调用蓝耘Maas平台大模型API打造个人AI助理实战

池央2025-06-01 10:03

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。

也可以在体验中心，直接体验模型。

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：

python 复制代码 
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

python 复制代码 
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

python 复制代码 
 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。

python 复制代码 
 # 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

python 复制代码 
self.root.geometry("600x500")

用户输入区域（输入框+发送按钮）

python 复制代码 
# 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

python 复制代码 
def append_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

python 复制代码 
def send_message(self, event=None):
    user_message = self.user_input.get()
    if not 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。

python 复制代码 
import tkinter as tk
from tkinter import scrolledtext, messagebox
import requests
import threading

class AIChatApp:
    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。"
    
    def append_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)
    
    def send_message(self, event=None):
        user_message = self.user_input.get()
        if not 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()
    
    def get_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。

蓝耘平台注册链接奉上
https://cloud.lanyun.net//#/registerPage?promoterCode=0131

相关推荐
初恋叫萱萱7 分钟前
边缘计算场景下的大模型落地：基于 Cherry Studio 的 DeepSeek-R1-0528 本地部署
人工智能·边缘计算
蹦蹦跳跳真可爱58911 分钟前
Python----目标检测（《用于精确目标检测和语义分割的丰富特征层次结构》和R-CNN）
人工智能·python·深度学习·神经网络·目标检测·cnn
Steve lu37 分钟前
回归任务损失函数对比曲线
人工智能·pytorch·深度学习·神经网络·算法·回归·原力计划
UQI-LIUWJ44 分钟前
论文笔记：Towards Explainable Traffic Flow Prediction with Large Language Models
论文阅读·人工智能·语言模型
兔兔西1 小时前
【AI学习】检索增强生成（Retrieval Augmented Generation，RAG）
人工智能
#guiyin111 小时前
基于机器学习的心脏病预测模型构建与可解释性分析
人工智能·机器学习
IMA小队长2 小时前
06.概念二：神经网络
人工智能·深度学习·机器学习·transformer
罗西的思考2 小时前
探秘Transformer系列之（35）--- 大模型量化基础
人工智能·深度学习·机器学习
AI大模型系统化学习2 小时前
AI产品风向标：从「工具属性」到「认知引擎」的架构跃迁
大数据·人工智能·ai·架构·大模型·ai大模型·大模型学习
拾忆-eleven4 小时前
NLP学习路线图（十六）：N-gram模型
人工智能·学习·自然语言处理
热门推荐
01KGG转MP3工具|非KGM文件|解密音频02YOLOv8入门 | 重要性能衡量指标、训练结果评价及分析及影响mAP的因素【发论文关注的指标】03从零安装 LLaMA-Factory 微调 Qwen 大模型成功及所有的坑04【SpeedAI科研小助手】2分钟极速解决知网维普重复率、AIGC率过高，一键全文降！文件格式不变，公式都保留的！05DeepSeek各版本说明与优缺点分析06组基轨迹建模 GBTM的介绍与实现（Stata 或 R）07【2025年最新】OpenWrt 更换国内源的指南（图形界面版)08Coze扣子平台完整体验和实践（附国内和国际版对比）09VMware虚拟机安装Win7专业版保姆级教程（附镜像包）10Ubuntu24.04安装中文输入法