环境准备：让 Python ready for AI
在动手写代码之前，我们需要先搭好"舞台"。对于零基础的朋友来说，这一步其实非常简单，只需要确保你的电脑里安装了 Python，并准备好两个关键的"工具包"。
首先，请确认你已安装 Python 3.8 或更高版本。安装时务必勾选"Add Python to PATH"，这样才能在命令行中直接调用它。安装完成后，打开终端（Windows 下是 cmd 或 PowerShell，Mac 下是终端），输入 python --version，如果能看到版本号，说明基础环境没问题。
接下来，我们需要安装两个核心库：
requests：它是 Python 中的"快递员"，负责向大模型 API 发送请求并取回结果。python-dotenv：它是你的"保险箱"，用来安全地存储 API 密钥，避免将其硬编码在代码中泄露。
在终端中执行以下命令即可一键安装：
bash
pip install requests python-dotenv配置密钥：拿到通往 AI 世界的"钥匙"
要调用大模型，你需要一把"钥匙"，也就是 API Key。这就好比你要使用外卖服务，必须先注册账号并获取令牌。
目前市面上有许多大模型提供商（如 OpenAI、月之暗面、阿里云等），注册流程大同小异。以通用的流程为例：
- 登录大模型平台的控制台。
- 找到"API Keys"管理页面，点击创建新的密钥。
- 复制生成的密钥（通常是一串长字符，如
sk-...）。
重要提示 ：千万不要把这串字符直接写在代码文件里上传到 GitHub 或其他公开平台！最安全的做法是创建一个名为 .env 的文件，放在你的项目文件夹根目录下，内容如下：
text
OPENAI_API_KEY=sk-你的真实密钥在这里这样，我们的代码就可以通过读取这个文件来获取密钥，既方便又安全。
核心实战：5 分钟构建自动诗歌生成器
环境就绪，密钥在手，现在我们来完成今天的核心任务：编写一个能根据主题自动生成五言绝句的 Python 脚本。我们将把这个文件命名为 poem_generator.py。
1. 导入模块与加载配置
首先，我们需要告诉 Python 要用哪些工具，并把刚才存好的密钥读出来。
python
import os
import requests
from dotenv import load_dotenv
# 加载 .env 文件中的环境变量
load_dotenv()
# 获取 API 密钥
api_key = os.getenv("OPENAI_API_KEY")
if not api_key:
raise ValueError("未找到 API 密钥，请检查 .env 文件配置")这段代码做了两件事：一是引入必要的库，二是从环境变量中安全地提取密钥。如果没找到密钥，程序会立即报错提醒，避免后续无效运行。
2. 构造 Prompt：给 AI 下达精准指令
与大模型交互的核心在于 Prompt（提示词）。你可以把它理解为给 AI 的"任务说明书"。说明书写得越清晰，AI 生成的内容就越符合预期。
针对"写一首五言绝句"的需求，我们可以这样设计 Prompt：
python
def build_prompt(topic):
return f"""
你是一位精通中国古典文学的诗人，擅长创作五言绝句。
请以"{topic}"为主题，创作一首诗。
要求：
1. 严格遵循五言绝句格式（四句，每句五个字）。
2. 押韵自然，意境优美。
3. 只输出诗歌内容，不要包含标题或额外解释。
"""这里我们运用了几个技巧：角色设定 （精通古典文学的诗人）、具体约束 （五言、押韵、无废话）以及变量插入 （ {topic}）。这种结构能让大模型迅速进入状态，输出高质量内容。
3. 发送请求与解析响应
这是整个流程中最具技术含量的部分。我们需要使用 requests 库向 API 接口发送 HTTP POST 请求，并将用户的 Prompt 包装成 JSON 格式。
python
def generate_poem(topic):
url = "https://api.openai.com/v1/chat/completions" # 此处以通用接口为例，不同厂商地址可能不同
headers = {
"Authorization": f"Bearer {api_key}",
"Content-Type": "application/json"
}
payload = {
"model": "gpt-3.5-turbo", # 选择模型，也可替换为其他兼容模型
"messages": [
{"role": "user", "content": build_prompt(topic)}
],
"temperature": 0.7 # 控制创造性，0.7 是一个平衡点
}
try:
response = requests.post(url, headers=headers, json=payload, timeout=10)
response.raise_for_status() # 如果状态码不是 200，抛出异常
# 解析 JSON 响应
result = response.json()
poem_content = result["choices"][0]["message"]["content"]
return poem_content.strip()
except requests.exceptions.RequestException as e:
return f"请求失败：{e}"这段代码逻辑非常清晰：
- 构建请求头：带上身份认证信息。
- 构建载荷（Payload） ：指定模型、传入消息列表。注意
messages是一个列表，即使只有单轮对话也要遵循此格式。 - 发送与处理 ：使用
post方法发送请求，并用raise_for_status()确保网络通畅。 - 提取数据 ：大模型返回的是复杂的 JSON 对象，我们需要层层深入，找到
choices->message->content这条路径，那里才是我们要的诗句。
4. 运行与测试
最后，我们把所有部分组装起来，添加一个简单的用户交互入口：
python
if __name__ == "__main__":
print("🤖 欢迎使用 AI 诗歌生成器！")
user_topic = input("请输入一个主题（例如：春天、月亮、离别）：")
if user_topic:
print("\n正在构思诗句...\n")
poem = generate_poem(user_topic)
print(f"【{user_topic}】\n{poem}")
else:
print("未输入主题，程序退出。")保存文件后，在终端运行 python poem_generator.py。当你输入"春天"时，几秒内你就能看到类似这样的输出：
春晨晓露润桃枝，
燕语莺啼入画池。
最是一年好光景，
东风拂柳惹相思。
理解背后的工作流
通过这个小小的诗歌生成器，你已经掌握了 AI 原生应用开发的最基本范式：输入 -> 构造 Prompt -> 调用 API -> 解析 JSON -> 输出。
在这个过程中，Python 扮演了"胶水语言"的角色，它不需要懂如何写诗，只需要负责把用户的需求翻译成大模型能听懂的指令，然后把大模型的回复整理好展示给用户。requests 库处理了复杂的网络通信细节，而 JSON 格式则确保了数据交换的标准化。
对于初学者而言，不必一开始就纠结于深度学习算法的原理或神经网络的架构。利用现有的大模型 API，结合简单的 Python 脚本，就能快速构建出具有实际价值的应用。无论是写诗、生成文案，还是未来的多轮对话机器人，其核心逻辑都是一脉相承的。现在，你可以尝试修改 Prompt 中的要求，比如让 AI 写一首"现代诗"或者"藏头诗"，看看会发生什么有趣的变化。