大家好，今天我们来聊聊如何用Python接入阿里云的大模型服务。无论你是刚接触编程的小白，还是想快速集成AI能力的开发者，这篇文章都能帮你快速上手。

一、准备工作

1.1 什么是阿里云大模型？

阿里云大模型（通义千问）是阿里巴巴推出的AI大语言模型，能够理解和生成自然语言，帮你完成问答、写作、代码生成等各种任务。通过API接口，我们可以用Python轻松调用它。

1.2 获取API Key

在开始写代码之前，需要先获取API密钥：

1. 访问阿里云百炼平台，注册并登录账号

2. 开通百炼服务（首次使用通常有免费额度）

3. 进入控制台，找到「密钥管理」，点击「创建API-Key」

4. 保存好生成的API Key（注意：只显示一次，务必妥善保管）

小提示：阿里云百炼平台经常有免费活动，比如Coding Plan等，可以让你免费体验大模型能力。

二、环境搭建

2.1 安装Python

确保你的电脑已安装Python 3.7或更高版本。打开终端（命令提示符），输入：

bash

python --version

如果显示版本号，说明已安装。如果没有，请先到Python官网下载安装。

2.2 安装OpenAI库

阿里云百炼平台的API兼容OpenAI的接口格式，所以我们只需要安装OpenAI的Python库即可：

bash

pip install openai

为什么用OpenAI库？ OpenAI库是目前最流行的AI调用库，接口简单易用，而且阿里云主动兼容了它的格式，这样我们只需要学会一套代码，就能调用多种大模型服务。

三、第一个调用示例

3.1 最简单的对话代码

新建一个Python文件（比如test_qwen.py），写入以下代码：

python

from openai import OpenAI

# 创建客户端
client = OpenAI(
    api_key="你的API-Key",  # 替换成你的真实API Key
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)

# 发送对话请求
response = client.chat.completions.create(
    model="qwen-plus",  # 使用的模型版本
    messages=[
        {"role": "system", "content": "你是一个乐于助人的助手"},
        {"role": "user", "content": "请用一句话介绍什么是Python"}
    ]
)

# 打印回复
print(response.choices[0].message.content)

运行代码：

bash

python test_qwen.py

如果一切正常，你会看到AI的回复，类似：

Python是一种简单易学、功能强大的编程语言，广泛应用于数据分析、人工智能和Web开发等领域。

3.2 代码解读

这段代码虽然简短，但包含了几个关键部分：

代码部分	说明
OpenAI(api_key=..., base_url=...)	创建客户端，指定API密钥和访问地址
model="qwen-plus"	选择模型版本，qwen-plus是比较常用的版本
messages	对话消息列表，支持system（系统设定）、user（用户）、assistant（助手）三种角色
response.choices[0].message.content	提取AI的回复内容

四、进阶使用技巧

4.1 隐藏API Key（重要！）

把API Key直接写在代码里是不安全的，尤其是要分享代码时。更好的做法是使用环境变量：

方法1：在终端设置临时变量

bash

# Windows命令提示符
set DASHSCOPE_API_KEY=你的API-Key

# macOS/Linux
export DASHSCOPE_API_KEY=你的API-Key

方法2：使用.env文件（推荐）

安装python-dotenv库：

bash

pip install python-dotenv

在项目目录下创建.env文件：

text

DASHSCOPE_API_KEY=你的API-Key

修改Python代码：

python

from openai import OpenAI
import os
from dotenv import load_dotenv

load_dotenv()  # 加载.env文件

client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),  # 从环境变量读取
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)

# 后续代码不变...

4.2 流式输出（逐字显示）

如果希望AI像打字机一样逐字输出，可以开启流式模式：

python

from openai import OpenAI
import os

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

# 开启流式输出
response = client.chat.completions.create(
    model="qwen-plus",
    messages=[
        {"role": "user", "content": "写一首关于夏天的五言诗"}
    ],
    stream=True  # 关键参数
)

# 逐字打印
for chunk in response:
    if chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="", flush=True)

4.3 带上下文的对话

大模型本身不记忆历史对话，需要我们自己维护：

python

from openai import OpenAI
import os

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

# 维护对话历史
messages = [
    {"role": "system", "content": "你是一个耐心的老师"},
    {"role": "user", "content": "小明有2条宠物狗"},
    {"role": "assistant", "content": "好的，我知道了"},
    {"role": "user", "content": "小红有3只宠物猫"},
    {"role": "assistant", "content": "好的"},
    {"role": "user", "content": "总共有几个宠物？"}
]

response = client.chat.completions.create(
    model="qwen-plus",
    messages=messages
)

print(response.choices[0].message.content)

4.4 调整参数

可以通过参数控制AI的回复风格：

python

response = client.chat.completions.create(
    model="qwen-plus",
    messages=[{"role": "user", "content": "写一个创意故事"}],
    temperature=0.8,      # 0-2，越高越有创意，越低越保守
    max_tokens=500,       # 最大生成长度
    top_p=0.9,            # 核采样，控制词汇多样性
)

参数	说明	建议值
temperature	随机性，越高越有创意	0.7-0.9适合创作，0.1-0.3适合问答
max_tokens	最大回复长度	根据需求设定，注意消耗
top_p	词汇多样性	通常0.8-0.95配合temperature使用

五、常见问题排查

5.1 报错：401 Unauthorized

原因：API Key无效或未正确设置。

解决：检查API Key是否正确，确认没有多余空格。

5.2 报错：404 Not Found

原因：base_url地址错误。

解决：确保使用正确的地址 https://dashscope.aliyuncs.com/compatible-mode/v1。

5.3 报错：Rate Limit Exceeded

原因：请求频率超过限制。

解决：降低请求频率，或在代码中添加延时（time.sleep(1)）。

5.4 免费额度查询

阿里云百炼平台通常赠送免费额度，可以在控制台的「资源消耗」页面查看剩余额度。

六、模型选择建议

阿里云百炼平台提供多种模型，新手可以根据需求选择：

模型	特点	适用场景
qwen-turbo	响应快，成本低	简单问答、日常对话
qwen-plus	平衡性能和成本	通用场景（推荐新手）
qwen-max	最强能力	复杂推理、高质量生成

七、完整示例：一个简单的聊天机器人

最后，我们来做一个简单的命令行聊天机器人：

python

from openai import OpenAI
import os

# 初始化客户端
client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)

# 初始化对话历史
messages = [
    {"role": "system", "content": "你是一个友好的AI助手，用中文回复，回答简洁。请你叫自己"小千""}
]

print("小千已上线！输入 quit 退出\n")

while True:
    user_input = input("你: ")
    if user_input.lower() == "quit":
        break
    
    # 添加用户消息到历史
    messages.append({"role": "user", "content": user_input})
    
    # 调用模型
    response = client.chat.completions.create(
        model="qwen-plus",
        messages=messages
    )
    
    # 获取回复
    assistant_reply = response.choices[0].message.content
    print(f"小千: {assistant_reply}\n")
    
    # 添加助手回复到历史
    messages.append({"role": "assistant", "content": assistant_reply})

运行后，你就可以和AI愉快地聊天了！

---

总结

通过本文的学习，你掌握了：

1. ✅ 如何获取阿里云大模型的API Key

2. ✅ 安装并配置OpenAI库

3. ✅ 编写第一个调用代码

4. ✅ 流式输出、上下文管理、参数调整

5. ✅ 常见问题排查

现在，你已经可以开始用Python调用阿里云大模型了。接下来，可以尝试做一些有趣的项目，比如：

• 自动写周报的工具

• 代码解释助手

• 翻译机器人

• 文章摘要生成器

祝你在AI开发的道路上越走越远！