Python 调用大模型 API：从第一个 ChatGPT 程序开始

网罗开发 （小红书、快手、视频号同名）

大家好，我是展菲，目前在上市企业从事人工智能项目研发管理工作，平时热衷于分享各种编程领域的软硬技能知识以及前沿技术，包括iOS、前端、Harmony OS、Java、Python等方向。在移动端开发、鸿蒙开发、物联网、嵌入式、云原生、开源等领域有深厚造诣。

图书作者：《ESP32-C3 物联网工程开发实战》
图书作者：《SwiftUI 入门，进阶与实战》
超级个体：COC上海社区主理人
特约讲师：大学讲师，谷歌亚马逊分享嘉宾
科技博主：华为HDE/HDG

我的博客内容涵盖广泛，主要分享技术教程、Bug解决方案、开发工具使用、前沿科技资讯、产品评测与使用体验 。我特别关注云服务产品评测、AI 产品对比、开发板性能测试以及技术报告，同时也会提供产品优缺点分析、横向对比，并分享技术沙龙与行业大会的参会体验。我的目标是为读者提供有深度、有实用价值的技术洞察与分析。

展菲：您的前沿技术领航员

👋 大家好，我是展菲！

📱 全网搜索"展菲"，即可纵览我在各大平台的知识足迹。

每周定时推送干货满满的技术长文，从新兴框架的剖析到运维实战的复盘，助您技术进阶之路畅通无阻。

文章目录

- 引言
- [一、为什么 AI 开发一定要学 API？](#一、为什么 AI 开发一定要学 API？)
- 二、第一次调用大模型，其实只需要几行代码
- 三、这几行代码到底做了什么？
- - [1. 导入 SDK](#1. 导入 SDK)
  - [2. 创建客户端](#2. 创建客户端)
  - [3. 创建模型响应](#3. 创建模型响应)
  - [4. 获取模型文本](#4. 获取模型文本)
- [四、API Key 到底是什么？](#四、API Key 到底是什么？)
- 五、正确做法：使用环境变量
- - [Python 调用大模型完整流程](#Python 调用大模型完整流程)
- [六、不要把 API 调用理解得太复杂](#六、不要把 API 调用理解得太复杂)
- [七、给 AI 设置角色](#七、给 AI 设置角色)
- [八、从一个问题变成一个 AI 助手](#八、从一个问题变成一个 AI 助手)
- [九、为什么 AI 应用最终都会变成这个结构？](#九、为什么 AI 应用最终都会变成这个结构？)
- [十、AI API 不只是聊天](#十、AI API 不只是聊天)
- - [从 ChatBot 到 Agent 的技术演进](#从 ChatBot 到 Agent 的技术演进)
- [十一、为什么推荐先学 API，而不是直接学 Agent？](#十一、为什么推荐先学 API，而不是直接学 Agent？)
- [十二、进一步理解：AI API 本质上是什么？](#十二、进一步理解：AI API 本质上是什么？)
- 十三、从今天开始，你真正拥有了什么能力？
- - [AI 应用开发学习路线](#AI 应用开发学习路线)
- 十四、总结

引言

很多初学者第一次接触 AI 开发时，都会觉得大模型特别复杂：

text 复制代码

Transformer
Attention
Token
Embedding
RAG
Agent
Vector Database

一大堆概念扑面而来，但如果只是想让自己的 Python 程序调用一次大模型，其实根本没有那么复杂。

最基本的流程只有：

text 复制代码

Python
   ↓
API
   ↓
大模型
   ↓
返回结果
   ↓
Python

今天我们就不讲复杂理论，直接从第一个 AI 程序开始。

一、为什么 AI 开发一定要学 API？

先思考一个问题，我们平时使用 ChatGPT，是怎么和 AI 交流的？

text 复制代码

用户
 ↓
ChatGPT
 ↓
大模型
 ↓
回答

但是程序不一样，程序不会像人一样打开网页，然后输入：

帮我写一个 Python 函数。

程序需要通过 API 与模型进行通信。

于是流程变成：

text 复制代码

Python 程序
      ↓
HTTP / SDK
      ↓
AI API
      ↓
大模型
      ↓
Response
      ↓
Python 程序

这就是 AI 应用开发最基础的一层。

换句话说：

API 是你的 Python 程序进入大模型世界的入口。

以后你学习：

ChatBot
RAG
Agent
MCP
AI 自动化
AI 编程助手

底层都绕不开 API 调用。

二、第一次调用大模型，其实只需要几行代码

现在我们直接写第一个程序，首先安装 OpenAI 官方 Python SDK：

bash 复制代码

pip install openai

官方 Python SDK 可以直接通过 PyPI 安装，并支持 Python 3.9+。

然后创建一个 Python 文件：

text 复制代码

hello_ai.py

写入：

python 复制代码

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.5",
    input="你好，请用一句话介绍 Python。"
)

print(response.output_text)

运行：

bash 复制代码

python hello_ai.py

如果 API Key、网络和账户配置都正常，你就会得到模型返回的文本。

是不是突然感觉：

原来调用大模型这么简单？

没错。真正复杂的地方，并不是"让模型回答一句话"，而是后面如何把模型接入真实业务。

三、这几行代码到底做了什么？

虽然代码只有几行，但里面其实包含了 AI 应用最基本的几个概念。

我们拆开来看。

1. 导入 SDK

python 复制代码

from openai import OpenAI

这句话非常简单，意思就是：

把 OpenAI 提供的 Python SDK 引入进来。

以后我们就可以通过 Python 对象调用 API。

2. 创建客户端

python 复制代码

client = OpenAI()

可以把 client 理解成：

Python 与 AI 服务之间的连接对象。

后面所有 API 请求，都可以通过它发起。

3. 创建模型响应

python 复制代码

response = client.responses.create(
    model="gpt-5.5",
    input="你好，请用一句话介绍 Python。"
)

这里最重要，我们实际上告诉模型：

text 复制代码

模型：gpt-5.5

输入：
你好，请用一句话介绍 Python。

然后服务器返回一个 Response。

4. 获取模型文本

python 复制代码

print(response.output_text)

最终把模型生成的文本打印出来。

整个流程就是：

text 复制代码

input
  ↓
Model
  ↓
Response
  ↓
output_text

官方 SDK 当前将 Responses API 作为主要的模型交互接口，并提供 output_text 方便获取生成的文本。

四、API Key 到底是什么？

第一次调用 API，很多人会遇到一个问题：

API Key 放在哪里？

API Key 可以理解成：

你的程序访问 AI 服务的身份凭证。

就像：

text 复制代码

用户名 + 密码

一样，但是有一点非常重要：

不要把 API Key 直接写进代码。

千万不要这样：

python 复制代码

client = OpenAI(
    api_key="sk-xxxxxxxxxxxxxxxx"
)

尤其是下面这种情况：

text 复制代码

GitHub
 ↓
公开仓库
 ↓
API Key
 ↓
别人拿走
 ↓
产生大量 API 消费

这会非常危险。

五、正确做法：使用环境变量

更推荐的方式是：

text 复制代码

环境变量
     ↓
Python
     ↓
OpenAI SDK

例如 macOS / Linux：

bash 复制代码

export OPENAI_API_KEY="你的API Key"

Windows PowerShell：

powershell 复制代码

$env:OPENAI_API_KEY="你的API Key"

然后 Python：

python 复制代码

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.5",
    input="你好"
)

print(response.output_text)

这样代码里就不需要出现 API Key。

官方 Python SDK 也推荐通过环境变量配置 OPENAI_API_KEY，避免把密钥直接写入源码。

Python 调用大模型完整流程

六、不要把 API 调用理解得太复杂

很多人第一次看到：

python 复制代码

client.responses.create()

会觉得：

这是不是特别复杂？

其实完全可以把它理解成一个普通函数。

例如：

python 复制代码

result = add(10, 20)

得到：

text 复制代码

而 AI API：

python 复制代码

response = client.responses.create(
    model="gpt-5.5",
    input="介绍一下 Python"
)

得到：

text 复制代码

Python 是一种......

本质上都是：

text 复制代码

输入
 ↓
处理
 ↓
输出

只不过：

text 复制代码

普通函数

是在本地运行，而：

text 复制代码

AI API

是把请求发送给远程模型。

七、给 AI 设置角色

如果只写：

python 复制代码

input="介绍一下 Python"

模型当然可以回答，但真实 AI 应用通常不会这么简单。

我们经常需要告诉模型：

你是谁？
你应该怎么回答？
你的回答需要遵循什么规则？

这就是 Instructions。

例如：

python 复制代码

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.5",
    instructions="你是一名Python技术专家，请使用通俗易懂的语言回答问题。",
    input="什么是Python虚拟环境？"
)

print(response.output_text)

现在模型的行为就发生了变化。

我们可以把：

text 复制代码

instructions

理解成：

告诉模型应该以什么身份和规则工作。

而：

text 复制代码

input

则是：

用户真正提出的问题。

八、从一个问题变成一个 AI 助手

到这里，我们已经可以写一个非常简单的 AI 程序。

例如：

python 复制代码

from openai import OpenAI

client = OpenAI()

while True:

    question = input("你：")

    if question == "exit":
        break

    response = client.responses.create(
        model="gpt-5.5",
        input=question
    )

    print("AI：", response.output_text)

运行：

text 复制代码

你：什么是Python？

AI：Python是一种......

你：Python适合做AI吗？

AI：Python非常适合......

你：exit

恭喜到这里，你已经完成了自己的第一个：

命令行 AI ChatBot。

虽然它非常简单，但它已经具备了 AI 应用最基本的结构：

text 复制代码

用户输入
    ↓
Python
    ↓
API
    ↓
大模型
    ↓
Python
    ↓
用户看到结果

九、为什么 AI 应用最终都会变成这个结构？

继续往后学习，你会发现：

RAG、Agent、MCP，其实都是在这个基础结构上不断增加能力。

最简单的 ChatBot：

text 复制代码

User
 ↓
LLM
 ↓
Answer

加入 RAG：

text 复制代码

User
 ↓
Retriever
 ↓
Knowledge Base
 ↓
LLM
 ↓
Answer

加入 Agent：

text 复制代码

User
 ↓
Agent
 ↓
LLM
 ↓
Tool
 ↓
Database / Search / API
 ↓
LLM
 ↓
Answer

再往后：

text 复制代码

User
 ↓
Agent Runtime
 ↓
Planner
 ↓
LLM
 ↓
Tool Graph
 ↓
Memory
 ↓
External Systems

你会发现：

所有复杂 AI 应用，最底层依然是一次又一次的模型调用。

所以 API 是非常重要的基础能力。

十、AI API 不只是聊天

很多初学者会把 API 理解成：

text 复制代码

发送问题
 ↓
获得答案

实际上，现在的大模型 API 已经远远不止聊天。

以当前 OpenAI Responses API 为例，它可以处理文本、图像等输入，并支持工具调用；官方 SDK 还提供了流式响应等能力。

因此未来你会逐渐接触：

text 复制代码

Text
 ↓
Image
 ↓
Structured Output
 ↓
Tool Calling
 ↓
Web Search
 ↓
File Search
 ↓
Agent

这也是为什么：

学会 API，比单纯会使用 ChatGPT 更重要。

你不是只会"问 AI"，而是开始学会：

让程序调用 AI。

这两者完全是两个概念。

从 ChatBot 到 Agent 的技术演进

AI 应用不是突然出现的，而是从一次 API 调用逐步演化出来的。

十一、为什么推荐先学 API，而不是直接学 Agent？

现在 Agent 很火，很多教程上来就是：

text 复制代码

Agent
 ↓
Planner
 ↓
Memory
 ↓
Tool
 ↓
Workflow

看起来非常高级，但如果你连：

python 复制代码

client.responses.create()

都不知道是什么意思，直接学习 Agent，很容易变成：

会复制代码，但不知道代码为什么这么写。

这也是很多 AI 初学者最大的误区。

正确顺序应该是：

text 复制代码

Python
   ↓
HTTP / API
   ↓
LLM API
   ↓
Prompt
   ↓
Structured Output
   ↓
Tool Calling
   ↓
RAG
   ↓
Agent

一步一步往上走。

十二、进一步理解：AI API 本质上是什么？

如果把各种 AI 框架全部拿掉，你会发现：

大模型 API 本质上就是一个远程计算服务。

你的程序：

text 复制代码

发送 Request

服务器：

text 复制代码

执行模型推理

然后：

text 复制代码

返回 Response

也就是：

text 复制代码

Client
   │
   │ Request
   ↓
Server
   │
   │ Inference
   ↓
LLM
   │
   │ Response
   ↓
Client

所以从技术角度来看，AI 开发其实并不是一门完全独立的技术。

它依然建立在传统的软件工程之上：

text 复制代码

Python
+
HTTP
+
API
+
JSON
+
Database
+
AI Model

这也是为什么：

一个优秀的 AI 工程师，依然需要扎实的软件开发能力。

十三、从今天开始，你真正拥有了什么能力？

如果你能够独立完成：

python 复制代码

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.5",
    input="你好"
)

print(response.output_text)

其实已经完成了一个重要的转变，以前：

text 复制代码

你
 ↓
ChatGPT

现在：

text 复制代码

你的程序
 ↓
AI API
 ↓
大模型

这意味着：

你开始从 AI 的使用者，变成 AI 应用的开发者。

这一步非常重要。

AI 应用开发学习路线

十四、总结

很多人学习 AI 时，喜欢从最复杂的地方开始。

一上来就是：

text 复制代码

Transformer
Attention
RAG
Agent
Multi-Agent
MCP
Agent Runtime

但实际上，AI 应用的第一步并没有那么复杂。

甚至只需要：

python 复制代码

response = client.responses.create(...)

真正重要的是理解这行代码背后的整个链路：

text 复制代码

Python
 ↓
SDK
 ↓
API
 ↓
Model
 ↓
Response

当你真正理解了这个过程，后面再学习：

Prompt
RAG
Function Calling
Tool Calling
Agent
MCP
Multi-Agent

就会容易很多，因为你会发现：

它们并不是完全不同的技术，而是在"调用大模型"这件事情上不断增加新的能力。

所以，如果你正在学习 AI。

不要急着研究最复杂的 Agent。

先完成一个最简单的目标：

让你的 Python 程序成功调用一次大模型。

当屏幕上第一次出现：

text 复制代码

AI：你好，我是......

你会发现：

AI 开发真正开始了。