本次项目基于 Python 开发 AI 对话交互工具，封装旧式、新式两种大模型例子讲解调用逻辑，同时重点学习环境变量配置，解决密钥明文存储、读取报错等开发常见问题，完整覆盖库安装、代码封装、密钥安全管理、接口调用全流程。文中提及的大模型接口仅作为编程学习案例演示，全程无任何商业推荐、产品推广意图，不引导读者注册、充值及使用对应商用服务，所有实操内容仅用于 Python 接口开发、密钥安全管理的技术学习交流。

一、AI与大模型概念引入

        AI 全称人工智能（Artificial Intelligence），简单说：让机器模仿人类的思考、说话、识图、推理等能力，拥有类似人的智能。AI 能高效完成文字、代码类工作，降低开发门槛，辅助学习并可自动化批量处理任务。

        大模型是实现通用对话 AI 的主流技术，属于 AI 的细分领域；接下来我们项目用到的旧式、新式都属于大语言模型，无需自行训练，通过 Python 调用已有 API 即可实现智能问答交互。       

二、详细步骤讲解（仅教学）

1.进行注册（仅教学）

接口开发通用前置：开发者需在大模型开放平台完成账号实名（仅技术流程演示，不推荐具体平台）

新式:与上述相同，开发者需在大模型开放平台完成账号实名（仅技术流程演示，不推荐具体平台）

        此时，我们已经在平台有了账号，但是这并不意味着我们就可以直接获取大模型了，我们还需要创建应用来生成独一无二的鉴权信息，就相当于我们写python爬虫代码时的requests.get(url=,headers=h,data=)，每一部分都有它的用处，如果没有特别的信息用于区分，那平台甚至都不知道找谁扣除相应token了，步骤如下：

（1）我的应用,创建新应用，然后自行填写具体内容（仅教学）

（2）点击创建好的应用，查看自己的鉴权信息

     旧式：（三条内容都非常重要）

     新式：（一条内容，如今大多使用的都是这种）非常重要！非常重要！如下图时一定要将密钥复制下来保存到自己的备忘录    

2.自行选择大模型

（1）点击进入控制台

（2）自行选择大模型并获取token（仅教学，本例用Spark Pro演示）（注意：一定要选择刚才你创建好的应用）

        到此为止，我们的基础操作都已经完成了，接下来就是如何引用已有的大模型啦~

（3）使用大模型前必找

        ①查看官方文档：与爬虫一致，要知道某个库的方法就必须去看官方文档中的内容，了解它都能干什么，具体看下图

（讯飞星火中有许多文档，我们看Websocket的，这个在官方中比较常用）：

（Kimi看最上部导航栏附件的文档）

      ②文档内容讲解

          1.基础设置层面 ：我只有一点要说，其他自行看即可

                1.包含接口的输入和输出内容：也就是说我们问的问题以及AI解答的部分都计入了token,像一些深度思考什么的也包含在内，这一点需要注意!

         

        2.请求地址及参数部分等：旧式：有多个请求地址，注意修改与自己的大模型对应的地址等（本文使用Pro）

（4）大模型框架

        旧式：有两种方法（着重讲解SDK）

        ①接口请求：较为繁琐，参数否存多且书写麻烦，不容一点错误（感兴趣的可自行看文档或者在评论区评论，我看见后会回复）

        ② Python SDK 调用示例：框架在文档中已经明确给出，只需修改一小部分内容即可（下述代码注释）

           1.记得关注文档的每一步，这里需要安装PyPI上的包，在python环境中执行命令

pip install --upgrade spark_ai_python

from sparkai.llm.llm import ChatSparkLLM, ChunkPrintHandler
from sparkai.core.messages import ChatMessage

SPARKAI_URL = 'wss://spark-api.xf-yun.com/v3.5/chat'     #必须修改为自己使用的大模型的url
SPARKAI_APP_ID = ''            #鉴权信息内容，修改为自己的信息
SPARKAI_API_SECRET = ''        #鉴权信息内容，修改为自己的信息
SPARKAI_API_KEY = ''           #鉴权信息内容，修改为自己的信息
SPARKAI_DOMAIN = 'generalv3.5'    #domain参数，需要修改为自己当前大模型的参数

if __name__ == '__main__':
    spark = ChatSparkLLM(
        spark_api_url=SPARKAI_URL,
        spark_app_id=SPARKAI_APP_ID,
        spark_api_key=SPARKAI_API_KEY,
        spark_api_secret=SPARKAI_API_SECRET,
        spark_llm_domain=SPARKAI_DOMAIN,
        streaming=False,
    )
    messages = [ChatMessage(
        role="user",
        content='你好呀'    #我们向AI发送的问题，可以修改
    )]
    handler = ChunkPrintHandler()
    a = spark.generate([messages], callbacks=[handler])
    print(a)

新式大模型:也是看文档中内容（本文用Python）：

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["MOONSHOT_API_KEY"],       #修改为自己的密钥
    base_url="https://api.moonshot.cn/v1",        
)

completion = client.chat.completions.create(
    model="kimi-k2.7-code",
    messages=[
        {"role": "system", "content": "你是 Kimi，由 Moonshot AI 提供的人工智能助手，你更擅长中文和英文的对话。你会为用户提供安全，有帮助，准确的回答。同时，你会拒绝一切涉及恐怖主义，种族歧视，黄色暴力等问题的回答。Moonshot AI 为专有名词，不可翻译成其他语言。"},
        {"role": "user", "content": "你好，我叫李雷，1+1等于多少？"}    #可修改问题
    ]
)

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

（5）在pycharm中编写完整详细代码并使用（注意注释）

from sparkai.llm.llm import ChatSparkLLM, ChunkPrintHandler   #文档中给出
from sparkai.core.messages import ChatMessage    #文档中给出
import os    #文档中给出
from openai import OpenAI    #文档中给出
class LlmChat:
    def __init__(self):
        #讯飞星火 鉴权信息 
        #系统环境变量，默认值（若环境变量没有该值便使用默认值）
        self.sparkai_url=os.getenv('sparkai_url','wss://spark-api.xf-yun.com/v3.1/chat') 
        self.sparkai_domain='generalv3'    #在文档中找到对于的domain
        #从电脑系统环境变量里读取
        self.sparkai_app_id=os.getenv('sparkai_app_id')    #使用环境变量
        self.sparkai_app_secret=os.getenv('sparkai_app_secret')    #使用环境变量
        self.sparkai_app_key=os.getenv('sparkai_app_key')    #使用环境变量
        #Kimi 鉴权信息
        self.moonshot_api_key=os.getenv('moonshot_api_key')    #使用环境变量
        self.moonshot_base_url="https://api.moonshot.cn/v1"
        pass
    def spark_chat(self,prompt):            #prompt可让问题变得流动，不再单一固定
        #初始化平台，拿到大模型
        spark_model = ChatSparkLLM(
            spark_api_url=self.sparkai_url,
            spark_app_id=self.sparkai_app_id,
            spark_api_key=self.sparkai_app_key,
            spark_api_secret=self.sparkai_app_secret,
            spark_llm_domain=self.sparkai_domain,
            streaming=False,
        )
        #组装用户问题
        messages = [ChatMessage(
            role="user",
            content=prompt    #将prompt作为所要询问的内容
        )]
        #调用的模型回答问题
        handler = ChunkPrintHandler()
        answer = spark_model.generate([messages], callbacks=[handler])
        return answer.generations[0][0].text
        pass
    def kimi_chat(self,prompt):
        #获得OpenAi
        client = OpenAI(
            api_key=self.moonshot_api_key,
            base_url=self.moonshot_base_url,
        )
        # 初始化大模型，拿到大模型
        completion = client.chat.completions.create(
            model="kimi-k2.7-code",
            messages=[
                {"role": "system",
                 "content": "你是 Kimi，由 Moonshot AI 提供的人工智能助手，你更擅长中文和英文的对话。你会为用户提供安全，有帮助，准确的回答。同时，你会拒绝一切涉及恐怖主义，种族歧视，黄色暴力等问题的回答。Moonshot AI 为专有名词，不可翻译成其他语言。"},
                {"role": "user", "content": prompt}
            ]
        )
        #调用模型回答问题
        return completion.choices[0].message.content

        pass
if __name__ == '__main__':
    llmChat=LlmChat()
    question="1+1"
    res=llmChat.spark_chat(prompt=question)
    print(f"讯飞星火的回答：{res}")
    res2=llmChat.kimi_chat(prompt=question)
    print(f"kimi的回答：{res2}")

结果：

(6)系统环境变量配置

        1.搜索：在搜索栏搜索：编辑系统环境变量

        2.点击进入，高级，环境变量（N.....），上半部分点击新建，填写变量名变量名点击确定

        3.在写代码中使用os.getenv()调用当前系统环境变量（原因：将密码写在代码里非常不安全，若别人需要该代码你给他发过去了，那么他运行的就会使用你的token,所有我们必须要学会使用系统环境变量，该变量仅存在于我们自己的电脑上，不存在泄露问题）

3.总结

        本次 Python 对接 AI 交互程序的学习实践，我们从人工智能与大模型的基础概念展开，对比了从零自研模型和调用通用开放接口两种开发路径的成本差异，以两类主流接口作为实操案例，完整走完查阅技术文档、SDK 代码调用、功能封装、系统环境变量配置的全流程。 借助环境变量隔离密钥的实操练习，我们掌握了接口开发里凭证信息的安全防护方法，也理清了依托成熟大模型能力快速开发简易对话程序的实现思路。大家有问题可以评论留言~。