从 List 切片到 LLM 调用：一篇搞定 Python 基础与 AI 接口

前言

这篇文章不是纯粹的 Python 教程，也不是单纯的大模型 API 调用示范。

我会把 Python List 的实用技巧 、阿里 ModelScope 开源社区 、Transformer 架构背景 以及 LLM Completion 接口的真实代码 串在一起，最后用一个"为充气青蛙生成亚马逊英文文案"的例子收尾。

适合想快速上手大模型应用，又不想丢掉 Python 基础的同学。

1. Python List：比 Array 灵活得多

在 Python 中，我们很少用 array 模块，而是直接用 List：

不用提前指定容量 ，可以随意 append / pop
不要求元素类型一致 ：[1, "hello", [2, 3]] 完全合法
和 JavaScript 的 Array 很像（JS 确实借鉴了 Python）

但注意：JS 主要适合页面交互，只有 Number 类型；Python 更适合数据分析、爬虫、机器学习，有更丰富的数值类型。

切片（Slice）------ 简化取子集

python

ini 复制代码

lst = [0, 1, 2, 3, 4, 5]
sub = lst[1:4]   # [1, 2, 3]
# 格式 [start:stop:step]

切片让取前 N 个、后 N 个、每隔一个取一个变得异常简单，这也是 Python 代码简洁的原因之一。

2. 阿里 ModelScope：开源模型社区

Model = 模型，Scope = 空间
阿里云推出的开源模型平台，类似 Hugging Face
提供预训练模型 + 数据集（datasets），非常适合做 NLP 实验

ModelScope 也内置了对 OpenAI API 风格的支持，但今天我们直接调用 DeepSeek 的接口。

3. Transformer：LLM 的基石

Google 开源的 Transformer 架构 是 2022 年底生成式 AI 浪潮的绝对标准
OpenAI、DeepSeek、Gemini、Claude 都基于或受其启发
我们下面要调用的 deepseek-chat 模型，背后就是 Transformer 的变体

4. LLM 接口与 Completion

OpenAI 的接口格式成为事实标准，DeepSeek 完全兼容
Gemini （Google）、Claude（Anthropic）稍有不同
Completion 接口：传入 Prompt，模型返回补全内容

5. Prompt 设计原则

为了让大模型输出可直接用于程序处理，Prompt 要满足：

清晰且详细：例如不要只说"写个标题"，而是"为亚马逊写一个 20 个单词左右的英文标题"
分步骤：用 1、2、3 列出任务
约束输出格式：明确要求 JSON，并指定字段名

6. 完整代码示例：为"充气发光青蛙"生成亚马逊文案

代码

python

ini 复制代码

from openai import OpenAI

# Python 不需要 new，直接调用构造函数实例化
client = OpenAI(
    api_key="your-deepseek-api-key",   # 替换成你自己的 key
    base_url="https://api.deepseek.com/v1"
)

COMPLETION_MODEL = "deepseek-chat"

prompt = """
Consideration product: 工厂现货PVC充气青蛙夜市地摊热卖充气玩具发光蛙儿童水上玩具
1. Compose human readable product title used on Amazon in english with 20 words.
2. Write 5 selling points for the products in Amazon
3. Evaluate a price range for this product in U.S.

Output the result in json format with three properties called title, selling_point and price_range
"""

def get_response(prompt):
    response = client.chat.completions.create(
        model=COMPLETION_MODEL,
        messages=[{"role": "user", "content": prompt}]
    )
    return response.choices[0].message.content

print(get_response(prompt))

实际返回的 JSON

json

bash 复制代码

{
  "title": "Factory Stock PVC Inflatable Frog Toy, Glowing Night Market Bestseller, Fun Water Play for Kids with LED Lights",
  "selling_point": [
    "Eye-catching glowing design with built-in LED lights, perfect for nighttime fun and夜市 attractions.",
    "Made from durable PVC material, safe and non-toxic for kids, suitable for both water and land play.",
    "Easy to inflate and deflate, compact for storage and portability, ideal for beach, pool, or backyard.",
    "Lightweight and buoyant, great as a floating toy for children's water activities and pool parties.",
    "High demand novelty toy for夜市 stalls and events, proven bestseller with attractive profit margins."
  ],
  "price_range": "$5.99 - $12.99"
}

7. 这段代码能做什么？

跨境电商：批量生成亚马逊产品文案（标题、卖点、定价）
数据分析 ：将返回的 JSON 直接转为 Python dict 或 Pandas DataFrame
Prompt 实验：对比不同 Prompt 下模型输出的价格是否合理

结语

从 Python 的 List 切片，到阿里 ModelScope 社区，再到 Transformer 架构与 LLM 接口调用，最后用几十行代码为一只充气青蛙生成地道的亚马逊文案 ------ 这些知识点环环相扣。

希望这篇笔记能帮你快速上手大模型应用开发。

如果你也在掘金上分享技术笔记，欢迎在评论区聊聊你的 Prompt 优化心得 🐸