IT策士 10余年一线大厂经验，专注大模型测试、AI产品质量保障与职场进阶。我会在各个平台持续发布最新文章，助你少走弯路。

前两篇文章我们聊了 AI 的演进脉络与三种主流形态，今天正式进入实战环节——用 Python 调用大模型 API，跑通你的第一个 AI 程序。

这是整个系列的技术起点，也是后续所有测试自动化（基准测试、功能测试、性能压测）的基石。无论你之前是否有过 API 调用经验，跟着本文一步步操作，都能在 10 分钟内完成首次人机对话。

一、为什么测试工程师必须学会调 API？

在与大模型打交道的过程中，你迟早要面对模型的 API 接口。无论是做：

• 基准测试（对比不同模型的推理质量）

• 功能测试（验证特定场景下的输出正确性）

• 接口压测（评估吞吐量和延迟）

第一步永远都是建立稳定、可复现的调用管道。

幸运的是，当下主流大模型 API 均遵循OpenAI 兼容的 Chat Completions 规范，这意味着你只需要学会一个库（openai），就可以无缝切换 GPT‑5.4、Claude‑4.8、Gemini‑3.5、DeepSeek‑V4 等最新旗舰模型——只需修改base_url和model名称即可。

二、环境准备：5 分钟搭建开发环境

2.1 安装 Python 库

确保你的 Python 版本 ≥ 3.8，然后执行：

预期输出（版本号可能略有不同）：

Collecting openai Downloading openai-1.x.x-py3-none-any.whl... Installing collected packages: openai Successfully installed openai-1.x.x

可选：若后续需要更底层的 HTTP 控制，可额外安装httpx（pip install httpx），本篇暂用同步方式。

2.2 获取 API Key（以 DeepSeek 为例）

DeepSeek 注册即赠送免费额度，非常适合新手练习。

1. 访问 platform.deepseek.com 并注册账号。

2. 进入“API Keys”页面，点击“创建 API Key”。

3. 复制并妥善保存生成的 Key（仅显示一次）。

2.3 安全配置 API Key

铁律：永远不要把 API Key 硬编码到代码中，更不要提交到代码仓库。

推荐使用环境变量：

exportDEEPSEEK_API_KEY="sk-xxxx"

如果你已有 OpenAI、Anthropic 或 Google 的 Key，后续只需替换base_url和model参数即可。

三、第一个请求：和模型打个招呼

3.1 最小可用代码

以下示例调用 DeepSeek 最新对话模型（当前为 DeepSeek‑V4）。你也可以将model改为"gpt-5.4"、"claude-4.8"或"gemini-3.5"，并同步修改base_url。

from openaiimportOpenAI# 初始化客户端（请替换为你的真实 Key）client=OpenAI(api_key="sk-your-api-key",base_url="https://api.deepseek.com")# 发送聊天请求response=client.chat.completions.create(model="deepseek-chat",# deepseek-chat 始终指向最新对话模型（当前为 V4）messages=[{"role":"user","content":"你好，请用一句话介绍你自己"}])# 提取回复内容reply=response.choices[0].message.content print(reply)

预期输出（示例）：

你好！我是 DeepSeek-V4，由深度求索公司创造的最新版大语言模型，擅长推理、创作与多领域问答。

3.2 代码逐行解析

一次完整的“请求 → 响应”闭环就此完成。后续所有的测试任务（基准测试、安全测试、性能压测）都建立在这个基础模式之上。

四、深入理解请求结构

4.1 Messages 的角色分工

每条消息都是一个字典，包含role和content两个字段：

{"role":"角色","content":"消息内容"}

role有三种取值：

4.2 多轮对话示例

response=client.chat.completions.create(model="deepseek-chat",messages=[{"role":"system","content":"你是一个言简意赅的助手，每次回答不超过20字。"},{"role":"user","content":"什么是回归测试？"},{"role":"assistant","content":"修改代码后，重新执行已有测试，确保未引入新缺陷。"},{"role":"user","content":"它和冒烟测试有什么区别？"}])print(response.choices[0].message.content)

预期输出（示例）：

4.3 关键参数速览

所有兼容 OpenAI 的模型都支持以下核心参数：

response=client.chat.completions.create(model="deepseek-chat",# 可换为 "gpt-5.4"、"claude-4.8"、"gemini-3.5"messages=[{"role":"user","content":"讲个笑话"}],temperature=0.8,# 随机性，0~2，越高越天马行空top_p=0.9,# 核采样概率阈值max_tokens=100,# 限制输出最大 token 数n=1,# 生成几个候选回复stop=["\n\n"]# 遇到指定文本即停止生成)

测试建议：对于需要可重复结果的场景（如回归测试），通常将temperature设为0，以降低输出的随机性。

五、响应对象全解析

响应对象包含的信息远不止文本，测试工程师需要精细化解析各个字段。

response=client.chat.completions.create(model="deepseek-chat",messages=[{"role":"user","content":"1+1=?"}])# 打印完整 JSON 结构（便于调试）print(response.model_dump_json(indent=2))

简化后的响应结构（各模型通用）：

{"id":"chatcmpl-xxxx","object":"chat.completion","created":1715000000,"model":"deepseek-chat","choices":[{"index":0,"message":{"role":"assistant","content":"1+1=2"},"finish_reason":"stop"}],"usage":{"prompt_tokens":9,"completion_tokens":4,"total_tokens":13}}

测试中重点关注字段：

finish_reason 的测试价值

response=client.chat.completions.create(model="deepseek-chat",messages=[{"role":"user","content":"从1数到1000"}],max_tokens=50# 故意设小，引发截断)finish_reason=response.choices[0].finish_reasoniffinish_reason=="length":print("⚠️ 输出被截断，max_tokens 不足")eliffinish_reason=="stop":print("✅ 正常结束")eliffinish_reason=="content_filter":print("🚫 内容被安全策略拦截")

六、封装可复用的测试函数

将上述调用逻辑封装成一个函数，后续所有评测脚本均可基于此扩展。

def call_llm(prompt,system_prompt=None,temperature=0.0,max_tokens=500):""" 统一的 LLM 调用接口 当前使用 DeepSeek-V4（deepseek-chat） 可替换为"gpt-5.4"、"claude-4.8"或"gemini-3.5"""" messages=[]ifsystem_prompt: messages.append({"role":"system","content":system_prompt})messages.append({"role":"user","content":prompt})response=client.chat.completions.create(model="deepseek-chat",messages=messages,temperature=temperature,max_tokens=max_tokens)return{"content":response.choices[0].message.content,"finish_reason":response.choices[0].finish_reason,"tokens_used":response.usage.total_tokens,"model":response.model}# 使用示例result=call_llm(prompt="请用JSON格式返回：姓名张三，年龄30",system_prompt="你总是输出合法JSON，不加任何解释",temperature=0.0)print(f"回答: {result['content']}")print(f"Token消耗: {result['tokens_used']}")print(f"结束原因: {result['finish_reason']}")

预期输出：

回答:{"姓名":"张三","年龄":30}Token消耗:42结束原因: stop

七、常见错误与调试

7.1 API Key 无效

错误信息：

openai.AuthenticationError: Error code:401- Invalid API Key

解决：检查 Key 是否复制完整、是否已激活、账户是否有余额。

7.2 模型名称错误

错误信息：

openai.NotFoundError: Error code:404- The model`xxx`does not exist

解决：确认厂商提供的准确模型名，常用对照如下：

7.3 网络连接失败

内网环境可能需要设置代理：

方式一（环境变量）：

exportHTTP_PROXY=http://your-proxy:portexportHTTPS_PROXY=http://your-proxy:port

方式二（代码内指定）：

importhttpx client=OpenAI(api_key="...",base_url="...",http_client=httpx.Client(proxy="http://your-proxy:port"))

八、动手实验：验证你的第一个 AI 程序

完成以下三个小实验，观察并记录输出，加深理解。

实验 1：基础调用

response=client.chat.completions.create(model="deepseek-chat",messages=[{"role":"user","content":"用一句话解释什么是API测试"}])print(response.choices[0].message.content)print("Token消耗:", response.usage.total_tokens)

实验 2：对比 temperature 的影响

fortempin[0.0,0.5,1.5]: response=client.chat.completions.create(model="deepseek-chat",messages=[{"role":"user","content":"写一句广告语"}],temperature=temp)print(f"temp={temp}: {response.choices[0].message.content}")

观察：temperature 升高，输出是否更富创意、更多样化？

实验 3：截断检测

response=client.chat.completions.create(model="deepseek-chat",messages=[{"role":"user","content":"讲一个很长的故事"}],max_tokens=30)print("finish_reason:", response.choices[0].finish_reason)print("内容:", response.choices[0].message.content)

九、小结与下一步

从安装openai库，到封装可复用的call_llm函数，你已经迈出了大模型测试自动化的第一步。

我们掌握了：

• 请求结构（messages、temperature、max_tokens等参数）

• 响应解析（content、finish_reason、usage）

• 基本异常处理

所有 AI 测试的本质，无非是“发请求、收响应、做断言”。有了这个基础，后续的基准测试、接口测试、性能压测都将迎刃而解。

下一篇预告：《主流大模型全景图：GPT-5.4、Claude 4.8、Gemini 3.5、DeepSeek-V4 等》——横向对比最新旗舰模型的能力、成本与选型策略，帮你选出最适合测试的模型组合。

想了解更多，欢迎在各平台搜索「IT策士」，一起升级 AI 测试思维！