准备工作
你已经有一个可用的 API 地址（Base URL），例如 http://你的服务器地址:端口/v1 或 https://你的域名/v1
你已经有一个有效的 API Key（例如 sk-xxxxxx）
Windows 系统，已安装 PyCharm（Community 或 Professional 均可）
电脑能正常访问该 API 地址（如果是内网地址，确保网络连通）
📁 第一步：在 PyCharm 中创建新项目
打开 PyCharm，点击 New Project。
设置项目存放路径（例如 D:\MyOpenAIProject）。
关键：在 Base interpreter 处，选择 New environment using Virtualenv，PyCharm 会自动创建一个独立的虚拟环境（推荐，避免污染全局 Python）。
点击 Create。
📦 第二步：安装 OpenAI 官方 SDK
在 PyCharm 中打开终端（Terminal）：
方法：点击底部工具栏的 Terminal 标签，或使用快捷键 Alt + F12。
在终端中输入以下命令并回车：
bash
pip install openai
等待安装完成。如果网速慢，可以使用国内镜像：
bash
pip install openai -i https://pypi.tuna.tsinghua.edu.cn/simple
🔑 第三步：配置 API Key 和 Base URL（三种方式任选）
因为你的接口地址是自定义的（非官方 OpenAI），所以需要在代码中同时设置 base_url 和 api_key。为了避免把敏感信息写死在代码里，推荐使用环境变量或 PyCharm 运行配置。
方式 A：在 PyCharm 运行配置中设置（最推荐，临时有效，方便调试）
在 PyCharm 顶部菜单栏，点击 Run → Edit Configurations。
点击左上角的 + 号，选择 Python。
在 Name 处输入一个名字，例如 OpenAITest。
在 Script path 中选择你将要运行的 Python 文件（可以先写个临时文件，如 test.py）。
在 Environment variables 区域，点击文件夹图标或直接输入：
text
OPENAI_API_KEY=你的真实Key;OPENAI_BASE_URL=你的API地址（例如http://127.0.0.1:8080/v1）
注意：
多个变量用分号 ; 隔开
地址一般以 /v1 结尾（除非接口特殊）
点击 OK 保存。
方式 B：在代码中直接写死（仅测试用，切勿提交到 Git）
在 Python 文件里直接赋值：
python
API_KEY = "sk-xxxxxx"
BASE_URL = "http://你的地址/v1"
方式 C：使用 .env 文件（更规范）
在项目根目录创建 .env 文件，内容：
text
OPENAI_API_KEY=sk-xxxxxx
OPENAI_BASE_URL=http://你的地址/v1
安装 python-dotenv 库：pip install python-dotenv
在代码中加载：
python
from dotenv import load_dotenv
load_dotenv()
✍️ 第四步：编写调用代码（生成代码示例）
在 PyCharm 中新建一个 Python 文件，例如 code_assistant.py，输入以下内容：
python
import os
from openai import OpenAI
如果使用方式A（环境变量），则无需额外处理，直接读取
如果使用方式B，则手动赋值覆盖
如果使用方式C，需要 load_dotenv()
读取环境变量
api_key = os.getenv("OPENAI_API_KEY")
base_url = os.getenv("OPENAI_BASE_URL")
如果上面读取不到，可以在这里手动指定（仅测试用）
if not api_key:
api_key = "sk-xxxxxx"
if not base_url:
base_url = "http://你的地址/v1"
初始化 OpenAI 客户端
client = OpenAI(
api_key=api_key,
base_url=base_url
)
定义一个函数，让 AI 帮你写代码
def ask_for_code(prompt):
try:
response = client.chat.completions.create(
model="gpt-4o", # 替换成你接口实际支持的模型名，比如 gpt-3.5-turbo
messages=[
{"role": "system", "content": "你是一个经验丰富的编程助手，只输出代码和必要的注释，不要多余的解释。"},
{"role": "user", "content": prompt}
],
temperature=0.2,
max_tokens=1000
)
return response.choices0.message.content
except Exception as e:
return f"调用失败：{e}"
if name == "main ":
示例：让 AI 写一个快速排序的 Python 函数
user_prompt = "用 Python 写一个快速排序函数，输入列表，返回排序后的新列表。"
print("正在请求 AI 生成代码...\n")
code = ask_for_code(user_prompt)
print("生成的代码如下：\n")
print(code)
注意：model 参数必须填写你接口实际支持的模型名称（例如 gpt-3.5-turbo、gpt-4 或你自定义的模型名）。如果不确定，可以问接口提供方，或者尝试常用的名字。
▶️ 第五步：运行代码
确保你已经按照 方式A 配置好了运行环境变量，或者在代码中直接赋值了 key 和 base_url。
右键点击编辑器中的代码，选择 Run 'code_assistant'。
观察 PyCharm 下方的 Run 窗口输出。如果一切正常，你会看到 AI 返回的快速排序代码。
🔍 第六步：验证和调试
如果报错连接错误：检查 base_url 是否正确，地址前是否有 http:// 或 https://，末尾是否包含 /v1。可以在浏览器中访问 你的地址/v1/models 看看是否有返回（可能需要带上 Authorization Header）。
如果报错 401 Unauthorized：API Key 错误或无效。
如果报错 404 Not Found：base_url 路径不对，或者模型名称错误。
如果报错 SSL 证书问题：如果是自签名证书，可以在初始化 client 时加上 http_client=httpx.Client(verify=False)，但仅限测试环境。
💡 进阶用法：让 AI 帮你修改当前编辑的代码
你可以在 PyCharm 中结合 选中代码 + 调用 API 的方式实现类似 Copilot 的效果。例如写一个函数，读取当前选中的文本，发给 AI 让它优化或解释。
更简单的方法是：你只需要把上面的 ask_for_code 函数稍作修改，然后把你的问题（比如"解释下面这段代码的作用"）和代码片段一起发给 AI，就能得到回答。
📌 总结
在 Windows + PyCharm 中使用自定义 OpenAI 接口的完整流程：
创建项目 + 虚拟环境
安装 openai 库
通过 PyCharm 运行配置设置环境变量 OPENAI_API_KEY 和 OPENAI_BASE_URL
编写代码，使用 OpenAI(api_key=..., base_url=...) 初始化客户端
调用 client.chat.completions.create，指定模型和消息
运行并获取 AI 生成的代码
这样你就可以在 PyCharm 里直接利用手头的 API 来辅助编写代码了。如果遇到具体报错，欢迎继续追问。
！！！注意：
正在请求 AI 生成代码...
生成的代码如下：
调用失败：Error code: 404 - {'detail': 'Not Found'}
Process finished with exit code 0
解决方法：
第一步：确认正确的 BASE_URL
OpenAI SDK 默认会在你给的 base_url 后面追加 /chat/completions 这样的路径。
如果你的接口地址是像 http://your-server:8080 这样的根路径，那么 SDK 实际请求的地址会变成 http://your-server:8080/chat/completions，但标准 OpenAI 兼容接口通常期望的是 http://your-server:8080/v1/chat/completions。
✅ 正确的 base_url 写法
正确（推荐）：http://你的地址/v1 （结尾包含 /v1）
不正确：http://你的地址 （缺少 /v1）
不正确：http://你的地址/ （末尾斜杠也不够）
请检查你的 BASE_URL 是否以 /v1 结尾，如果不是，请加上。例如：
python
BASE_URL = "http://192.168.1.100:8000/v1"
如果你不确定接口的正确路径，可以尝试用浏览器或 curl 访问：http://你的地址/v1/models 看看是否有返回（通常需要带 API Key Header）。
🔍 第二步：确认正确的模型名称
即使 base_url 正确，如果 model 名称填错了，服务器也会返回 404 或 400 错误（有些实现会返回 404）。
你需要向接口提供方问清楚可用的模型名称，常见的例如：
gpt-3.5-turbo
gpt-4
gpt-4o
deepseek-chat
llama3-70b
或者自定义的名字
测试模型列表的方法（可选）：写一段简单的 Python 代码，调用 /models 接口：
python
import requests
BASE_URL = "http://你的地址/v1" # 注意 /v1
API_KEY = "你的key"
headers = {
"Authorization": f"Bearer {API_KEY}"
}
response = requests.get(f"{BASE_URL}/models", headers=headers)
print(response.status_code)
print(response.json())
如果返回 200 且包含 data 列表，你就能看到所有可用的模型名。