AI编程实战教程

作者：AI实验室2026
来源：CSDN
原创不易，转载须注明出处！