笔记跟着黑马程序员大模型RAG与Agent智能体项目实战教程，基于主流的LangChain技术从大模型提示词到实战项目学习记录的

前置准备

注册登录下面的网址

大模型服务平台百炼控制台

创建APIKey，获得千问大模型免费额度

打开pycharm，新建项目，新建python文件，并在终端运行下面的命令，下载openai这个库

通过下面的代码进行调用API

1. 安装依赖

运行下面的

2. 创建配置文件

项目根目录新建 .env

3.完整代码

OpenAI 库基础使用

OpenAI 库是官方 Python SDK，封装 HTTP 请求、身份校验等底层逻辑，方便调用聊天、绘图、语音等 API。

 获取客户端对象：传入api_key、base_url初始化客户端导入与实例化客户端

from openai import OpenAI
client = OpenAI(
    api_key="your_api_key_here",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)

两个核心参数
api_key：服务商提供的身份密钥，不建议硬编码写在代码中，推荐使用.env环境变量管理。
base_url：API 接口地址，修改该参数就可以切换不同大模型服务商（OpenAI、阿里云百炼、腾讯云等兼容接口）

 调用模型：调用接口发送请求

OpenAI SDK：调用模型 create 方法

client.chat.completions.create()

用于发起对话请求，返回ChatCompletion对象
核心参数
model：指定调用的模型名称，例如qwen3‑max
messages：消息列表，列表中是多条字典，每条字典包含 role、content
三种 role 角色
system：系统角色，设定 AI 身份、行为规则、全局提示，作用于整个对话
assistant：AI 助手角色，代表模型历史回复
user：用户角色，代表用户提问与指令
简单示例

response = client.chat.completions.create(
    model="qwen3-max",
    messages=[
        {"role":"system","content":"你是Python编程专家"},
        {"role":"assistant","content":"我是Python编程专家，请问需要什么帮助？"},
        {"role":"user","content":"for循环输出1到5的数字"}
    ]
)

要点：messages 数组维护完整对话上下文，多轮对话需要把历史消息全部传入。

 处理结果：接收并解析返回数据不用手写 http 请求，更换base_url就可以切换不同大模型服务商。

{
  "id": "chatcmpl-xxxx",
  "object": "chat.completion",
  "created": 1735689600,
  "model": "gpt-3.5-turbo-0125",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "生成的回复内容"
      },
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 50,
    "completion_tokens": 80,
    "total_tokens": 130
  }
}

OpenAI SDK：处理接口返回结果
调用create()后得到ChatCompletion响应对象。
核心字段
choices：模型返回结果数组，一般取第 0 项choices[0]
message.content：模型输出的回答文本
finish_reason：结束原因
stop：正常结束
length：token 长度超限截断
function_call：触发函数调用
usage：令牌消耗统计
prompt_tokens：输入 token 数
completion_tokens：输出 token 数
total_tokens：总消耗 token
获取回答代码

国内兼容 OpenAI 协议的大模型，返回数据结构保持一致，代码无需改动。

OpenAI库的流式输出

from openai import OpenAI
import os
from dotenv import load_dotenv

# 新增：加载项目下.env文件
load_dotenv()
# 获取client对象，OpenAI类对象
client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://llm-loac4vqn7yqa87y4.cn-beijing.maas.aliyuncs.com/compatible-mode/v1",
)
#2.调用模型接口，传入对话上下文并开启流式增量输出
response = client.chat.completions.create(
    model="qwen3-max-2026-01-23",  # 您可以按需更换为其它深度思考模型
    messages=[
{"role":"system","content":"你是Python编程专家"},
{"role":"assistant","content":"我是Python编程专家，请问需要什么帮助？"},
{"role":"user","content":"for循环输出1到5的数字"}
    ],
    stream=True #开启流式输出功能
)
#3.处理结果，迭代遍历流式返回结果分片，实时拼接并打印增量内容
#print(response.choices[0].message.content)
for chunk in response:
    print(
        chunk.choices[0].delta.content,
          end=" ",#每一段之间以空格间隔否则为回车符
        flush=True# 强制刷新缓冲区，实时打印输出，不等待缓冲区填满
    )

在2.调用模型处添加 stream=True #开启流式输出功能

在3.处理结果处修改，遍历流式响应迭代器，逐块解析返回分片（chunk），通过delta增量字段获取本轮新增生成内容，end=""取消默认换行符实现连贯打字输出，flush=True强制刷新标准输出缓冲区，确保内容即时打印至控制台。

for chunk in response:
    print(
        chunk.choices[0].delta.content,
          end=" ",#每一段之间以空格间隔否则为回车符
        flush=True
    )

OpenAI库附带历史消息调用模型

messages 整体是 List（列表），列表内每一条对话为 字典 dict，固定 role（角色）+content（内容）结构。
列表有序存放多轮历史对话，给模型传递上下文，实现连续问答。
三种 role 角色
system：系统设定，定义 AI 身份、回答风格
user：用户提问内容
assistant：AI 上一轮回复内容
流式输出
参数 stream=True 开启流式返回，返回Stream迭代对象，不能直接用 .choices[0].message.content（会报属性错误）
流式正确写法：循环遍历分片chunk，读取 chunk.choices[0].delta.content 逐段打印
对话持久化
代码里直接定义的messages仅单次生效，程序结束对话丢失。
生产环境方案：把对话历史存入文件 / 数据库做持久存储。
进阶：后续通过LangChain库实现对话短期记忆、长期记忆管理。
调用结构

# messages标准格式
messages = [
    {"role":"system","content":"设定指令"},
    {"role":"user","content":"上轮问题"},
    {"role":"assistant","content":"上轮回答"},
    {"role":"user","content":"本轮新提问"}
]