企业官网建设流程全解析

定位：面向 AI 应用开发者的国产商用大模型 API 实操评测
覆盖：DeepSeek、智谱 GLM、通义千问 三家的注册接入、核心能力、Function-Calling、Embedding、成本与踩坑经验

## 0. 前言

做 LLM 应用开发，绕不开这几件事：普通对话、流式输出、多轮记忆、Function-Calling 工具调用、Embedding 向量化（RAG）。

市面上模型众多，很多同学不知道怎么选、怎么快速上手测试。本文基于真实 API 测试，梳理 **DeepSeek、智谱 AI、通义千问** 三家平台，帮你快速完成开发评估与选型。

> 说明：所有价格、免费额度来自官方公开文档，政策会随时调整，正式开发请以各家官网为准。

---

## 1. 三大平台快速上手：注册与接入

三家全部兼容 **OpenAI 接口协议**，开发者可以复用同一套 Python 代码，只切换 `base_url`、`api_key`、`model_id` 即可完成迁移，切换成本极低。

### 1.1 DeepSeek（深度求索）

- 官网：`https://platform.deepseek.com`
- 注册：手机号注册 + 实名认证
- 密钥：左侧【API Keys】→ 创建新密钥 → 复制保存（`sk-` 开头，只展示一次）
- 额度：新用户赠送 10 元测试余额（有效期 30 天），无永久免费模型
- Base-URL：`https://api.deepseek.com/v1`
- 常用模型：`deepseek-v4-flash`、`deepseek-v4-pro`
- 能力：流式输出、Function-Calling；**无内置 Embedding 接口**

### 1.2 智谱 AI（GLM）

- 官网：`https://open.bigmodel.cn`
- 注册：手机号注册 + 实名认证
- 密钥：用户中心 → API Keys → 创建密钥（复制保存）
- 额度：`glm-4-flash` 长期免费；新用户赠送千万 token 体验额度
- Base-URL：`https://open.bigmodel.cn/api/paas/v4`
- 常用模型：`glm-4-flash`、`glm-5.2`
- 能力：流式输出、Function-Calling、**内置 Embedding 向量接口**

### 1.3 通义千问（阿里云百炼 DashScope）

- 官网：`https://bailian.console.aliyun.com`
- 注册：阿里云账号登录 + 开通百炼服务 + 实名认证
- 密钥：设置 → 密钥管理 → 创建 API-Key（复制保存）
- 额度：新用户提供免费调用额度，超出按量计费
- OpenAI 兼容 Base-URL：`https://dashscope.aliyuncs.com/compatible-mode/v1`
- 常用模型：`qwen3-max`、`qwen3-plus`
- 能力：流式输出、Function-Calling、**内置 Embedding 向量接口**

### 1.4 通用 Python 测试模板

```python
from openai import OpenAI

# ---------------- 切换平台只需修改这三个变量 ----------------
API_KEY = "sk-你的key"
BASE_URL = "对应平台base-url"
MODEL = "对应model_id"
# ----------------------------------------------------------

client = OpenAI(api_key=API_KEY, base_url=BASE_URL)

# ① 普通对话测试
resp = client.chat.completions.create(
model=MODEL,
messages=[{"role": "user", "content": "简单介绍 Function-Calling"}],
temperature=0.3,
stream=False,
)
print(resp.choices[0].message.content)

# ② 流式输出测试（打字机效果）
stream = client.chat.completions.create(
model=MODEL,
messages=[{"role": "user", "content": "简单介绍 Embedding"}],
temperature=0.3,
stream=True,
)
for chunk in stream:
if chunk.choices[0].delta.content:
print(chunk.choices[0].delta.content, end="")
```

### 1.5 必做测试用例清单

1. 普通非流式对话，验证基础连通
2. `stream=True` 流式输出，验证打字机效果
3. 多轮记忆测试，验证 messages 上下文传递
4. Function-Calling 工具调用测试（可用 weather 模拟工具）
5. Embedding 接口测试（智谱 / 通义）
6. 异常：超长输入、`temperature=0.1` 输出 JSON 是否稳定

---

## 2. 核心能力横向对比

| 平台 | 代表模型 | 上下文 | Function-Calling | Embedding | 特点 |
|---|---|---|---|---|---|
| DeepSeek | v4-flash / v4-pro | 1M token | 优秀 | 无 | 代码、推理强，性价比高，峰谷计价 |
| 智谱 AI | glm-4-flash / glm-5.2 | 1M token | 支持 | 内置 | flash 永久免费，适合学习调试 |
| 通义千问 | qwen3-plus / qwen3-max | 1M token | 支持 | 内置 | 阿里云生态，并发稳定性好 |

### 2.1 基础能力

- **流式输出**：三家全部支持 SSE 流式，实现聊天打字机效果，网页聊天应用必备。
- **多轮记忆**：全部依赖开发者维护 `messages` 数组，模型本身无会话存储；对话变长需做 token 截断，防止上下文超限。
- **参数对齐**：`temperature / top_p / max_tokens / stop` 语义一致，迁移代码几乎无需改参数逻辑。

### 2.2 Function-Calling 工具调用

> Agent 开发核心能力：模型输出 `tool_calls`，后端代码解析并执行本地函数。

- **DeepSeek**：V4 对 Function-Calling 深度优化，JSON 输出稳定性高，支持并行工具调用。
- **智谱 GLM**：原生工具调用，支持长任务 Agent，JSON Schema 强约束输出。
- **通义千问**：标准 OpenAI 格式 Function-Calling，业务落地成熟。

> 踩坑：三家都有可能输出非法 JSON，业务代码必须捕获 `json.loads()` 解析异常，不能信任模型输出。

### 2.3 Embedding 向量化（RAG 知识库）

- **智谱、通义**：平台自带 Embedding 接口，直接调用即可产出向量，快速搭建 RAG。
- **DeepSeek**：无 Embedding 接口，做知识库检索需额外引入 bge-m3 等第三方向量模型。

---

## 3. 成本与额度

1. **DeepSeek**：整体定价偏低，flash 适合大批量请求，pro 用于复杂推理；支持峰谷计价，夜间调用成本更低。
2. **智谱**：flash 免费用于学习；旗舰模型价格中等，新用户赠送大量体验 token。
3. **通义千问**：按量付费，阿里云账号统一账单管理。

> 开发建议：学习 Demo 优先智谱免费 flash；正式项目对比 DeepSeek 和通义，根据并发、生态选择。

---

## 4. 开发踩坑实录

1. **API Key 泄露风险**：不要硬编码在代码里，使用 `.env` 环境变量保存。
2. **上下文超限**：多轮对话持续累积 token，超过窗口直接报错，需要做消息截断、历史摘要。
3. **Function-Calling 参数**：不要只依赖模型，参数一定要后端校验。
4. **Embedding 一致性**：文档、query 必须使用**同一个向量模型**，否则相似度检索失效。
5. **免费模型限流**：免费版往往有限流，压测、高并发业务不要使用免费版本。

---

## 5. 场景化选型建议

1. **学生学习、写 Demo 练习 FC / RAG**：优先智谱 GLM-4-Flash 免费额度。
2. **代码生成、复杂逻辑推理，追求低成本**：优先 DeepSeek-V4-Flash。
3. **企业阿里云生态，需要稳定并发，一套平台搞定对话 + 向量检索**：优先通义千问。
4. **Agent 工具调用开发**：三家都可以，优先 DeepSeek、智谱做对比测试。

---

## 6. 附录：配套测试代码片段

### 6.1 Function-Calling 最小可用 demo（通用）

```python
import json
from openai import OpenAI

client = OpenAI(api_key=API_KEY, base_url=BASE_URL)

# ① 定义工具 schema
tools = [{
"type": "function",
"function": {
"name": "get_weather",
"description": "获取某个城市今日天气",
"parameters": {
"type": "object",
"properties": {"city": {"type": "string", "description": "城市名称"}},
"required": ["city"],
},
},
}]

messages = [{"role": "user", "content": "帮我查徐州今天天气"}]

# ② 第一次请求：模型可能返回 tool_calls
resp = client.chat.completions.create(model=MODEL, messages=messages, tools=tools)
msg = resp.choices[0].message

# ③ 若需要调用工具，则解析并执行本地函数
if msg.tool_calls:
tc = msg.tool_calls[0]
args = json.loads(tc.function.arguments) # 解析入参 JSON 字符串
result = {"city": args["city"], "temp": 28, "condition": "晴"} # 模拟真实天气 API
messages.append(msg)
messages.append({"role": "tool", "tool_call_id": tc.id, "content": json.dumps(result)})
# ④ 第二次请求：模型基于工具结果整理自然语言回答
final = client.chat.completions.create(model=MODEL, messages=messages)
print(final.choices[0].message.content)
```

### 6.2 Embedding + 极简相似度检索（智谱 / 通义）

```python
from openai import OpenAI
import numpy as np

client = OpenAI(api_key=API_KEY, base_url=BASE_URL)

# 文档向量化（同一模型）
doc_vec = client.embeddings.create(model=EMBED_MODEL, input=["徐州是江苏城市", "北京是首都"]).data
query_vec = client.embeddings.create(model=EMBED_MODEL, input=["江苏省会"]).data

def cos_sim(a, b):
a, b = np.array(a.embedding), np.array(b.embedding)
return float(a @ b / (np.linalg.norm(a) * np.linalg.norm(b)))

for i, d in enumerate(doc_vec):
print(f"文档{i} 与 query 相似度: {cos_sim(d, query_vec[0]):.4f}")
```

> 注：`EMBED_MODEL` 在智谱用 `embedding-2`/`embedding-3`，通义用 `text-embedding-v3`，具体以平台文档为准。

---

## 7. 面试思考题（巩固理解）

1. 做信息提取输出 JSON，`temperature` 应该调大还是调小？为什么？
2. 上下文超限是什么原因？和 token 有什么关系？怎么处理？
3. 开源模型和闭源模型的核心区别是什么？各自适合什么场景？
4. Function-Calling 中，模型会真正执行函数吗？真正执行函数的是谁？
5. 为什么 RAG 里文档向量化和用户 query 必须用同一个 Embedding 模型？

---

## 8. 写在最后

大模型 API 迭代速度很快，新版本会持续修复 Function-Calling、幻觉、格式输出问题。开发者不要只看纸面参数，**一定要自己注册 Key，跑通普通对话、流式输出、工具调用全套测试用例，再做业务选型。**