当前位置: 首页 > news >正文

大模型:OpenAI库的基本使用

目录

  • 一、OpenAI基本使用
  • 二、开启流式输出
  • 三、附带历史参数调用模型

OpenAI库是OpenAI库官方推出的python SDK,核心作用是让开发者能够简单、搞笑地调用OpenAI的各类API(如GPT、聊天、DALL·E 绘图、语音转文字等),无需手动处理HTTP请求、身份验证登底层细节。

由于其发布较早且比较易用,现如今许多模型服务商(如阿里云百炼平台)均兼容OpenAI SDK调用。

一、OpenAI基本使用

对于OpenAI库的使用主要是三个流程:

  • 获取客户端对象
fromopenaiimportOpenAI client=OpenAI(base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",)
  • 调用模型
messages=[{"role":"system","content":"你是一个Python编程专家。"},# system:设置AI助手的角色{"role":"assistant","content":"我是一个Python编程专家,请问有什么问题可以帮助您的吗?"},# assistant:AI助手的回答{"role":"user","content":"for循环输出1~5的数字"},# user:代表用户,发送问题]completion=client.chat.completions.create(model="qwen3.5-plus",# 您可以按需更换为其它深度思考模型messages=messages)
  • 处理结果
print(completion.choices[0].message.content)

完整代码:

fromopenaiimportOpenAIimportos client=OpenAI(base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",)messages=[{"role":"system","content":"你是一个Python编程专家。"},# system:设置AI助手的角色{"role":"assistant","content":"我是一个Python编程专家,请问有什么问题可以帮助您的吗?"},# assistant:AI助手的回答{"role":"user","content":"你好 你是谁?"},# user:代表用户,发送问题]completion=client.chat.completions.create(model="qwen3.5-plus",# 您可以按需更换为其它深度思考模型messages=messages)print(completion.choices[0].message.content)

二、开启流式输出

具体实现步骤:

  • client.chat.completions.create调用模型的时候设定参数:stream=True
  • for循环completion对象,并在循环内输出内容。

完整代码:

fromopenaiimportOpenAIimportos client=OpenAI(base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",)messages=[{"role":"system","content":"你是一个Python编程专家。"},# system:设置AI助手的角色{"role":"assistant","content":"我是一个Python编程专家,请问有什么问题可以帮助您的吗?"},# assistant:AI助手的回答{"role":"user","content":"你好 你是谁?"},# user:代表用户,发送问题]completion=client.chat.completions.create(model="qwen3.5-plus",# 您可以按需更换为其它深度思考模型messages=messages,stream=True)forchunkincompletion:delta=chunk.choices[0].deltaifdelta.content:# end="" 每一段之间使用什么进行分割# flush=True 立刻刷新缓冲区print(delta.content,end="",flush=True)

三、附带历史参数调用模型

调用模型传入的参数messages,其要求是list对象,即表明其支持非常多的消息在内。

我们可以基于此,让模型知晓对话的上下文,更好的进行回答。

完整代码:

fromopenaiimportOpenAIimportos client=OpenAI(base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",)messages=[{"role":"system","content":"你是AI助理,回答很简单。"},# 设置AI助手的角色{"role":"user","content":"小明有两条宠物狗。"},# 用户提问{"role":"assistant","content":"好的"},# 系统回答{"role":"user","content":"小红有三条宠物狗。"},{"role":"assistant","content":"好的"},{"role":"user","content":"总共几只宠物狗?。"},]completion=client.chat.completions.create(model="qwen3.5-plus",messages=messages,stream=True)forchunkincompletion:delta=chunk.choices[0].deltaifdelta.content:print(delta.content,end="",# 每一段之间使用什么进行分割flush=True# 立刻刷新缓冲区)
http://www.jsqmd.com/news/467069/

相关文章:

  • Simulated Binary Crossover: Bridging the Gap Between Binary and Real-Valued Optimization
  • 单细胞分析实战:Cell Ranger 参数调优与 Linux 集群高效运行策略
  • UE5 GAS RPG实战:从零配置开发环境到蓝图类高效创建
  • 迪文串口屏实战(一):DMG80480C070_03WTC硬件解析与存储空间规划
  • 幻境·流金在游戏开发中的应用:NPC立绘+场景概念图生成流程
  • MTools应用场景解析:如何用AI工具提升图片视频处理效率
  • RK3566嵌入式视觉系统实战:从IMX586驱动到EDP显示全链路调试
  • 国风美学生成模型v1.0结合YOLOv8:智能识别与国风元素融合创作
  • Ubuntu22.04系统设置丢失的3种修复方案
  • 【新】BioSemi Active3多通道脑电信号采集系统在神经科学研究中的创新应用
  • 大模型训练与推理中的显存优化策略:从参数类型到LoRA技术
  • Sourcetree+GitLab免密推送全攻略:SSH密钥生成与配置避坑指南
  • 快速原型实践:用快马ai十分钟搭建win10镜像下载管理器
  • 基于STM32的MS5611气压传感器I2C驱动移植与高度测量实战
  • Fee (Flash EEPROM Emulation):AUTOSAR标准下的车载数据持久化核心
  • Qwen2.5-VL-7B-Instruct与Keil5集成开发环境配置教程
  • 2026年上海消防泵评测与采购白皮书:谁在定义下一代工业安全基石? - 2026年企业推荐榜
  • bge-large-zh-v1.5实战教程:5分钟搭建语义相似度计算服务
  • [LangGraph] 语义搜索
  • 十二层PCB制造服务评测,高端电路板哪家强
  • 2026年课程小程序开发指南:北京麦冬科技助力教育数字化转型 - 品牌2026
  • STEP3-VL-10B效果展示:卫星遥感图识别→地物分类→变化检测描述生成
  • MinIO实战(二)| Spring Boot 集成 MinIO 的八大核心场景与性能调优
  • 抖音生活 福州奇富网络小额贷款有限公司服务城市生态大会NKA年度盛典:打造健康生态,共获全新增长 - 博客湾
  • 小白程序员必看:收藏!C++转行AI,读研还是自学?深度解析!
  • 2026最新陕西企业礼品定制推荐!西安优质礼品服务商权威榜单发布 - 十大品牌榜
  • SenseVoiceSmall效果实测:对比传统ASR,情感识别有多准
  • YOLOv5 V7.0 RKNN模型精度实战:从PyTorch到嵌入式部署的性能评估全解析
  • VScode + PCL实战:从零搭建点云可视化开发环境
  • Linux数据恢复实战:从rm -rf灾难中拯救你的文件