Python 调用常见大模型 API 全解析

亲爱的小伙伴们，在求知的漫漫旅途中，若你对深度学习的奥秘、JAVA 、PYTHON与SAP 的奇妙世界，亦或是读研论文的撰写攻略有所探寻，那不妨给我一个小小的关注吧。我会精心筹备，在未来的日子里不定期地为大家呈上这些领域的知识宝藏与实用经验分享。每一个点赞，都如同春日里的一缕阳光，给予我满满的动力与温暖，让我们在学习成长的道路上相伴而行，共同进步✨。期待你的关注与点赞哟！

调用通义千问接口

• 获取 API Key：登录阿里云，进入阿里云百炼平台，点击界面上的 “查看我的 API Key”，接着在跳出来的界面中点击 “创建 API Key”，在描述中输入相关信息后点击 “确定”，即可创建并获取到 API Key13。
• 安装依赖库：需安装 dashscope 库，在命令行中执行 pip install dashscope 进行安装13。
• 编写调用代码：以下是一个简单的示例代码，用于调用通义千问的 qwen-max 模型来生成文本。

  import dashscope
  
  def call_with_stream():
      messages = ({'role': 'user', 'content': '介绍一下你自己'})
      responses = dashscope.Generation.call("qwen-max",
                                            messages=messages,
                                            result_format='message',
                                            stream=True,
                                            incremental_output=True)
      for response in responses:
          if response.status_code == 200:
              print(response.output.choices(0)['message']['content'], end='')
          else:
              print('Request id: %s, Status code: %s, error code: %s, error message: %s' % (
                  response.request_id, response.status_code,
                  response.code, response.message))
  
  if __name__ == '__main__':
      call_with_stream()

  调用智谱接口

• 注册并获取 API Key：访问智谱 AI 开放平台进行注册，注册过程中输入手机号等信息，还可通过支付宝人脸识别获取更高的免费额度，完成注册后，在左边菜单栏中进入 “API keys” 找到自己的 API Key2。
• 安装依赖库：在命令行中执行 pip install zhipuai 安装智谱 AI 的 Python SDK2。
• 编写调用代码：以下是一个调用智谱 AI 的 glm-4 模型的示例代码2 。

  from zhipuai import ZhipuAI
  
  client = ZhipuAI(api_key="your_api_key")
  response = client.chat.completions.create(
      model="glm-4",
      messages=(
          {"role": "user", "content": "你好！你叫什么名字"},
      ),
      stream=True,
  )
  for chunk in response:
      print(chunk.choices(0).delta)

  调用讯飞星火接口

• 获取 API 密钥：访问讯飞开放平台官网（讯飞开放平台-以语音交互为核心的人工智能开放平台），注册账号并登录后，进入 “我的应用” 页面，创建一个新的应用，在工单中申请 API 密钥，获取 appid、api_secret 和 api_key。安装相关库：在命令行中输入以下命令安装所需库。

• pip install websocket
  pip install websocket-client

• 编写调用代码：以下是一个简单的示例代码 。

  import sparkapi
  
  appid = "your_app_id"
  api_secret = "your_api_secret"
  api_key = "your_api_key"
  domain = "generalv3"
  spark_url = "ws://spark-api.xf-yun.com/v3.1/chat"
  
  def gettext(role, content):
      jsoncon = {}
      jsoncon["role"] = role
      jsoncon["content"] = content
      return jsoncon
  
  if __name__ == '__main__':
      question = gettext("user", "你好，请问今天天气如何？")
      sparkapi.main(appid, api_key, api_secret, spark_url, domain, [question])

  调用百川大模型接口

• 获取 API 密钥：访问百川大模型的官网，注册账号并登录后，进入个人中心或 API 管理页面申请 API Key1。

•  编写调用代码：以下是一个示例代码，用于调用百川大模型的 Baichuan2-Turbo 模型来生成文本。

import requests
import json

url = "https://api.baichuan-ai.com/v1/chat/completions"
api_key = "your_api_key"
headers = {
    "Content-Type": "application/json",
    "Authorization": f"Bearer {api_key}"
}

data = {
    "model": "Baichuan2-Turbo",
    "messages": [
        {
            "role": "user",
            "content": "你好，给我介绍一下人工智能的发展历程。"
        }
    ],
    "stream": False,
    "temperature": 0.3,
    "top_p": 0.85,
    "top_k": 5,
    "with_search_enhance": False
}

response = requests.post(url, headers=headers, json=data)
if response.status_code == 200:
    result = json.loads(response.text)
    print(result["choices"][0]["message"]["content"])
else:
    print(f"请求失败，状态码: {response.status_code}")

调用本地部署的大模型接口

• 以 ollama 为例，假设已经在本地安装好了 ollama 并下载了相应的大模型。
• 启动模型：在终端运行 ollama run ，例如 ollama run qwen2.5 启动千问 2.5 模型，并确保可以在浏览器中通过 http://127.0.0.1:11434/ 正常访问本地 api 接口。
• 编写代码。

import requests
import json

def translate_text(content):
    url = "http://localhost:11434/api/chat"
    data = {
        "model": "qwen2.5",
        "messages": (
            {
                "role": "user",
                "content": f"请将以下中文翻译为英文：{content}"
            },
        ),
        "stream": True
    }
    response = requests.post(url, json=data, stream=True)
    print(response.status_code)
    if response.status_code == 200:
        full_response = ''
        for line in response.iter_lines():
            if line:
                try:
                    json_object = json.loads(line)
                    if 'message' in json_object and 'content' in json_object['message']:
                        chunk = json_object['message']['content']
                        full_response += chunk
                        print(chunk, end=' ', flush=True)
                except json.decoder.JSONDecodeError:
                    pass
        print()
        return full_response
    else:
        print(f"error: {response.status_code}")
        return response.text

if __name__ == "__main__":
    user_input = '你好，帮我翻译，测试翻译功能'
    result = translate_text(user_input)