LLM 是什么？

LLM（Large Language Model）= 大语言模型，就是 ChatGPT、DeepSeek、MiMo 这类 AI 背后的技术。

它能做什么： 理解自然语言，生成文本回答。你问它"解释列表推导式"，它能给你写一段解释。

我们怎么用它： 通过 API 调用。这和你 Day 6 调天气 API 的流程完全一样——发请求，拿响应，解析数据。

天气 API：发城市名 → 拿到天气 JSON
LLM API：发 prompt → 拿到回答 JSON

---

第 1 步：调通第一个 LLM API

环境准备

pip install openai

配置 .env

LLM_API_KEY=你的MiMo API Key
LLM_BASE_URL=https://api.xiaomimimo.com/v1

最小示例

from openai import OpenAI
import os
from dotenv import load_dotenv

load_dotenv()

client = OpenAI(
    api_key=os.getenv("LLM_API_KEY"),
    base_url=os.getenv("LLM_BASE_URL")
)

response = client.chat.completions.create(
    model="mimo-v2.5-pro",
    messages=[
        {"role": "user", "content": "你好，用一句话介绍你自己"}
    ]
)

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

代码逐行解释

代码	含义
from openai import OpenAI	导入 OpenAI SDK（MiMo 兼容 OpenAI 格式）
load_dotenv()	从 .env 读取 API Key 和 Base URL
client = OpenAI(...)	创建客户端，相当于 Day 6 的 httpx.AsyncClient
client.chat.completions.create(...)	发送对话请求（相当于 Day 6 的 requests.get()）
model="mimo-v2.5-pro"	指定用哪个模型
messages=[...]	发给大模型的消息列表（Prompt）
response.choices[0].message.content	大模型回复的文本内容

---

第 2 步：Prompt Engineering 基础

Prompt = 你发给大模型的"指令"。

同样的模型，不同的 prompt 会得到完全不同的结果。

messages 的结构

messages = [
    {"role": "system",    "content": "你是Python老师，回答简洁"},    # 系统设定
    {"role": "user",      "content": "什么是列表推导式？"}           # 用户提问
]

role 有三种

role	谁说的	用途
system	系统设定	给大模型定"人设"，它会一直遵守
user	用户（你）	你发的每一条消息
assistant	大模型	大模型回复的内容（通常 API 自动返回）

对话流程

system: "你是Python老师"
user: "什么是列表推导式？"
→ 大模型生成 assistant 回复
user: "给个例子"
→ 大模型看到之前的上下文，生成新的回复

---

第 3 步：Few-shot 提示

Few-shot = 在 prompt 里给几个"示例"，让大模型照着学。

MiMo 的写法（示例写在 system 里）

messages = [
    {"role": "system", "content": """你是Python老师，回答简洁。

示例：
问：什么是列表推导式？
答：列表推导式是一行创建列表的语法，如 [x*2 for x in range(5)]

问：什么是生成器？
答：生成器是用 yield 逐个产出值的函数，省内存"""},

    {"role": "user", "content": "什么是装饰器？"}
]

OpenAI 的写法（用 assistant role）

messages = [
    {"role": "system", "content": "你是Python老师，回答简洁"},
    {"role": "user",      "content": "什么是列表推导式？"},
    {"role": "assistant", "content": "列表推导式是一行创建列表的语法"},
    {"role": "user",      "content": "什么是装饰器？"}
]

⚠️ MiMo 不支持 assistant role，只能用第一种写法。

Zero-shot vs Few-shot

类型	写法	效果
Zero-shot	直接问，不给例子	回答风格不确定
Few-shot	给 2-3 个示例再问	回答风格和示例一致

---

第 4 步：Token 概念

Token = 大模型处理文本的最小单位（不完全等于"字"）。

"你好世界" → 约 4-6 个 token
"Hello world" → 约 2 个 token

为什么要知道这个？ 因为 API 按 Token 收费——prompt 越长，token 越多，费用越高。

---

第 5 步：交互式 AI 聊天程序

"""
Day 11 最终项目：交互式 AI 聊天程序
输入 q 退出
"""
from openai import OpenAI
import os
from dotenv import load_dotenv

load_dotenv()

client = OpenAI(
    api_key=os.getenv("LLM_API_KEY"),
    base_url=os.getenv("LLM_BASE_URL")
)

# ── 初始消息（system 设定 + few-shot 示例） ──
messages = [
    {"role": "system", "content": """你是Python老师，回答简洁，用中文。

示例：
问：什么是列表推导式？
答：列表推导式是一行创建列表的语法，如 [x*2 for x in range(5)]

问：什么是yield？
答：yield 让函数暂停并产出值，下次调用从暂停处继续"""},
]

print("AI 聊天助手（输入 q 退出）")
print("=" * 40)

# ── 主循环 ──
while True:
    user_input = input("\n你：")

    if user_input == "q":
        print("再见！")
        break

    # 把用户输入加到消息列表
    messages.append({"role": "user", "content": user_input})

    # 调用 LLM API
    response = client.chat.completions.create(
        model="mimo-v2.5-pro",
        messages=messages
    )

    # 拿到回复
    reply = response.choices[0].message.content
    print(f"AI：{reply}")

    # 把回复也加到消息列表（保持上下文）
    messages.append({"role": "assistant", "content": reply})

用到的 Day 1-10 知识

代码	来源
while True + input() + if == "q": break	Day 1-2 菜单循环
load_dotenv() / os.getenv()	Day 6 .env 环境变量
client.chat.completions.create()	Day 6 API 调用流程

---

你踩过的坑

坑 1：MiMo 的 base_url 填错

❌ api.mimo.xiaomi.com     （域名不存在）
✅ api.xiaomimimo.com      （正确）

教训： 别自己猜 URL，去看官方文档的示例代码。

坑 2：DNS 解析失败

httpx.ConnectError: [Errno 11001] getaddrinfo failed

原因： base_url 填错了，域名根本不存在。

坑 3：model 名字写错

❌ mimo-v2.5
✅ mimo-v2.5-pro

教训： 模型名必须和平台上的完全一致。

坑 4：MiMo 不支持 assistant role

openai.BadRequestError: messages[4] role is not supported

原因： MiMo 只支持 system 和 user，不支持 assistant。

解决： 把 Few-shot 示例写在 system 的 content 里。

坑 5：print 语法错误

print(response.choices[0].message.content)    # ✅
print(response,choices[0].message.content)    # ❌ 多了个逗号

---

概念速查表

概念	一句话理解
Prompt	你发给大模型的指令
System Prompt	给大模型定"人设"的规则
Few-shot	给几个示例让大模型照着学
Zero-shot	不给示例，直接问
Token	大模型处理文本的最小单位，按此收费
messages	对话历史列表，包含 system/user/assistant
base_url	API 的请求地址
model	模型名称，必须和平台一致

---

一句话总结

LLM API 调用 = 和调天气 API 一样的流程：发请求 → 拿响应 → 解析数据。

Prompt Engineering 的核心：system 定人设，user 提问，Few-shot 给示例。

Day 1-5 的 while + input + if/break，在 AI 时代依然有用——交互式聊天就是这么写的。