【35.Python+AI】你的第一个AI程序：3行Python代码调用GPT大模型

📖 文章简介： 本文是Python+AI大模型系列的第一篇，从零带领你完成第一个大模型API调用。内容涵盖OpenAI SDK的安装配置、API Key的安全获取与管理、第一个completion请求的完整代码及返回结果解析，并深入讲解Token费用计算与预算控制策略。文中附有Mermaid流程图拆解API调用的完整链路，适合从未接触过大模型API、想迈出AI开发第一步的Python开发者。

---

🎬 个人主页： 源码骑士

❄ 专栏传送门： 《Android开发基础》《python基础课程》

⭐️热衷从源码视角拆解技术底层原理，将复杂架构讲得通俗易懂

---

🎬 源码骑士的简介：
5年Android Framework系统开发经验，曾主导多项系统级性能优化专项
技术栈覆盖Android系统全链路（Binder/Handler/AMS/WMS/启动流程）及Java后端全家桶（Spring + MyBatis + Redis + Oracle）
累计产出原创技术文章100+篇，文章以流程图为特色，被读者评价为"看一篇胜过啃一周源码"

---

导入语

2025年了，如果你还没亲手调用过一次大模型API，就相当于2015年没写过一句SQL——不是说不能做开发，但你的工具箱里少了一把最锋利的刀。

很多人觉得"调用AI"是一件很高深的事。其实不是。OpenAI把大模型的能力封装成了一个极其简单的HTTP接口——你只需要三行Python代码，就能让一个1750亿参数的模型为你工作。

这篇文章的目标很明确：带你从零写出第一个大模型API调用，搞清楚API Key从哪来、Request里填什么、返回的JSON怎么解析。 文末你还会知道调用一次花了多少钱——对，就是几分钱的事。

---

1 ~> 准备工作：安装SDK和获取API Key

1.1 安装OpenAI Python SDK

打开终端，一条命令搞定：

pip install openai

如果你的项目用了虚拟环境（建议），先激活再装：

# Windows
venv\Scripts\activate
pip install openai

# macOS / Linux
source venv/bin/activate
pip install openai

验证安装是否成功：

import openai
print(openai.__version__)   # 输出类似 1.55.0

1.2 获取API Key——这一步最容易出错

去 platform.openai.com 注册账号（需要科学上网）。注册后在右上角头像 → “View API keys” → “Create new secret key”。

几个新手必知的坑：

坑	说明
Key只显示一次	创建后立刻复制保存，关闭弹窗后就再也看不到了
不要硬编码在代码里	万一你不小心把代码推到GitHub，Key会被自动扫描并吊销
需要充值才能用	新账号通常有$5免费额度，但过期后需要绑定信用卡充值
Key有权限范围	创建时可以限定Key的权限（只读/读写），生产环境建议用最小权限

安全存储API Key的方式：

# 方式一：环境变量（推荐）
export OPENAI_API_KEY="sk-your-key-here"

# 方式二：.env文件 + python-dotenv
pip install python-dotenv

# .env 文件内容（记得加入 .gitignore）
OPENAI_API_KEY=sk-your-key-here

# Python 中读取
from dotenv import load_dotenv
import os

load_dotenv()
api_key = os.getenv("OPENAI_API_KEY")

---

2 ~> 第一个API调用：三行代码让AI说话

2.1 最简代码

from openai import OpenAI

client = OpenAI()  # 自动读取环境变量 OPENAI_API_KEY

response = client.chat.completions.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": "用一句话介绍Python"}]
)

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

输出示例：

Python是一种简洁、易读且功能强大的高级编程语言，广泛应用于Web开发、
数据分析、人工智能和自动化脚本等领域。

2.2 逐行拆解

第1行：from openai import OpenAI
├─ 从openai包导入OpenAI客户端类（注意：新版SDK用 OpenAI()，不是 openai.ChatCompletion）

第2行：client = OpenAI()
├─ 创建客户端实例，默认从环境变量 OPENAI_API_KEY 读取密钥
├─ 也可以显式传入：client = OpenAI(api_key="sk-xxx")

第3~6行：client.chat.completions.create(...)
├─ model="gpt-3.5-turbo" —— 指定模型，gpt-3.5-turbo是最便宜最快的
├─ messages=[...] —— 对话消息列表，每一条包含role和content
│   ├─ role="system" —— 设定AI的行为规则（可选但推荐）
│   ├─ role="user" —— 用户说的话
│   └─ role="assistant" —— AI之前的回复（多轮对话时需要）
└─ 返回的response是一个复杂对象，最关键的是 response.choices[0].message.content

2.3 加上System Prompt让AI更听话

response = client.chat.completions.create(
    model="gpt-3.5-tourbo",
    messages=[
        {"role": "system", "content": "你是一位资深Python讲师，回答要通俗易懂，多举例子。"},
        {"role": "user", "content": "装饰器是什么？"}
    ]
)
print(response.choices[0].message.content)

有无System Prompt的对比：

	无System Prompt	有System Prompt
回答风格	标准教科书式	口语化、带例子
回答长度	可能有长有短	受"多举例子"影响，会更长
可控性	低	高

System Prompt是控制AI行为的"宪法"。 花时间打磨一段好的System Prompt，比反复调整User Prompt更有效。

---

3 ~> 调用链路全景图

3.1 Mermaid流程图

下面这张图展示了一次API调用从你的代码到模型返回的完整路径：

3.2 响应对象的完整结构

很多人只取了 content，但response对象里还有很多有用的信息：

response = client.chat.completions.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": "Hello"}]
)

# 核心字段
print(response.id)                      # 本次请求的唯一ID
print(response.model)                   # 实际使用的模型
print(response.choices[0].finish_reason) # 结束原因：stop / length / content_filter
print(response.usage.prompt_tokens)     # 输入消耗的Token数
print(response.usage.completion_tokens) # 输出消耗的Token数
print(response.usage.total_tokens)      # 总Token数

finish_reason 的三个关键值：

值	含义	你该做什么
stop	正常结束，模型自己决定说完了	无需处理
length	达到max_tokens上限，话没说完	增大max_tokens或让模型精简回答
content_filter	触发了安全过滤	检查你的输入是否包含敏感内容

---

4 ~> Token与费用：每次调用花了多少钱

4.1 Token是什么

大模型不是按"字"计费，而是按"Token"（词元）。一个Token大约等于：

英文：1个单词 ≈ 1~2个Token
中文：1个汉字 ≈ 1.5~3个Token
代码：因符号多，Token数通常比看起来多

4.2 费用计算

gpt-3.5-turbo 的官方定价（截至2025年6月）：
├─ 输入：$0.50 / 100万 Token
└─ 输出：$1.50 / 100万 Token

也就是说：
├─ 一次问答（输入50 Token + 输出200 Token）
│   ├─ 输入费用：50 × 0.50/1,000,000 = $0.000025
│   ├─ 输出费用：200 × 1.50/1,000,000 = $0.0003
│   └─ 合计：约 $0.000325 ≈ 人民币 0.002元（两厘钱）
└─ 你充5美元，够你调用1.5万次！

4.3 用代码精确计算Token数

import tiktoken

# 加载gpt-3.5-turbo的编码器
encoding = tiktoken.encoding_for_model("gpt-3.5-turbo")

text = "Python是一种解释型、面向对象的高级编程语言。"
tokens = encoding.encode(text)

print(f"原文：{text}")
print(f"Token数：{len(tokens)}")
print(f"Token序列：{tokens}")

输出：

原文：Python是一种解释型、面向对象的高级编程语言。
Token数：24
Token序列：[10914, 232, 34002, ...]

---

5 ~> 常见报错与排错

5.1 新手最常遇到的四个错误

错误一：openai.AuthenticationError — "Incorrect API key provided"
├─ 原因：API Key没设置或写错了
└─ 解决：检查环境变量或显式传入正确的Key

错误二：openai.RateLimitError — "You exceeded your current quota"
├─ 原因：免费额度用完了，或者绑定的信用卡没钱了
└─ 解决：去 platform.openai.com 充值

错误三：openai.APIConnectionError — 连接超时
├─ 原因：网络问题（国内访问OpenAI需要代理）
└─ 解决：配置代理环境变量 HTTP_PROXY / HTTPS_PROXY

错误四：openai.BadRequestError — "max_tokens is too large"
├─ 原因：max_tokens超过了模型的上下文窗口
└─ 解决：减少max_tokens或缩短输入

5.2 一个健壮的调用封装

把上面的知识串起来，写一个生产可用的函数：

import os
from openai import OpenAI

def ask_gpt(prompt: str, model: str = "gpt-3.5-turbo", max_tokens: int = 500) -> str:
    """
    封装GPT调用，带基础错误处理。
    """
    client = OpenAI()
    try:
        response = client.chat.completions.create(
            model=model,
            messages=[{"role": "user", "content": prompt}],
            max_tokens=max_tokens,
            temperature=0.7
        )
        return response.choices[0].message.content
    except Exception as e:
        return f"调用失败：{type(e).__name__} - {str(e)}"

# 使用
result = ask_gpt("用Python写一个斐波那契函数")
print(result)

---

思考 && 总结

这篇文章带你完成了从零到大模型API调用的第一步，核心要点：

1. 三行代码就能调用GPT： from openai import OpenAI → client = OpenAI() → client.chat.completions.create(...)。不要被"大模型"这三个字吓到——它的API设计非常简洁。
2. API Key是唯一凭证，保护它就是保护你的钱包： 绝对不要硬编码在代码里，用环境变量或.env文件管理。GitHub上有大量扫描机器人，Key泄露后几分钟内就会被盗用。
3. System Prompt是控制AI行为的"宪法"： 别只写User Message，花一分钟写好System Prompt，回答质量会有天壤之别。
4. Token计费极其便宜： 一次问答大约花0.002元人民币。$5够你调用15000次——大胆去试，别怕花钱。
5. finish_reason不能忽略： 如果返回length，说明你的回答被截断了，需要增大max_tokens或让模型精简输出。
6. 错误处理不是可选项： 网络超时、Key过期、额度用完——这些问题在真实项目中一定会遇到，至少要有一个try-except兜底。

这篇文章的目标很简单：让你亲手跑通一次API调用。当你看到AI在终端里回复你的那一刻，你和大模型之间的"次元壁"就打破了。剩下的，就是把这把刀用在你的项目里。

---

结尾

各位小伙伴，本文的内容到这里就全部结束了，源码骑士在这里再次感谢您的阅读！

源码骑士 — Android Framework & 全栈开发

👀 关注：跟博主一起从源码视角深耕底层原理，见证每一次成长

❤️ 点赞：让优质内容被更多人看见，让知识传递更有力量

⭐ 收藏：把API调用的代码模板存好，下次直接复制用

💬 评论：你第一次调用大模型API时踩过什么坑？评论区一起聊聊

🔄 一键四连：不要忘记给博主"一键四连"哦！今日AI入门达成！

🗡️ 寄语：三行代码打开AI的大门——重要的是你跨进来的这一步。

结语：现在打开终端，pip install openai，把本文的三行代码跑一遍。看到AI回复你的那一刻，你就正式成为AI开发者了。不要忘记给博主"一键四连"哦！