核心说明：示例用「豆包API」（国内平台，API Key易申请，无需科学上网），全程贴合Jupyter单元格操作，分6步调试，每一步可独立运行、单独排错，完美适配你第1周“调用LLM API”的学习任务，代码带详细注释，后端视角易懂。

前提准备：

1. 已安装Jupyter并启动；
2. 已申请豆包API Key（登录豆包开放平台，创建应用即可获取，免费额度足够调试）；
3. 已掌握Token、Temperature、上下文基础。

第一步：新建Jupyter文件（回顾基础操作）

1. 启动Jupyter：Windows终端输入 jupyter notebook，Mac/Linux输入 jupyter3 notebook，自动弹出浏览器。

2. 新建文件：点击右上角「New」→「Python 3」，修改文件名为「week1-debug-llm-api」（规范命名，方便后续查找）。

第二步：安装依赖（Jupyter单元格运行，第一次安装即可）

调用LLM API需要「requests」库（发送HTTP请求，类比Java的OkHttp），在第一个单元格输入以下代码，点击「Run」运行安装：

# 安装调用API所需的依赖，感叹号“!”表示在终端执行命令
# 国内镜像源，安装更快，避免超时
!pip install requests -i https://pypi.tuna.tsinghua.edu.cn/simple

调试说明：运行后出现「Successfully installed requests」即成功；若失败，重新运行一次即可（网络波动问题）。

第三步：导入依赖+设置API Key（核心配置）

新建第二个单元格（快捷键「B」），输入以下代码，替换自己的豆包API Key，运行：

# 导入依赖（每次运行代码前，需先导入）
import requests
import json

# 关键配置：替换成你自己的豆包API Key（必做！）
API_KEY = "你的豆包API Key"
# 豆包API的请求地址（固定，不用改）
URL = "https://aquasearch.ai/api/v1/chat/completions"

# 配置请求头（类比Java的请求头设置，携带API Key鉴权）
headers = {
    "Content-Type": "application/json",
    "Authorization": f"Bearer {API_KEY}"
}

调试说明：

• API Key获取：登录豆包开放平台 → 控制台 → 创建应用 → 复制「API Key」。

• 运行无报错，说明依赖导入成功、配置无误；若报错「ModuleNotFoundError」，回到第二步重新安装requests。

第四步：调试「单轮对话」（基础调用，验证API连通性）

新建第三个单元格，输入代码（包含Temperature、Token参数，贴合之前学的LLM基础），运行调试：

# 单轮对话请求参数（核心！对应LLM基础的3个关键概念）
payload = {
    "model": "doubao-pro",  # 豆包模型，固定值（免费可用）
    "messages": [
        # 单轮对话：只有用户提问（user），无历史上下文
        {"role": "user", "content": "我想成为大模型应用开发者，给我1句建议"}
    ],
    "temperature": 0.3,  # 低随机性，回答严谨（适合客观建议）
    "max_tokens": 100,   # 限制输出token数量，避免回答过长、浪费费用
    "stream": False      # 非流式输出（先调试非流式，后续再调试流式）
}

# 发送POST请求（类比Java的HttpClient发送POST请求）
response = requests.post(url=URL, headers=headers, data=json.dumps(payload))

# 解析响应结果（将JSON响应转为Python字典，方便查看）
result = response.json()

# 打印最终回答（提取模型输出的内容）
print("LLM回答：", result["choices"][0]["message"]["content"])

调试重点（后端视角）：

• 运行成功：单元格下方会输出LLM的回答，说明API调用成功（核心目标）。

• 常见报错及解决：

  • 报错「401 Unauthorized」：API Key错误，重新替换正确的API Key。

  • 报错「ConnectionError」：网络问题，检查网络，重新运行单元格。

  • 报错「max_tokens exceeds limit」：减小max_tokens的值（比如改为50）。

• 参数调试：修改temperature（比如改为0.8），重新运行，观察回答的随机性变化（贴合之前学的Temperature知识点）。

第五步：调试「多轮对话」（上下文应用，重点）

新建第四个单元格，调试多轮对话（用到「上下文」知识点，类比Java的Session），运行：

# 多轮对话：维护上下文（messages列表里存所有历史对话）
payload = {
    "model": "doubao-pro",
    "messages": [
        # 历史对话1：用户提问
        {"role": "user", "content": "什么是LLM的Token？"},
        # 历史对话2：模型回答（模拟上一轮回答，实际开发中从历史记录中获取）
        {"role": "assistant", "content": "Token是LLM的最小处理单位，将文字拆分为模型可识别的语义单元，用于计费和上下文限制。"},
        # 当前提问：结合上下文，模型能识别“它”指的是Token
        {"role": "user", "content": "它和Java里的字符有什么区别？"}
    ],
    "temperature": 0.2,
    "max_tokens": 150,
    "stream": False
}

# 发送请求并解析
response = requests.post(url=URL, headers=headers, data=json.dumps(payload))
result = response.json()

# 打印回答（模型会结合上下文，解释Token和Java字符的区别）
print("LLM多轮对话回答：", result["choices"][0]["message"]["content"])

调试说明：

• 核心逻辑：上下文保存在「messages」列表中，每一轮对话都要将历史记录（user+assistant）传入模型，模型才能“记住”之前的内容。

• 调试技巧：删除messages里的历史回答，重新运行，观察模型是否能正确理解“它”的含义（验证上下文的作用）。

第六步：调试「流式输出」（必做任务，打字机效果）

新建第五个单元格，调试流式输出（类比Java的流式响应），运行：

# 流式输出：逐字显示回答（和ChatGPT一样的打字效果）
payload = {
    "model": "doubao-pro",
    "messages": [{"role": "user", "content": "简单说下什么是上下文"}],
    "temperature": 0.4,
    "max_tokens": 120,
    "stream": True  # 关键：开启流式输出
}

# 发送流式请求（stream=True，获取流式响应）
response = requests.post(url=URL, headers=headers, data=json.dumps(payload), stream=True)

# 解析流式响应，逐字打印
print("流式输出（打字机效果）：")
for line in response.iter_lines():
    if line:
        # 解析每一行的响应（去除多余字符，提取有效内容）
        line = line.decode('utf-8').lstrip('data: ').rstrip(',')
        if line == '[DONE]':  # 流式结束标识
            break
        try:
            data = json.loads(line)
            # 提取当前流式输出的内容，打印不换行
            content = data["choices"][0]["delta"].get("content", "")
            if content:
                print(content, end="", flush=True)
        except:
            pass

调试说明：

• 运行后，会逐字显示LLM的回答（打字机效果），和你第1周“实现流式输出”的任务完全一致。

• 若流式输出无内容，检查stream是否设为True，或重新运行单元格（网络延迟）。

七、调试总结&避坑指南（后端视角重点）

• 1. 调试顺序：先调试「单轮对话」（确保API连通）→ 再调试「多轮对话」（上下文）→ 最后调试「流式输出」（任务重点），逐段排错，避免一次性写完整代码报错。
• 2. 核心避坑：API Key必须替换成自己的，否则无法调用；流式输出和非流式输出不能同时开启（stream设为True/False二选一）。
• 3. 贴合学习：这份示例完全对应你第1周的任务，调试成功后，可直接复用代码，修改提问内容、参数，完成本周的“CLI聊天机器人”任务。
• 4. 报错处理：遇到报错，先看报错信息（比如401=API Key错、ConnectionError=网络错），再对应解决，不用慌（后端调试的核心思路）。

补充：若你申请的是百度、阿里等其他平台的API Key，只需修改「URL」和「payload参数格式」（参考对应平台的开发者文档），核心调试逻辑完全一致。