当前位置：首页 > news >正文

Qwen3.5-4B模型快速入门：Python零基础调用API实战

news 2026/3/27 4:43:43

Qwen3.5-4B模型快速入门：Python零基础调用API实战

1. 前言：为什么选择Qwen3.5-4B

如果你刚接触AI大模型，可能会被各种复杂的术语和配置吓到。别担心，Qwen3.5-4B是一个对新手特别友好的开源大语言模型，它不需要你懂深度学习，也不需要自己训练模型，只要会写几行Python代码就能调用它的强大能力。

今天我们就从最基础的Python API调用开始，手把手带你体验大模型的魅力。整个过程就像点外卖一样简单：你发送一段文字请求，模型返回生成结果。不需要GPU，不需要复杂环境，只要一个能运行Python的电脑就行。

2. 准备工作：搭建你的调用环境

2.1 安装Python和必要库

首先确保你的电脑安装了Python 3.6或更高版本。打开命令行（Windows用户按Win+R输入cmd，Mac用户打开终端），输入以下命令检查：

python --version

如果显示版本号，说明已安装。如果没有，去Python官网下载安装包，记得勾选"Add Python to PATH"选项。

安装完成后，我们需要一个专门用来发送HTTP请求的库——requests。在命令行运行：

pip install requests

2.2 获取API访问权限

Qwen3.5-4B模型已经部署在星图GPU平台上，你需要先申请API密钥：

登录星图平台账号
进入"我的API"页面
点击"创建新密钥"，记下生成的API Key（像一长串随机字母数字组合）

这个Key就像你的身份证，每次调用API都需要带上它。注意保管好，不要泄露给他人。

3. 第一次API调用：让模型说"你好"

3.1 构造最简单的请求

打开你喜欢的代码编辑器（VS Code、PyCharm甚至记事本都可以），新建一个Python文件，比如first_call.py，输入以下代码：

import requests api_key = "你的API密钥" # 替换成你实际的Key api_url = "https://api.xingtu.com/qwen3.5-4b/v1/chat/completions" # API地址 headers = { "Authorization": f"Bearer {api_key}", "Content-Type": "application/json" } data = { "messages": [{"role": "user", "content": "请说'你好，世界'"}], "max_tokens": 50 } response = requests.post(api_url, headers=headers, json=data) print(response.json())

这段代码做了以下几件事：

导入requests库
设置API密钥和地址
准备请求头（包含认证信息）
构造请求数据（告诉模型我们想要什么）
发送POST请求并打印结果

3.2 运行并查看结果

保存文件后，在命令行切换到文件所在目录，运行：

python first_call.py

你应该会看到类似这样的输出：

{ "choices": [ { "message": { "content": "你好，世界！这是一个来自Qwen3.5-4B的问候。", "role": "assistant" } } ] }

恭喜！你刚刚完成了第一次大模型API调用。虽然内容简单，但已经走通了整个流程。

4. 进阶使用：实现对话功能

4.1 理解消息格式

Qwen3.5-4B采用类似聊天的交互方式。每次请求需要传递一个消息列表，每条消息包含：

role：角色，可以是"user"(用户)、"assistant"(模型)或"system"(系统)
content：消息内容

模型会根据对话历史生成回复。让我们改进之前的例子，实现真正的对话：

data = { "messages": [ {"role": "system", "content": "你是一个乐于助人的AI助手"}, {"role": "user", "content": "你好，能介绍一下你自己吗？"} ], "max_tokens": 100 }

运行后会得到更丰富的自我介绍。system消息用于设定AI的角色和行为。

4.2 连续对话实现

要实现多轮对话，只需要在消息列表中保留历史记录：

conversation = [ {"role": "system", "content": "你是一个知识丰富的图书管理员"}, {"role": "user", "content": "能推荐几本科幻小说吗？"}, {"role": "assistant", "content": "当然可以！《三体》系列是非常经典的中文科幻..."}, {"role": "user", "content": "能具体说说《三体》讲什么吗？"} ] data = { "messages": conversation, "max_tokens": 200 }

模型会根据完整的对话上下文给出连贯的回答。

5. 实用技巧与问题排查

5.1 常用参数说明

除了消息内容，API还支持一些实用参数：

max_tokens：限制生成文本的最大长度（1个token≈1个汉字）
temperature：控制随机性（0-2，值越大回答越多样）
top_p：控制回答多样性（0-1，值越小越保守）

data = { "messages": [{"role": "user", "content": "写一首关于春天的诗"}], "max_tokens": 100, "temperature": 0.7, "top_p": 0.9 }

5.2 常见错误处理

调用API时可能会遇到一些错误，以下是典型情况：

认证失败（401错误）：
- 检查API密钥是否正确
- 确认密钥没有过期
超出配额（429错误）：
- 检查账户剩余调用次数
- 适当降低请求频率

请求超时：

检查网络连接

适当增加超时时间：

response = requests.post(api_url, headers=headers, json=data, timeout=30)

模型不理解：
- 尝试更清晰的指令
- 提供更多上下文信息

6. 实战项目：自动生成产品描述

让我们用一个实际案例巩固所学。假设你经营一家茶叶店，需要为不同茶叶生成描述：

def generate_tea_description(tea_name, tea_type, origin): prompt = f"""你是一个专业的茶叶品鉴师，请为{tea_name}{tea_type}茶撰写一段吸引人的商品描述。 产地：{origin}。突出其香气、口感和独特之处，字数在100字左右。""" data = { "messages": [{"role": "user", "content": prompt}], "max_tokens": 150 } response = requests.post(api_url, headers=headers, json=data) return response.json()["choices"][0]["message"]["content"] # 示例使用 description = generate_tea_description("西湖", "龙井", "浙江杭州") print(description)

运行后会得到专业的产品描述，你可以修改参数为不同茶叶生成内容。