OpenAI API从0到1基础调用实践

前言

了解了Agent和LLM的一些基础知识后，直接上python开始调API

代码实现

环境准备

先装好python，创建项目目录，安装必要库

bash 复制代码

pip install openai python-dotenv

配置API密钥

创建 .env 文件并添加API密钥：

env 复制代码

OPENAI_API_KEY=your_openai_api_key

获取 OpenAI API 密钥

打开OpenAI获取API密钥地址：platform.openai.com/api-keys

直接Google账号或者Microsoft账号登录OpenAI，然后完善一下基本资料，就能创建API密钥了

创建好以后，把key保存好，然后下一步，非常专业的操作，上来就付费，选择稍后再买

激活虚拟环境

bash 复制代码

# Linux/Mac
. venv/bin/activate

# Windows
venv\Scripts\activate

这一步是因为我用的 virtualenv 虚拟环境管理工具，系统全局 Python，直接使用即可

代码示例

官方Demo

创建 test_openai.py 文件，代码如下

python 复制代码

from openai import OpenAI

client = OpenAI(
  api_key="api-key" # 替换为你自己的API密钥
)

# 调用 OpenAI 的 responses.create 接口生成文本
# 参数说明：
#   model="gpt-5-nano"   - 指定使用的模型为 gpt-5-nano（轻量版）
#   input="write a haiku about ai" - 输入提示词，要求写一首关于 AI 的俳句
#   store=True           - 将本次请求及结果存储到后台，用于后续分析或优化
response = client.responses.create(
  model="gpt-5-nano",
  input="请创作一首关于AI的短诗",
  store=True,
)

print(response.output_text);

在终端中使用 python test_openai.py 命令运行文件，即可看到输出结果，如下效果则说明调用成功了

简单文本生成

将 test_openai.py 代码中的 api_key="api-key" 替换为 api_key=os.getenv("OPENAI_API_KEY")，并把 key 放到对应的 .env 文件中

python 复制代码

import os
from dotenv import load_dotenv
from openai import OpenAI

# 加载环境变量
load_dotenv()

# 初始化客户端
client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))

# 简单文本生成
response = client.chat.completions.create(
    model="gpt-5-nano",
    messages=[
        {"role": "system", "content": "你是一个友好的助手。"},
        {"role": "user", "content": "请解释什么是AI Agent。"}
    ]
)

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

同级目录下创建 .env 文件，内容如下

env 复制代码

OPENAI_API_KEY=your_openai_api_key

再次执行 test_openai.py 文件，即可看到输出结果，如下效果则说明调用成功了

上面通过调用 OpenAI 的 responses.create 接口生成文本已经知道了，下面看多轮对话的例子

多轮对话

多轮对话就是在一次对话中，用户和AI系统进行多次交互，就像我们日常用豆包之类的一样

还能定义角色，例如让 AI 专业导师，然后回答问题，代码示例如下

python 复制代码

import os 
from dotenv import load_dotenv 
from openai import OpenAI 

# 加载环境变量 
load_dotenv() 

# 初始化客户端 
client = OpenAI(api_key=os.getenv("OPENAI_API_KEY")) 

messages = [
    {"role": "system", "content": "你是一个专业的AI导师。"},
    {"role": "user", "content": "什么是大语言模型？"},
    {"role": "assistant", "content": "大语言模型是一种基于深度学习的人工智能模型，能够理解和生成人类语言..."},
    {"role": "user", "content": "它和传统NLP模型有什么区别？"}
]
response = client.chat.completions.create(
    model="gpt-5-nano",
    messages=messages
)

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

注意，message前三行是对话历史的一部分，用于构建多轮对话的上下文

再次运行后，会看到AI提供了继续的回答

分析图片

下面是一个分析图片的例子，图片地址为接了一个图上传到图床，图中是一只柴犬狗

python 复制代码

import os 
from dotenv import load_dotenv 
from openai import OpenAI 

# 加载环境变量 
load_dotenv() 

# 初始化客户端 
client = OpenAI(api_key=os.getenv("OPENAI_API_KEY")) 


from openai import OpenAI
client = OpenAI()

response = client.responses.create(
    model="gpt-5-nano",
    input=[
        {
            "role": "user",
            "content": [
                {
                    "type": "input_text",
                    "text": "这个图片中有什么?",
                },
                {
                    "type": "input_image",
                    "image_url": "https://raw.githubusercontent.com/gywgithub/image-bed/main/20260109204706397.png"
                }
            ]
        }
    ]
)

print(response.output_text)

图片效果

看看执行代码后的输出，分析的挺好，我就知道这图里面有只柴犬

小结

运行了三个简单的例子后，了解了API的基本调用方法和流程，后面将会继续学习如何用工具扩展模型能力，以及流式响应等等

欢迎留言交流，如果觉得有帮助，可以点个赞支持一下

公众号：草帽lufei