Day 02 · 环境搭建：一套装备打天下

AI Python 系列」第 01 栏 · AI 时代的 Python 办公自动化

全栏 20 篇 · 零成本跟完 🍃

品牌：梅雅达编程笔记

开篇 · 你是不是也卡在这一步

Day 01 说了，AI 办公自动化能帮你省钱省时间。很多读者看完热血沸腾——然后打开电脑，对着满屏的报错发呆：

• “openai这个库不是 OpenAI 的吗？我不用 OpenAI 也要装？”
• “智谱的 API 到底怎么调？官方文档看了三遍还是懵”
• “每个教程用的库都不一样，我到底装哪个？”
• “API Key 写在代码里，发到 GitHub 上被人盗了怎么办？”

这些问题看着小，但90% 的新手就卡在这里放弃了。

今天这篇，我把整个环境搭建拆成三步：装 Python → 注册智谱拿 Key → 写一份通用封装代码。搞完这三步，后续 18 篇的代码你都能直接跑。

一、传统做法 vs AI 时代做法

传统做法：每个项目从头搭

传统 Python 项目搭建环境，你得：

1. 手动创建虚拟环境
2. 一个个pip install装库
3. 每个项目重写一遍 API 调用代码
4. API Key 硬编码在代码里（危险）
5. 换个模型供应商？整个项目重改

痛点：重复劳动，代码不可复用，密钥不安全。

AI 时代做法：一套装备打天下

我们的思路很简单：

1. 一份llm_client.py通吃四家 API（GLM/DeepSeek/Qwen/OpenAI）
2. API Key 走环境变量，代码里看不到密钥
3. 一行代码切换供应商：LLMClient(provider="glm")→LLMClient(provider="deepseek")
4. 后续 18 篇全用这同一个文件，不重复造轮子

这套封装不是花架子——梅雅达编程笔记的实际开发中，从 Day 03 到 Day 20，每一篇的代码都from llm_client import LLMClient一行导入，然后直接干活。

二、环境搭建三步走

第一步：安装 Python 3.11+

如果你已经装了 Python 3.10 以上，可以跳过这步。

Windows 用户：

1. 去 python.org 下载 3.11+ 安装包
2. 安装时务必勾选 “Add Python to PATH”
3. 打开终端验证：

python--version# 输出 Python 3.11.x 或更高

Mac 用户：

# 用 Homebrew 安装brewinstallpython@3.11 python3--version

第二步：注册智谱 BigModel，拿到免费 API Key

这是整个专栏唯一需要你注册的平台。GLM-4.7-Flash 永久免费，不花一分钱。

注册流程：

1. 打开 智谱开放平台
2. 手机号注册并登录

3. 进入控制台，左侧菜单找到API 密钥管理

4. 点击创建新密钥，复制生成的 Key

⚠️ 重要：API Key 只显示一次，丢了只能重新创建。复制好存到安全的地方。

平台颁发的 API Key 由 API Key ID 与 签名密钥 secret 组成，完整格式为：{API Key ID}.{secret}。

你拿到的 Key 长这样：

{API Key ID}.{secret} xxxxxxxx.xxxxxxxxxxxxxxxx

为什么选智谱？

结论：免费额度最大、门槛最低、中文能力最强。没理由不用它。

第三步：创建 .env 文件（保护你的 Key）

为什么不直接把 Key 写在代码里？

因为如果你把 Key 写在代码里，然后传到 GitHub 或分享给别人——你的 Key 就泄露了。别人可以用你的额度，甚至拿去做坏事。

我们的做法：用.env文件存放 Key，代码通过python-dotenv库自动读取。

好处：Key 跟着项目文件夹走，重装系统也不怕丢。只要.env文件不外传，密钥就是安全的。

操作步骤：

1. 在项目目录下创建.env文件（注意前面有个点）
2. 填入你的 Key：

# .env 文件内容 GLM_API_KEY=你刚复制的Key

3. 创建.gitignore文件，排除.env（防止误传到代码仓库）：

.env __pycache__/ *.pyc

4. 把.env.example（模板文件）放进去，方便别人知道要填什么

如果已经有 Key 了？直接填进去就行，智谱的 Key 通用的，不用重新申请。

习惯用系统环境变量的也行：代码会先读.env文件，如果没有再读系统环境变量。两种方式任选一种。

• Windows:$env:GLM_API_KEY = "你的Key"
• Mac/Linux:export GLM_API_KEY="你的Key"

推荐用.env，更省心。

三、一份通用封装：llm_client.py

这是整个专栏最核心的一个文件。后续每一篇都会import它。

设计思路：

• 用openai官方库（智谱 API 兼容OpenAI格式，一套库通吃四家）
• 传入provider参数切换供应商
• Key 从环境变量读取
• chat()方法：普通对话
• chat_json()方法：让 AI 返回JSON（Day 05 会详细讲）
• 内置简单的重试机制

安装依赖

pipinstallopenai>=1.12.0

完整依赖见文末requirements.txt

llm_client.py完整代码

""" llm_client.py - 通用 LLM 客户端封装 支持：GLM（智谱）/ DeepSeek / Qwen（通义千问）/ OpenAI 用法：from llm_client import LLMClient client = LLMClient(provider="glm") answer = client.chat("你好") """importosimporttimefromdotenvimportload_dotenvfromopenaiimportOpenAI# 自动加载当前目录下的 .env 文件load_dotenv()classLLMClient:"""通用 LLM 客户端 - 一行代码切换四家模型"""# 四家供应商配置PROVIDERS={"glm":{"base_url":"https://open.bigmodel.cn/api/paas/v4/","default_model":"glm-4.7-flash",# 永久免费 · 200K上下文"env_key":"GLM_API_KEY",},"deepseek":{"base_url":"https://api.deepseek.com/v1","default_model":"deepseek-chat","env_key":"DEEPSEEK_API_KEY",},"qwen":{"base_url":"https://dashscope.aliyuncs.com/compatible-mode/v1","default_model":"qwen-plus","env_key":"DASHSCOPE_API_KEY",},"openai":{"base_url":"https://api.openai.com/v1","default_model":"gpt-4o-mini","env_key":"OPENAI_API_KEY",},}def__init__(self,provider="glm",model=None):""" 初始化客户端 参数： provider: 供应商 "glm" / "deepseek" / "qwen" / "openai" model: 模型名称，不传则用默认模型 """ifprovidernotinself.PROVIDERS:raiseValueError(f"不支持的供应商:{provider}\n"f"可选:{', '.join(self.PROVIDERS.keys())}")config=self.PROVIDERS[provider]self.provider=provider self.model=modelorconfig["default_model"]# 从环境变量读取 API Key（.env 文件会被 load_dotenv() 自动加载）api_key=os.environ.get(config["env_key"])ifnotapi_key:raiseValueError(f"环境变量{config['env_key']}未设置！\n"f"请在项目目录下创建 .env 文件，填入：\n"f"{config['env_key']}=你的Key\n"f"或设置系统环境变量：\n"f" Windows: $env:{config['env_key']}= \"你的Key\"\n"f" Mac/Linux: export{config['env_key']}=\"你的Key\"")self.client=OpenAI(api_key=api_key,base_url=config["base_url"],)defchat(self,message,system_prompt=None,temperature=0.7,max_tokens=4096,retry=2):""" 普通对话 参数： message: 用户消息（字符串） system_prompt: 系统提示词（可选，设定AI角色） temperature: 0=确定性输出，1=更随机，默认0.7 max_tokens: 最大输出长度 retry: 失败重试次数 返回：AI 回复的文本 """messages=[]ifsystem_prompt:messages.append({"role":"system","content":system_prompt})messages.append({"role":"user","content":message})forattemptinrange(retry+1):try:response=self.client.chat.completions.create(model=self.model,messages=messages,temperature=temperature,max_tokens=max_tokens,)returnresponse.choices[0].message.contentexceptExceptionase:ifattempt<retry:print(f"⚠️ 第{attempt+1}次调用失败，{1.5}s 后重试...")print(f" 错误信息:{e}")time.sleep(1.5)else:raisedefchat_json(self,message,system_prompt=None,temperature=0.1,retry=2):""" 让 AI 返回 JSON 格式数据 参数： message: 用户消息 system_prompt: 系统提示词 temperature: 低温度=更稳定，默认0.1 retry: 失败重试次数 返回：AI 回复的 JSON 字符串 """messages=[]ifsystem_prompt:messages.append({"role":"system","content":system_prompt})messages.append({"role":"user","content":message})forattemptinrange(retry+1):try:response=self.client.chat.completions.create(model=self.model,messages=messages,temperature=temperature,response_format={"type":"json_object"},)returnresponse.choices[0].message.contentexceptExceptionase:ifattempt<retry:print(f"⚠️ 第{attempt+1}次调用失败，{1.5}s 后重试...")time.sleep(1.5)else:raisedef__repr__(self):returnf"LLMClient(provider='{self.provider}', model='{self.model}')"

代码解读

你不需要完全看懂每个细节，但有几个关键点要理解：

1. 为什么要用openai库调智谱的 API？

因为智谱的 API 兼容OpenAI的接口格式。这意味着你只要会调OpenAI，就会调智谱、DeepSeek、通义千问。一套库通吃四家，切换只需要改base_url和api_key。

2.PROVIDERS字典怎么用？

四家供应商的配置写在一个字典里。初始化时传provider="glm"就用智谱，传provider="deepseek"就用DeepSeek。模型名、API地址、环境变量名都自动对应。

3.chat()和chat_json()有什么区别？

• chat()：普通对话，AI 想说什么就说什么
• chat_json()：强制 AI 返回 JSON 格式，后续办公自动化大量用到（Day 05 会详细讲）

4. 重试机制为什么重要？

API 调用偶尔会失败（网络波动、服务端超时等）。retry=2意味着失败后自动重试两次，不用你手动重新运行脚本。这在批量处理文档时特别重要——Day 06 处理 200 张发票时，你不会想因为第 87 张超时就全部重来。

四、Hello LLM：你的第一行 AI 代码

环境搭好了，封装写好了，现在跑第一个测试。

hello_llm.py

""" hello_llm.py - 第一次调用大模型 验证环境是否搭建成功 """importsys,os sys.path.insert(0,os.path.abspath(os.path.join(os.path.dirname(__file__),'../../')))fromllm_clientimportLLMClientdefmain():# 第 1 步：初始化客户端（默认用 GLM-4.7-Flash）client=LLMClient(provider="glm")print(f"✅ 客户端就绪：{client}")print()# 第 2 步：最简单的对话print("="*50)print("测试 1：简单问候")print("="*50)answer=client.chat("你好！请用一句话介绍你自己")print(f"AI：{answer}")print()# 第 3 步：带系统提示词的对话print("="*50)print("测试 2：角色设定")print("="*50)answer=client.chat(message="我们公司明天要开周会，帮我写三句话的开场白",system_prompt="你是一个简洁干练的职场助手，说话不超过三句，不废话。",temperature=0.3,# 低温度=更稳定)print(f"AI：{answer}")print()# 第 4 步：让 AI 返回结构化数据（Day 05 预告）print("="*50)print("测试 3：JSON 结构化输出")print("="*50)json_answer=client.chat_json(message='请提取这段信息：张三，手机号13800138000，邮箱zhangsan@example.com，''输出为JSON，包含name、phone、email字段',system_prompt="你是一个信息提取助手，只输出JSON，不输出其他内容。",)print(f"AI：{json_answer}")print()print("🎉 全部测试通过！环境搭建成功！")if__name__=="__main__":main()

路径处理说明

为什么需要这两行？

因为llm_client.py在项目根目录，而hello_llm.py在code/day02/目录下。Python 默认只会在当前目录找模块，所以需要告诉它"去根目录找"。

importsys,os sys.path.insert(0,os.path.abspath(os.path.join(os.path.dirname(__file__),'../../')))

../../是什么意思？

就像在文件管理器里点两次"返回上级"：

code/day02/hello_llm.py ↓ (../) 返回上级 code/ ↓ (../) 再返回上级 ai-office/ ← 根目录，找到 llm_client.py 了！

后续每篇都要加吗？

是的。只要代码文件在code/子目录下，开头都要加这两行。复制粘贴即可，不用记。

运行结果（预期输出）

✅ 客户端就绪：LLMClient(provider='glm', model='glm-4.7-flash') ================================================== 测试 1：简单问候 ================================================== AI：你好！我是 GLM-4.7-Flash，一个由智谱AI开发的大语言模型，擅长中文理解和生成。 ================================================== 测试 2：角色设定 ================================================== AI：各位同事好，本周工作汇报现在开始。上周我们完成了三项核心任务的推进，今天重点同步进展和本周计划。请大家先看会议议程。 ================================================== 测试 3：JSON 结构化输出 ================================================== AI：{"name": "张三", "phone": "13800138000", "email": "zhangsan@example.com"} 🎉 全部测试通过！环境搭建成功！

注意：AI 的实际回复内容每次可能略有不同（因为temperature参数的存在），但格式和结构应该一致。测试 3 的 JSON 字段名应该完全匹配。

如果报错了怎么办？

五、项目文件结构

建议按这个结构组织代码：

ai-office/ ├── llm_client.py ← 通用封装（本篇创建，后续所有篇复用） ├── hello_llm.py ← 测试脚本（本篇创建） ├── requirements.txt ← 依赖清单 ├── .env ← 你的 API Key（不要传到 GitHub！） ├── .env.example ← 模板文件（可以传，告诉别人要填什么） ├── .gitignore ← 排除 .env 等敏感文件 ├── code/ ← 后续每篇的代码放这里 │ ├── day03/ │ ├── day06/ │ └── ... └── data/ ← 测试数据 └── ...

requirements.txt

openai>=1.12.0 python-dotenv>=1.0.0

python-dotenv是可选的——如果你不想用系统环境变量，可以创建.env文件存放Key，用dotenv加载。但别把.env文件传到GitHub！

📊 本篇成本透明栏

练手改造题

改造 1（基础）：修改hello_llm.py，让 AI 用五种不同风格回答同一个问题"今天午饭吃什么"。

提示：调整system_prompt和temperature参数。

改造 2（进阶）：写一个translate()函数，调用client.chat()实现中英互译。输入中文返回英文，输入英文返回中文。

提示：可以让 AI 先判断输入语言，再翻译。或者直接在system_prompt里设定规则。

下期预告

Day 03 · Prompt 工程 5 大心法

环境搭好了，Key也拿到了。但如果你只会说"帮我写个周报"——AI 给你的大概率是废话。

Day 03 讲透 5 个Prompt心法，每个配一个办公场景对比实验。写完你就能让 AI 从"大概能用"变成"精准好用"。

📚 资源与工具（文末合规集中）

• 智谱开放平台（注册 + API Key）：https://open.bigmodel.cn/
• 智谱模型文档：https://docs.bigmodel.cn/
• DeepSeek 开放平台：https://platform.deepseek.com/
• 通义千问（Qwen）：https://dashscope.aliyun.com/
• Python 官网下载：https://www.python.org/downloads/
• 本专栏配套代码：CSDN 下载区（每篇更新）

🍃 作者的话

梅雅达编程笔记，专注 Python + AI 办公自动化实战教程。

这套llm_client.py不是教学演示代码——它是我们在实际开发中真正在用的封装。后续 18 篇每篇都会用到它，所以今天这篇请务必跑通。

跑通了的读者，评论区扣个 1，让我知道你准备好了 🍃

上一篇：Day 01 · 为什么 2026 年办公自动化必须"AI 化"

下一篇：Day 03 · Prompt 工程 5 大心法

专栏订阅：「AI 时代的 Python 办公自动化」

姊妹专栏：

• Python 零基础编程笔记
• 编程启蒙-Scratch转Python