企业官网建设流程全解析

前置介绍：避免老年人跟不上时代，也是时候开始学习 agent 相关的知识，还是经典的黑马程序员教程开始学习。

1. 前置准备

首先是登录阿里云百炼平台，然后注册一个 API Key：阿里云百炼。

接下来到模型广场随便选一个模型进入。

2. 代码学习 - APIKEY 使用

上面就是我们要学习的代码，由于博主本人完全不会 python，所以只能边写边豆包查问题。

打开 pycharm，将代码复制进去，然后在命令行输入下面的命令安装 openapi 库，指定版本，不知道为啥我不指定版本一直报错，必须要我指定版本，可能是 pip 版本不对吧。

pipinstallopenai==1.66.0-ihttps://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com

将 openapi 下载到当前项目的.venv中，终于不用手动配置下载地址了。

importos from openaiimportOpenAI client=OpenAI(api_key="xxx",base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",)messages=[{"role":"user","content":"你是谁"}]completion=client.chat.completions.create(model="qwen3.6-max-preview",# 您可以按需更换为其它深度思考模型 messages=messages,extra_body={"enable_thinking":True},stream=True)is_answering=False # 是否进入回复阶段print("\n"+"="*20+"思考过程"+"="*20)forchunk in completion:ifnot chunk.choices:continuedelta=chunk.choices[0].deltaifhasattr(delta,"reasoning_content")and delta.reasoning_content is not None:ifnot is_answering:print(delta.reasoning_content,end="",flush=True)ifhasattr(delta,"content")and delta.content:ifnot is_answering:print("\n"+"="*20+"完整回复"+"="*20)is_answering=Trueprint(delta.content,end="",flush=True)

接下来将 api_key 配置成第一步配置的 api key，然后就可以看到输出结果了。

如果要换模型可以改model="qwen-max"，在模型用量里面改成对应模型的名称就行了。

api key 最好配置在 windows 的环境变量中，然后删掉 api_key 的配置，这时候这个库会去读取环境变量里面的OPENAI_API_KEY，初始化 client 的时候就可以用下面的方法去初始化了。

client=OpenAI(base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",)

同样的启动也可以看到输出。

3. 代码学习 - OpenAPI 库基本使用

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

• api_key：模型厂商提供的 APIKEY 密钥。
• base_url：模型厂商的 API 接入地址，比如 OpenAI、阿里云、腾讯云等。

response=client.chat.completions.create(model="qwen3-max",messages=[{"role":"system","content":"你是一个Python编程专家，并且不说废话简单回答"},{"role":"assistant","content":"好的，我是编程专家，并且话不多，你要问什么？"},{"role":"user","content":"输出1-10的数字，使用python代码"}])

上面是模型调用的方法，client.chat.completions.create会向 AI 服务器发送网络请求，然后将返回的结果赋值给 response，这里是同步阻塞调用，代码会卡在这里知道返回结果，response 是 ChatCompletion 对象。

• model：模型名称，要调用的 AI 模型，必填，
• messages：对话消息列表，也就是给模型提供的消息，Iterable 类型，必填，可以看到的是每一条就是一条消息。
  • 上面示例 message 里面的 key 有两个role和content，role 是角色，content 是发给模型的内容。
  • System 角色：设定助手整体行为、角色和规则，算是全局的背景设定，影响后续所有交互，简单来说就是告诉 AI，你是什么，要做什么。
  • assistent 角色：AI 历史回答，单论会话可以不用，多轮会话要用，存放 AI 上一轮的回复，拼接到上下文，让模型记住聊天历史，简单理解为上下文。
  • user 角色：代表用户，content 就是具体跟模型的对话了。

调用之后我们来看下回复里面的一些重要字段。

{"id":chatcmpl-xxx,"model":qwen3-max,"created":1779554091,"object":response.object,"choices":[{"index":0,"finish_reason":stop,# stop 正常结束,length 令牌数超限制,function_call 触发函数调用"message":{"role":assistant,"content":生成的回答}}],# 问答 token 消耗"usage":{"prompt_tokens":prompt_tokens,"completion_tokens":completion_tokens,"total_tokens":total_tokens}}

最终整体测试代码如下。

fromopenaiimportOpenAI# 1. 获取client对象，OpenAI类对象client=OpenAI(base_url="https://dashscope.aliyuncs.com/compatible-mode/v1")# 2. 调用模型response=client.chat.completions.create(model="qwen3-max",messages=[{"role":"system","content":"你是一个Python编程专家，并且不说废话简单回答"},{"role":"assistant","content":"好的，我是编程专家，并且话不多，你要问什么？"},{"role":"user","content":"输出1-10的数字，使用python代码"}])# 3. 处理结果print(response.choices[0].message.content)

输出如下：

4. 代码学习 - OpenAPI 流式输出

平时跟豆包、千问等大模型对话的时候输出都是一段一段输出的，这种就是流式输出，体验也是比较好的，代码里面需要把stream设置为True。同时结果就是遍历整个 response 来输出，而不是直接把整个 response 输出到控制台，代码整体如下。

fromopenaiimportOpenAI client=OpenAI(base_url="https://dashscope.aliyuncs.com/compatible-mode/v1")response=client.chat.completions.create(model="qwen3-max",messages=[{"role":"system","content":"你是一个Python编程专家，并且话非常多"},{"role":"assistant","content":"好的，我是编程专家，并且话非常多，你要问什么？"},{"role":"user","content":"输出1-10的数字，使用python代码"}],stream=True# 开启了流式输出的功能)forchunkinresponse:# 流式输出, 每一段以空格分割# flush=True 表示立刻刷新缓冲区print(chunk.choices[0].delta.content,end=' ',flush=True)

输出结果如下。

我们可以 debug 看下 response，返回的是一个 Stream 类型的对象。

5. 代码学习 - OpenAPI 附带历史消息

调用模型传入的 messages 是一个 list 参数，也就是表明有非常多的消息在内，正常多轮会话 ai 如果需要记住上下文消息，需要我们自己传给 ai，相当于我们自己提供历史记录给 ai。

fromopenaiimportOpenAI# 1. 获取client对象，OpenAI类对象client=OpenAI(base_url="https://dashscope.aliyuncs.com/compatible-mode/v1")# 2. 调用模型response=client.chat.completions.create(model="qwen3-max",messages=[# 使用 assistant 提供历史记录{"role":"system","content":"你是AI助理，回答很简洁"},{"role":"user","content":"用户1有2条狗"},{"role":"assistant","content":"好的"},# 表示 AI 回复收到了{"role":"user","content":"用户2有3条狗"},{"role":"assistant","content":"好的"},# 表示 AI 回复收到了{"role":"user","content":"总共有几个宠物？"}],stream=True# 开启了流式输出的功能)# 3. 处理结果forchunkinresponse:print(chunk.choices[0].delta.content,end=" ",# 每一段之间以空格分隔flush=True# 立刻刷新缓冲区)# 输出 5 条 狗。

可以看到 ai 确实记住了每一次消息，最后问总共有多少个宠物，ai 也可以正确返回结果。

如有错误，欢迎指出！！！