在 AI 大模型时代，直接调用成熟的大模型 API 是快速实现 AI 功能的最佳方式。本文将以 DeepSeek 和阿里云通义千问为例，详细介绍如何获取 API 密钥并通过代码调用大模型，即使是编程新手也能轻松上手。

一、什么是 API 密钥？为什么需要它？

API 密钥（API Key）是你访问大模型服务的 "身份证"，它用于验证你的身份和权限，确保只有授权用户才能使用相关服务。每个平台的 API 密钥都是独一无二的，需要妥善保管，避免泄露。

不同平台的 API 调用方式略有差异，但核心流程一致：获取密钥→配置客户端→发送请求→处理响应。下面我们分别介绍 DeepSeek 和阿里云通义千问的密钥获取方法和调用示例。

二、获取 API 密钥的详细步骤

1、获取deepseek秘钥

这里要注意的是deepseek需要付费才能调用API-key，但是10块钱就能用很久，完全够我们学习使用。以下就是网址：

网址：DeepSeek | 深度求索

①进入API开发平台

②然后注册登录账号：这里没有展示

③创建API-key

④复制秘钥 

这里需要特别注意，一点要复制API-key，后续会用到，只会出现一次！！！

 

2、获取前问秘钥

前问好的是可以免费使用半年，但是一定要去领取，以下就是前问的网址：

阿里云-计算，为了无法计算的价值

①登录注册

②进入大模型服务

 

③进入API-key

 

④创建和复制API-key

前问的API-key可以查看多次，但是建议大家把对应的API-key都建一个txt文件保存，使用的时候打开文件直接用就好了，没有那么麻烦。

 

三、代码实现：调用 DeepSeek 大模型

下面是调用 DeepSeek 大模型的完整代码示例：

# 导入OpenAI模块，用于调用OpenAI的API
from openai import OpenAI

# 使用指定的API密钥和基础URL创建OpenAI客户端实例
client = OpenAI(
    # api_key:这是用于身份验证的 API 密钥。您需要使用有效的 API 密钥来向 DeepSeek 的 API 进行身份验证，以调用其服务。
    #  base_url:这是 DeepSeek API 的基础 URL。OpenAI 客户端将使用此 URL 来发送请求到 DeepSeek 的服务器。
    api_key="替换成你自己的秘钥", base_url='https://api.deepseek.com/v1'
)

# 调用OpenAI的聊天完成接口
response = client.chat.completions.create(
    model="deepseek-chat",  # 指定使用的模型名称
    messages=[  # 定义消息列表，包含系统角色和用户角色的消息
        {"role": "system", "content": "我司AI智能助手，有什么需要帮助的吗？"},  # 系统角色消息
        {"role": "user", "content": "什么是fastAPI"},  # 用户角色消息
    ],
    stream=False  # 设置非流式响应，回答的结果一次性输出
    # stream=True  # 设置流式响应，回答的一段一段输出

)

# 非流式输出
print(response.choices[0].message.content)
# 流式输出
# for chunk in response:
#     print(chunk.choices[0].delta.content, end="", flush=True)

 运行结果：

 

代码说明：

• model参数指定要使用的模型，不同平台有不同的模型列表
• messages参数是对话历史，包含系统提示和用户消息
• stream=False表示一次性获取完整响应，适合简单问答场景

四、代码实现：调用阿里云通义千问

阿里云通义千问的调用方式类似，但需要注意基础地址和模型名称的差异：

import os
from openai import OpenAI
from dotenv import load_dotenv

# 加载环境变量（推荐方式）
load_dotenv()

client = OpenAI(
    api_key=os.getenv("Qwen_API_KEY"),  # 从环境变量获取密钥，防止API-key的泄露
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)

# 调用通义千问
completion = client.chat.completions.create(
    model="qwen-plus",  # 通义千问的模型名称
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "阿里云公司的简介"}
    ],
    stream=True,  # 流式输出，适合长文本响应
    extra_body={"enable_thinking": False}  # 控制思考过程
)

# 非流式输出
# print(completion.choices[0].message.content)
# 流式输出
for chunk in completion:
    print(chunk.choices[0].delta.content, end="", flush=True)

运行结果：

环境变量配置方法：

1. 在项目根目录创建.env文件
2. 在文件中添加如下内容：

Qwen_API_KEY="你的阿里云API密钥"

五、流式输出 vs 非流式输出：该怎么选？

代码中我们看到有stream=True和stream=False两种设置，它们的区别如下：

• 非流式输出（stream=False）：

  • 优点：一次获取完整结果，处理简单
  • 缺点：等待时间长，不适合长文本生成
  • 适用场景：短问答、快速查询

• 流式输出（stream=True）：

  • 优点：像聊天一样逐字显示结果，用户体验好
  • 缺点：需要循环处理结果，代码稍复杂
  • 适用场景：对话机器人、长文本生成

六、常见问题与解决方法

1. API 密钥无效：检查密钥是否输入正确，是否过期（部分平台密钥有有效期）
2. 连接超时：检查网络连接，确认 base_url 是否正确
3. 权限不足：某些模型可能需要单独申请使用权限
4. 密钥泄露风险：永远不要在代码中硬编码密钥，使用环境变量或配置文件管理