本文介绍如何使用蓝耘MaaS平台调用大模型API，打造保护隐私的本地化AI助理。内容涵盖需求分析、环境配置、模型选择、API调用流程及完整Python代码实现UI界面交互功能。蓝耘平台提供免费超千万长期有效Token，降低使用成本，为隐私保护下的智能问题解决提供新方案。

目录

前言

大数据时代，个人隐私很难得到保障，如果我们需要借助大模型解决一些私人问题，又不想隐私被泄露和所用的大模型公司收集，这里我提供一个解决方案：调用大模型的API实现一个本地化个人ai助理帮助我们解决问题，这是一个很好的解决办法。本次实验主要是借助蓝耘的Maas平台来调用大模型API，打造专属的AI助理。

需求分析与环境配置

在开始动手实验之前，我们首先要明确我们的需求和进行环境配置。不清楚需求，干起活就会没有清晰的思路，没有好环境，就没有办法实现我们的AI助理。

明确需求

  • 功能层面， AI 助理需要能够精准理解我们的私人问题，并根据我们个人情况能给出准确且详细的解答。
  • 数据层面，涉及私人数据，我们要确保所有输入给AI 助理的数据仅在本地环境中处理，不会被上传至外部服务器。
  • 交互层面，有可视化图形界面窗口，AI 助理应该具备自然流畅的对话风格，并且响应迅速。

环境准备

注册蓝耘平台账号
如果还未拥有蓝耘平台账号的小伙伴，需前往蓝耘平台官网注册一下账号。(https://cloud.lanyun.net//#/registerPage?promoterCode=0131)
获取 API 密钥
成功登录蓝耘平台后，点击Maas平台找到 “API KEY管理” 选项，点击 “创建API KEY” 平台将为你生成一串唯一的 API 密钥。这串密钥是你调用蓝耘 Maas 平台 API 的重要凭证，务必妥善保管，切勿向他人透露，以免造成安全风险。

选择合适的大模型

蓝耘 Maas 平台提供了多种大模型供选择，如 DeepSeek - R1、DeepSeek - V3、QwQ - 32B 等。

每个模型在自然语言处理、图像识别、代码生成等方面各有专长。鉴于我们打造个人 AI 助理主要用于处理文本类的私人问题，在自然语言处理方面表现卓越的 DeepSeek - R1 模型是不错的选择。它具备强大的语义理解能力，能深入剖析我们输入的问题，并生成高质量的回答。

在平台的模型介绍页面，我们可详细了解各模型的特点、适用场景以及调用价格（蓝耘平台会免费赠送超千万 Token，并且长期有效，可以支持我们使用很长一段时间），综合评估后确定符合自身需求的模型。

蓝耘Mass平台介绍

考虑到有些读者可能不了解Mass平台究竟是什么，这里做简单介绍。

MaaS 平台即 “模型即服务”（Model as aService）平台，是一种依托云计算的人工智能服务模式。模型即服务（MaaS）平台面向企业开发者、创业者及非技术背景用户，提供开箱即用的热门AI模型服务，支持零代码体验、API快速集成与灵活计费，降低AI应用开发门槛，加速业务创新。允许用户通过API接口或其他方式访问和使用预先训练好的机器学习模型，无需自己从头开始训练模型，使得即使没有深厚机器学习背景的用户也能享受到高水平的AI技术支持。（引用蓝耘官方介绍）

平台也支持各种文本、图像、视频大模型的选择。

API调用

完成上述需求分析与环境配置后，接下来进入更关键的 API 调用与功能实现环节。

大模型API介绍

大模型API是大模型对外提供服务的接口。通过API，开发者不需要了解大模型复杂的内部结构和运行机制，就能将大模型强大的功能集成到自己的应用、系统中。同时我们也可以调用大模型的API对模型进行微调、推理训练等。

API 调用流程

确定调用方式​
蓝耘 Maas 平台为开发者提供了清晰且便捷的 API 调用方式。以常见的 HTTP 请求为例，我们可以借助各类编程语言中的 HTTP 请求库来发起调用。在 Python 语言中，常用的requests库能够方便地构造请求。我们要根据所选大模型 API 的要求，确定请求的 URL 地址。
构造请求参数​
请求参数是 API 调用的关键部分，它决定了我们向大模型传递的信息以及期望得到的响应形式 。​

  • 认证信息：将之前获取的蓝耘平台 API 密钥包含在请求头中，获取调用权限。
  • 模型相关参数：指定要调用的具体模型名称，在请求参数中明确设置模型参数。根据需求设置生成文本的最大长度（max_tokens），如设置为 200，意味着大模型生成的回答不超过 200 个 token；控制生成文本的随机性（temperature），取值范围在 0 - 1 之间，这里设置为 0.7，生成的文本会相对更具多样性。

Python 使用requests库调用蓝耘 Maas 平台大模型 API 代码：

import requests

url ="https://maas-api.lanyun.net/v1/chat/completions"
headers ={"Content-Type":"application/json","Authorization":"Bearer 这里改成自己的API密钥"}
data ={"model":"/maas/deepseek-ai/DeepSeek-R1","messages":[{"role":"system","content":"You are a helpful assistant."},{"role":"user","content":"Hello!"}]}

response = requests.post(url, headers=headers, json=data)if response.status_code ==200:
    result = response.json()print(result)else:print(f"请求失败，状态码: {response.status_code}")

不懂的朋友可以再看看官方文档，想快速实现的也可以直接用我的代码。

利用Jupyter Notebook环境我们先试试，模型API是否调用成功

AI助理回答：Hello! How can I assist you today? 😊
调用的deepseek-r1模型API，deepseek也是有深度思考和正常输出的，还给我们回复了一个微笑的可爱表情包。看来已经进入助理角色了。

可交互AI助理开发

上面那个界面，对于不懂代码的用户来说，比较不友好，我们要开发的是在UI窗口能直接用自然语言进行交互的AI助理。这次开发环境是 VS code，用python代码实现。

1.首先是蓝耘Mass平台API调用,进行设置API信息，这一步是我们调用大模型的关键

self.api_url ="https://maas-api.lanyun.net/v1/chat/completions"
self.api_key ="请替换为您的实际API密钥"# 请替换为您的实际API密钥

API调用主要是用到python的requests库,因为这个库是python的第三方库，我们本地可能并没有安装，调用的时候就会报错。

别担心，我们只需要在终端输入命令

pip install requests

就能完成库的安装，看见有“Successfully installed”就是安装成功了。

2.选择需要调用的模型为deepseek -r1模型，并且给模型设置身份为私人助理

 headers ={"Content-Type":"application/json","Authorization":f"Bearer {self.api_key}"}
            
            data ={"model":"/maas/deepseek-ai/DeepSeek-R1","messages":[{"role":"system","content": self.system_role
                    },{"role":"user","content": user_message
                    }]}

这里可以看到，我们给模型的身份和我们自己的身份。

# 初始化对话
   self.append_message("系统","私人助理已就绪，请问有什么可以帮您？")# 设置系统角色
  self.system_role ="你是一位专业的私人助理，负责帮助用户处理各种事务。你的回答应该简洁、专业且友好。"


3.交互窗口的开发
主窗口和基本的设置，将窗口大小设置为600*500的块

self.root.geometry("600x500")

用户输入区域（输入框+发送按钮）

# 输入框框架
self.input_frame = tk.Frame(root)
self.input_frame.pack(padx=10, pady=5, fill=tk.X)# 输入框
self.user_input = tk.Entry(self.input_frame)
self.user_input.pack(side=tk.LEFT, fill=tk.X, expand=True)
self.user_input.bind("<Return>", self.send_message)# 绑定回车键发送# 发送按钮
self.send_button = tk.Button(self.input_frame, text="发送", command=self.send_message)
self.send_button.pack(side=tk.RIGHT)

消息显示功能实现

defappend_message(self, sender, message):
    self.chat_history.configure(state='normal')
    self.chat_history.insert(tk.END,f"{sender}: {message}\n\n")
    self.chat_history.configure(state='disabled')
    self.chat_history.see(tk.END)# 自动滚动到底部

消息发送功能实现

defsend_message(self, event=None):
    user_message = self.user_input.get()ifnot user_message.strip():return

    self.append_message("你", user_message)
    self.user_input.delete(0, tk.END)# 禁用控件防止重复发送
    self.send_button.config(state=tk.DISABLED)
    self.user_input.config(state=tk.DISABLED)# 使用线程发送请求
    threading.Thread(target=self.get_ai_response, args=(user_message,)).start()

上面就是我们实现的主要代码了，现在运行看看效果。

最上面是整个窗口的名字“Deepseek-R1 私人助理”，初始时，系统会告诉我们他是你的私人助理，并且询问你是否需要帮助，下面的框可以输入我们的请求，比如我下面的prompt“你好，现在是晚饭时间，为我推荐清淡且富有营养的晚餐”，点击右下角的发送按钮，发送请求就好。

现在，是不是已经开始期待我们的私人助理会给出怎么样的回答了，一起看看吧。（十几秒的时间AI助理就能给我们回复，还是很快的，不需要像本地部署的大模型一样要等很久才能收到回复）

我们的小助理给出了一份很不错的食谱，接下来告诉小助理我们的忌口食物和喜爱食物，让他调整食谱。小助手根据我的喜好为我提供了新食谱，考虑到营养问题，把一日三餐的食都提供了，还告诉我应该怎么搭配，怎么食用。真所谓考虑的面面俱到，我对我的小助理非常满意。

这里我们的小助手是有长记忆的，可以支持进行多轮对话，不用担心token不够，蓝耘平台给我们提供了免费的千万token。

4.可调整：

  • 窗口界面可根据自己的喜好进行调整美化。
  • 可以根据自己的喜好对助手回复风格进-行设置，还可以让助手扮演自己喜欢的角色。
  • 模型可更换，用完了deepseek-r1的token也可以换成其他的。


平台可以看到调用API的数量和token用量，实时监控并更新，方便我们查看

5.为了让更多人都能轻松实现这一AI私人助理，我决定把完整的代码分享给大家。

import tkinter as tk
from tkinter import scrolledtext, messagebox
import requests
import threading

classAIChatApp:def__init__(self, root):
        self.root = root
        self.root.title("DeepSeek-R1 私人助理")
        self.root.geometry("600x500")# 设置API信息
        self.api_url ="https://maas-api.lanyun.net/v1/chat/completions"
        self.api_key ="请替换为您的实际API密钥"# 请替换为您的实际API密钥# 创建聊天历史显示区域
        self.chat_history = scrolledtext.ScrolledText(root, wrap=tk.WORD, state='disabled')
        self.chat_history.pack(padx=10, pady=10, fill=tk.BOTH, expand=True)# 创建用户输入区域
        self.input_frame = tk.Frame(root)
        self.input_frame.pack(padx=10, pady=5, fill=tk.X)
        
        self.user_input = tk.Entry(self.input_frame)
        self.user_input.pack(side=tk.LEFT, fill=tk.X, expand=True)
        self.user_input.bind("<Return>", self.send_message)
        
        self.send_button = tk.Button(self.input_frame, text="发送", command=self.send_message)
        self.send_button.pack(side=tk.RIGHT)# 初始化对话
        self.append_message("系统","私人助理已就绪，请问有什么可以帮您？")# 设置系统角色
        self.system_role ="你是一位专业的私人助理，负责帮助用户处理各种事务。你的回答应该简洁、专业且友好。"defappend_message(self, sender, message):
        self.chat_history.configure(state='normal')
        self.chat_history.insert(tk.END,f"{sender}: {message}\n\n")
        self.chat_history.configure(state='disabled')
        self.chat_history.see(tk.END)defsend_message(self, event=None):
        user_message = self.user_input.get()ifnot user_message.strip():return
            
        self.append_message("你", user_message)
        self.user_input.delete(0, tk.END)# 禁用发送按钮和输入框，避免重复发送
        self.send_button.config(state=tk.DISABLED)
        self.user_input.config(state=tk.DISABLED)# 在新线程中发送请求，避免界面冻结
        threading.Thread(target=self.get_ai_response, args=(user_message,)).start()defget_ai_response(self, user_message):try:
            headers ={"Content-Type":"application/json","Authorization":f"Bearer {self.api_key}"}
            
            data ={"model":"/maas/deepseek-ai/DeepSeek-R1","messages":[{"role":"system","content": self.system_role
                    },{"role":"user","content": user_message
                    }]}
            
            response = requests.post(self.api_url, headers=headers, json=data)if response.status_code ==200:
                result = response.json()
                ai_response = result.get('choices',[{}])[0].get('message',{}).get('content',"未能获取有效回复")
                self.append_message("助理", ai_response)else:
                self.append_message("系统",f"请求失败，状态码: {response.status_code}")
                messagebox.showerror("错误",f"API请求失败: {response.status_code}")except Exception as e:
            self.append_message("系统",f"发生错误: {str(e)}")
            messagebox.showerror("错误",f"发生异常: {str(e)}")finally:# 重新启用发送按钮和输入框
            self.root.after(0,lambda:[
                self.send_button.config(state=tk.NORMAL),
                self.user_input.config(state=tk.NORMAL),
                self.user_input.focus()])if __name__ =="__main__":
    root = tk.Tk()
    app = AIChatApp(root)
    root.mainloop()

总结

在大数据隐私风险下，我们可以尝试利用蓝耘 Maas 平台调用大模型 API 实现打造本地化 AI 助理，保护隐私数据不被泄露。通过 Python 代码实现 API 调用，开发带 UI 的交互助理，支持多轮对话。重中之重是蓝耘平台免费送超千万长期有效 Token，降低使用成本，为隐私保护下的智能问题解决提供新方案，为我们的AI助理实现提供了坚实的保障。

零基础如何高效学习大模型？

为了帮助大家打破壁垒，快速了解大模型核心技术原理，学习相关大模型技术。从原理出发真正入局大模型。在这里我和MoPaaS魔泊云联合梳理打造了系统大模型学习脉络，这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码免费领取🆓**⬇️⬇️⬇️

在这里插入图片描述

【大模型全套视频教程】

教程从当下的市场现状和趋势出发，分析各个岗位人才需求，带你充分了解自身情况，get 到适合自己的 AI 大模型入门学习路线。

从基础的 prompt 工程入手，逐步深入到 Agents，其中更是详细介绍了 LLM 最重要的编程框架 LangChain。最后把微调与预训练进行了对比介绍与分析。

同时课程详细介绍了AI大模型技能图谱知识树，规划属于你自己的大模型学习路线，并且专门提前收集了大家对大模型常见的疑问，集中解答所有疑惑！

在这里插入图片描述

深耕 AI 领域技术专家带你快速入门大模型

跟着行业技术专家免费学习的机会非常难得，相信跟着学习下来能够对大模型有更加深刻的认知和理解，也能真正利用起大模型，从而“弯道超车”，实现职业跃迁！

在这里插入图片描述

【精选AI大模型权威PDF书籍/教程】

精心筛选的经典与前沿并重的电子书和教程合集，包含《深度学习》等一百多本书籍和讲义精要等材料。绝对是深入理解理论、夯实基础的不二之选。

在这里插入图片描述

【AI 大模型面试题 】

除了 AI 入门课程，我还给大家准备了非常全面的**「AI 大模型面试题」，**包括字节、腾讯等一线大厂的 AI 岗面经分享、LLMs、Transformer、RAG 面试真题等，帮你在面试大模型工作中更快一步。

【大厂 AI 岗位面经分享（92份）】

图片

【AI 大模型面试真题（102 道）】

图片

【LLMs 面试真题（97 道）】

图片

【640套 AI 大模型行业研究报告】

在这里插入图片描述

【AI大模型完整版学习路线图（2025版）】

明确学习方向，2025年 AI 要学什么，这一张图就够了！

img

👇👇点击下方卡片链接免费领取全部内容👇👇

在这里插入图片描述

抓住AI浪潮，重塑职业未来！

科技行业正处于深刻变革之中。英特尔等巨头近期进行结构性调整，缩减部分传统岗位，同时AI相关技术岗位（尤其是大模型方向）需求激增，已成为不争的事实。具备相关技能的人才在就业市场上正变得炙手可热。

行业趋势洞察：

  • 转型加速： 传统IT岗位面临转型压力，拥抱AI技术成为关键。
  • 人才争夺战： 拥有3-5年经验、扎实AI技术功底和真实项目经验的工程师，在头部大厂及明星AI企业中的薪资竞争力显著提升（部分核心岗位可达较高水平）。
  • 门槛提高： “具备AI项目实操经验”正迅速成为简历筛选的重要标准，预计未来1-2年将成为普遍门槛。

与其观望，不如行动！

面对变革，主动学习、提升技能才是应对之道。掌握AI大模型核心原理、主流应用技术与项目实战经验，是抓住时代机遇、实现职业跃迁的关键一步。

在这里插入图片描述

01 为什么分享这份学习资料？

当前，我国在AI大模型领域的高质量人才供给仍显不足，行业亟需更多有志于此的专业力量加入。

因此，我们决定将这份精心整理的AI大模型学习资料，无偿分享给每一位真心渴望进入这个领域、愿意投入学习的伙伴！

我们希望能为你的学习之路提供一份助力。如果在学习过程中遇到技术问题，也欢迎交流探讨，我们乐于分享所知。

*02 这份资料的价值在哪里？*

专业背书，系统构建：

  • 本资料由我与MoPaaS魔泊云的鲁为民博士共同整理。鲁博士拥有清华大学学士和美国加州理工学院博士学位，在人工智能领域造诣深厚：

    • 在IEEE Transactions等顶级学术期刊及国际会议发表论文超过50篇。
    • 拥有多项中美发明专利。
    • 荣获吴文俊人工智能科学技术奖（中国人工智能领域重要奖项）。

  • 目前，我有幸与鲁博士共同进行人工智能相关研究。

在这里插入图片描述

内容实用，循序渐进：

  • 资料体系化覆盖了从基础概念入门到核心技术进阶的知识点。

  • 包含丰富的视频教程与实战项目案例，强调动手实践能力。

  • 无论你是初探AI领域的新手，还是已有一定技术基础希望深入大模型的学习者，这份资料都能为你提供系统性的学习路径和宝贵的实践参考，助力你提升技术能力，向大模型相关岗位转型发展。

    在这里插入图片描述在这里插入图片描述在这里插入图片描述

抓住机遇，开启你的AI学习之旅！

在这里插入图片描述

# 人工智能 # 系统架构 # 神经网络
Logo
北京朝阳AI社区

更多推荐

cover

MCP通信方式完全指南：stdio、SSE和HTTP对比分析，从入门到精通，建议收藏！

avatar 北京朝阳AI社区
cover

【AI大模型前沿】MobileCLIP2：苹果开发端侧大模型，让手机秒变AI神器、拍照就能写文案、搜图片零误差

avatar 北京朝阳AI社区
cover

大模型应用架构新选择：Agentscope框架企业落地实践，收藏备用！

avatar 北京朝阳AI社区