前言
大家好，我是船长。
今天DeepSeek V4开放了百万级上下文能力，这对于AI应用开发者来说是一个重大利好。作为数据分析师和Python开发者，如何快速上手调用这些大模型API，是一个很实用的技能。
今天分享Python调用大模型API的完整实战代码，包括DeepSeek、GPT、Claude等主流模型的调用方式，以及token计算、流式输出、错误处理等实战技巧。
一、环境准备
首先安装必要的依赖：
pip install openai anthropic requests tiktoken
二、调用DeepSeek API
DeepSeek是国内领先的大模型提供商，API调用方式与OpenAI兼容：
from openai import OpenAI
初始化客户端
client = OpenAI( api_key="your-deepseek-api-key", base_url="api.deepseek.com" )
同步调用
response = client.chat.completions.create( model="deepseek-chat", messages=[ {"role": "system", "content": "你是一个数据分析助手"}, {"role": "user", "content": "请解释什么是数据清洗"} ], max_tokens=1000, temperature=0.7 )
print(response.choices[0].message.content)
三、流式输出实现
流式输出可以提升用户体验，特别适合长文本生成场景：
流式调用示例
stream = client.chat.completions.create( model="deepseek-chat", messages=[{"role": "user", "content": "写一个Python快速排序"}], stream=True )
for chunk in stream: if chunk.choices[0].delta.content: print(chunk.choices[0].delta.content, end="", flush=True)
四、Token计算与成本控制
使用tiktoken库计算token数量，控制API调用成本：
import tiktoken
def count_tokens(text, model="gpt-3.5-turbo"): """计算文本token数量""" encoding = tiktoken.encoding_for_model(model) return len(encoding.encode(text))
def estimate_cost(text, model="gpt-3.5-turbo"): """估算API调用成本""" tokens = count_tokens(text, model) # gpt-3.5-turbo: $0.002/1K tokens (2024价格) cost_per_1k = 0.002 return tokens / 1000 * cost_per_1k
使用示例
text = "这是一段测试文本，用于计算token数量" print(f"Token数: {count_tokens(text)}") print(f"预估成本: ${estimate_cost(text):.6f}")
五、错误处理与重试机制
生产环境必须做好错误处理和重试机制：
import time from openai import RateLimitError, APIError
def call_with_retry(client, messages, max_retries=3, delay=1): """带重试机制的API调用""" for attempt in range(max_retries): try: response = client.chat.completions.create( model="deepseek-chat", messages=messages ) return response except RateLimitError: print(f"限流，第{attempt+1}次重试...") time.sleep(delay * (attempt + 1)) except APIError as e: print(f"API错误: {e}") if attempt == max_retries - 1: raise return None
使用示例
messages = [{"role": "user", "content": "你好"}] response = call_with_retry(client, messages)
六、实用封装类
封装一个通用的LLM调用类，方便项目使用：
class LLMClient: def init(self, provider="deepseek", api_key=None): self.provider = provider if provider == "deepseek": self.client = OpenAI(api_key=api_key, base_url="api.deepseek.com") self.model = "deepseek-chat" elif provider == "openai": self.client = OpenAI(api_key=api_key) self.model = "gpt-3.5-turbo"
def chat(self, prompt, system=None, **kwargs):
messages = []
if system:
messages.append({"role": "system", "content": system})
messages.append({"role": "user", "content": prompt})
response = self.client.chat.completions.create(
model=self.model,
messages=messages,
**kwargs
)
return response.choices[0].message.content
def batch_chat(self, prompts):
"""批量处理多个prompt"""
return [self.chat(p) for p in prompts]
使用示例
llm = LLMClient(provider="deepseek", api_key="your-key") result = llm.chat("解释什么是数据分析")
七、总结
今天分享了Python调用大模型API的完整实战技能：
-
DeepSeek API调用（与OpenAI兼容）
-
流式输出实现
-
Token计算与成本控制
-
错误处理与重试机制
-
通用LLM封装类
大模型API调用是AI应用开发的基础技能。掌握了这些技能，你就可以快速构建各种AI辅助工具，提升工作效率。
觉得有用，转给需要的朋友。
