前端转AI · 第7周 | 对接过微信支付、钉钉、企微的API后，调LLM API竟然让我落泪了

API恐惧症

做前端这些年，我对接过的API堪称噩梦合集：

• 微信支付：签名算法能把人逼疯
• 
  
• 钉钉开放平台：文档和实际接口经常对不上
• 
  
• 某甲方自研系统：接口返回格式每周变一次
• 
  
   

所以当我要调LLM API时，我的第一反应是——又要掉多少头发？

结果...10行代码搞定

from openai import OpenAI

client = OpenAI(
    api_key="你的key",
    base_url="https://api.deepseek.com"  # 用DeepSeek便宜
)

response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[
        {"role": "system", "content": "你是一个幽默的编程导师"},
        {"role": "user", "content": "用一句话解释什么是React"}
    ]
)

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

输出：

"React就是一个让你用JavaScript写HTML的框架，然后再用CSS-in-JS把CSS也写成JavaScript，最终实现Everything in JavaScript的伟大愿景。"

就这？？就这！！

没有签名算法，没有OAuth流程，没有回调地址配置，没有沙箱环境切换——

就是POST一个JSON，返回一个JSON。

我当场落泪。

LLM API的核心概念（前端工程师版）

LLM概念	前端对照	大白话
Token	字符数	LLM按字数收费，像手机流量
Temperature	Math.random()	值越高回答越随机，越低越确定
System Prompt	defaultProps	预设角色和行为规则
Messages数组	聊天记录数组	就是一个对话历史列表
Streaming	EventSource/SSE	一个字一个字蹦出来
Model	npm包版本	不同模型=不同版本，能力不同

流式响应 = 我熟悉的SSE

前端工程师最熟悉的一个概念来了！ChatGPT那种打字机效果，其实就是Server-Sent Events（SSE）——前端做实时通知时经常用的技术：

# 流式响应
stream = client.chat.completions.create(
    model="deepseek-chat",
    messages=[{"role": "user", "content": "写一首关于前端转AI的诗"}],
    stream=True  # 开启流式！
)

for chunk in stream:
    content = chunk.choices[0].delta.content
    if content:
        print(content, end="", flush=True)

前端接收端就是你熟悉的EventSource：

const eventSource = new EventSource('/api/chat');
eventSource.onmessage = (event) => {
    // 一个字一个字追加到页面上
    appendToChat(event.data);
};

这不就是我之前做消息推送时用过的方案吗DeepSeek vs OpenAI 怎么选

	DeepSeek	OpenAI
价格	超便宜（约1/10）	贵
中文能力	强	强
API兼容	兼容OpenAI格式	标准
免费额度	新用户送额度	有免费层
国内访问	不需要翻墙	需要

学习阶段果断选DeepSeek，便宜好用不翻墙。等项目上线了再考虑其他模型。

今日感悟

调了5年各种奇葩API的我，今天终于遇到了一个"正常"的API。

LLM API的设计哲学就是：简单、标准、一致。所有大模型的API几乎都长一个样——就是Messages In, Message Out。

如果你在前端对接过任何一个REST API，LLM API对你来说就是小菜一碟。

真正的挑战不在调用API，而在写好Prompt——这是下周的主题。

前端转AI系列持续更新中，关注不错过 ✨