【黑马RAG与Agent智能体项目】（一）OpenAI库基础使用

夜斗小神社

墨衍会员 · AI 创作全网分发码龄7年

关注

原创最新推荐文章于 2026-10-01 11:42:38 发布 1.1k 阅读 AI 写同款· GEO 优化 ›

OpenAI 使用教程：从入门到实战通过本教程，您已掌握 OpenAI 的核心功能与使用方法。建议从简单任务（如文本生成）入手，逐步探索高级功能（如多轮对话、图像生成），并结合实际需求优化调用参数与成本控制。阅读详情

OpenAI库学习笔记 - 从入门到实战

本文记录了OpenAI库（兼容阿里云百炼平台）的学习过程，包括API调用、流式输出和历史消息管理等核心功能。

01 - 测试API KEY的使用

📝 学习目标

掌握OpenAI库的基本配置和API调用流程。

💡 核心代码

import os
from openai import OpenAI

# 创建客户端对象
client = OpenAI(
    api_key="your-api-key-here",  # 替换为你的API Key
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)

# 调用模型
completion = client.chat.completions.create(
    model="deepseek-v3.2",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "帮我分析agent开发未来的前景？"},
    ],
    stream=True
)

# 流式输出结果
for chunk in completion:
    print(chunk.choices[0].delta.content, end="", flush=True)

🔑 关键知识点

客户端初始化
- api_key: 你的API密钥（需要在阿里云百炼平台获取）
- base_url: 阿里云百炼的兼容模式接口地址
模型调用参数
- model: 指定使用的模型（如 deepseek-v3.2）
- messages: 消息列表，包含角色和内容
- stream: 是否启用流式输出
消息角色说明
- system: 系统提示词，定义AI的行为
- user: 用户输入的问题

02 - OpenAI库的基本使用

📝 学习目标

学习如何使用多轮对话和角色设定来调用模型。

💡 核心代码

from openai import OpenAI

# 1. 获取client对象
client = OpenAI(
    api_key="your-api-key-here",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)

# 2. 模型调用
response = client.chat.completions.create(
    model="deepseek-v3.2",
    messages=[
        {"role": "system", "content": "你是一个python编程专家"},
        {"role": "assistant", "content": "我是编程专家, 你要问什么"},
        {"role": "user", "content": "你是谁"}
    ]
)

# 3. 处理结果
print(response.choices[0].message.content)

🔑 关键知识点

三步调用流程
- 步骤1: 创建客户端对象
- 步骤2: 调用模型API
- 步骤3: 处理返回结果
角色类型扩展
- assistant: AI助手的回复，可用于模拟对话历史
非流式输出
- 直接通过 response.choices[0].message.content 获取完整回复
- 适合需要一次性获取完整结果的场景

03 - OpenAI库的流式输出

📝 学习目标

掌握流式输出的使用方法，实现实时响应效果。

💡 核心代码

from openai import OpenAI

# 1. 获取client对象
client = OpenAI(
    api_key="your-api-key-here",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)

# 2. 模型调用（开启流式输出）
response = client.chat.completions.create(
    model="deepseek-v3.2",
    messages=[
        {"role": "system", "content": "你是一个python编程专家"},
        {"role": "assistant", "content": "我是编程专家, 你要问什么"},
        {"role": "user", "content": "你是谁"}
    ],
    stream=True  # 开启流式输出
)

# 3. 处理流式结果
for chunk in response:
    print(chunk.choices[0].delta.content, end=" ", flush=True)

🔑 关键知识点

流式输出的优势
- ✅ 实时显示生成内容，提升用户体验
- ✅ 减少等待时间，适合长文本生成
- ✅ 可以提前中断生成过程
流式输出的实现
- 设置 stream=True 参数
- 使用 for 循环遍历响应块
- 通过 chunk.choices[0].delta.content 获取增量内容
打印技巧
- end=" ": 不换行，用空格分隔
- flush=True: 立即刷新输出缓冲区，实现实时显示

04 - OpenAI库附带历史消息调用模型

📝 学习目标

学习如何通过历史消息实现上下文记忆功能。

💡 核心代码

from openai import OpenAI

# 1. 获取client对象
client = OpenAI(
    api_key="your-api-key-here",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)

# 2. 模型调用（包含完整对话历史）
response = client.chat.completions.create(
    model="deepseek-v3.2",
    messages=[
        {"role": "system", "content": "你是AI助理，回答很简洁"},
        {"role": "user", "content": "小明有2条宠物狗"},
        {"role": "assistant", "content": "好的"},
        {"role": "user", "content": "小红有3条宠物猫"},
        {"role": "assistant", "content": "好的"},
        {"role": "user", "content": "总共有几个宠物?"},
    ],
    stream=True
)

# 3. 处理结果
for chunk in response:
    print(chunk.choices[0].delta.content, end=" ", flush=True)

🔑 关键知识点

历史消息的作用
- 🧠 让AI具备上下文记忆能力
- 🔗 实现多轮对话的连贯性
- 📊 AI可以基于历史信息进行推理
消息列表的构建
- 按时间顺序排列所有对话
- 交替使用 user 和 assistant 角色
- system 消息通常放在最前面
实际应用场景
- 聊天机器人的对话管理
- 需要上下文理解的问答系统
- 多步骤任务的执行

🎯 总结与进阶

核心要点回顾

功能	关键参数	适用场景
基本调用	`stream=False`	简单问答，一次性获取结果
流式输出	`stream=True`	长文本生成，实时交互
历史消息	`messages` 列表	多轮对话，上下文理解