Python 基础到 AI 实战，我只用了一个案例：亚马逊产品文案自动生成
前言
最近在系统学习 Python，从最基础的 list 和切片，到双指针实现字符串 trim，再到大模型 API 调用和 Prompt 工程，一路上踩了不少坑。本文把这些知识点串成一条线，适合刚接触 Python 或想快速上手 LLM 开发的同学。
一、Python List：灵活的动态容器
如果你有 JavaScript 背景，Python 的 list 会让你觉得很亲切——它和 JS 的 Array 非常像：
- 动态扩容：不需要像 Java/C++ 那样提前指定容量
- 不约束类型：同一个 list 里可以放不同类型的值
L = ["张三", "李四", "王五", "赵六", "孙七"]
# 取前三项——传统写法
r = []
n = 3
for i in range(n):
r.append(L[i])
print(r) # ['张三', '李四', '王五']
但 Python 有更优雅的方式。
二、切片（Slice）：一行代码，告别循环
切片是 Python 中最实用的特性之一，大大简化了取部分元素的操作：
L = ["张三", "李四", "王五", "赵六", "孙七"]
L[0:3] # ['张三', '李四', '王五']
L[:3] # 同上，省略 0
L[1:3] # ['李四', '王五']
L[-2:] # ['赵六', '孙七'] —— 倒数两个
切片同样适用于字符串和其他序列类型：
'ABCDEFG'[:3] # 'ABC'
'ABCDEFG'[::2] # 'ACEG' —— 步长为2
L = list(range(100))
L[:10] # 前10个
L[-10:] # 后10个
L[:10:2] # 前10个，每隔一个取一个
L[::5] # 每5个取一个
语法很简单：[start:stop:step]，三个值都可以省略，非常灵活。
三、双指针实现 trim：理解切片原理
Python 内置了 strip() 方法，但如果自己实现一个，可以帮助你更好地理解切片和双指针思想：
def trim(s):
# 左指针：找到第一个非空格字符
left = 0
while left < len(s) and s[left] == ' ':
left += 1
# 右指针：找到最后一个非空格字符
right = len(s)
while right > left and s[right - 1] == ' ':
right -= 1
# 切片截取
return s[left:right]
print(trim(" hello world ")) # "hello world"
四、LLM 接入：用 DeepSeek API 做产品文案生成
前面都是基础，接下来进入正题——调用大模型 API。
4.1 背景知识
2022 年底，OpenAI 基于 Google 开源的 Transformer 架构，掀起了生成式 AI 浪潮。现在主流大模型厂商包括：
| 厂商 | 模型 | API 兼容性 |
|---|---|---|
| OpenAI | GPT 系列 | 行业标准 |
| DeepSeek | deepseek-chat | 兼容 OpenAI SDK |
| Gemini | 有差异 | |
| Anthropic | Claude | 有差异 |
DeepSeek 因为兼容 OpenAI 的 SDK，切换成本极低——只需改 base_url 和 api_key。
4.2 安装依赖
pip install --upgrade openai -q
4.3 完整代码
from openai import OpenAI
client = OpenAI(
api_key="你的 DeepSeek API Key",
base_url="https://api.deepseek.com/v1"
)
COMPLETION_MODEL = "deepseek-chat"
prompt = """
Consideration product:
工厂现货PVC充气青蛙夜市地摊热卖充气玩具发光娃儿童水上玩具
1. Compose human readable product title used on Amazon in english within 20 words.
2. Write 5 selling points for the products in Amazon
3. Evaluate a price range for this product in U.S.
Output the result in json format with three properties called title, selling_point and price_ranges
"""
def get_response(prompt):
response = client.chat.completions.create(
model=COMPLETION_MODEL,
messages=[
{"role": "user", "content": prompt}
]
)
return response.choices[0].message.content
result = get_response(prompt)
print(result)
4.4 运行结果
{
"title": "Inflatable PVC Frog Toy Night Market Best Seller Light Up Water Toys for Kids",
"selling_point": [
"Bright LED lights make the frog glow in the dark, perfect for night play and night market atmosphere.",
"Made of durable PVC material, safe and non-toxic for kids outdoor water fun.",
"Lightweight and easy to inflate, deflate and carry for pool, beach or bath time.",
"Eye-catching design and vibrant colors attract children's attention at parties or night markets.",
"Versatile toy for both land and water activities, including night markets, beaches and swimming pools."
],
"price_ranges": "USD 4.99 - USD 9.99 per piece"
}
五、Prompt 工程要点
以上面的 prompt 为例，一个好的 prompt 需要具备三个要素：
- 清晰详细的目标描述：不只是"写个标题"，而是"适合 Amazon 的、20 词以内的英文产品标题"
- 分步骤：用 1、2、3 编号拆解任务，LLM 更不容易遗漏
- 约束输出格式：指定 JSON 格式和字段名（
title、selling_point、price_ranges），方便后续程序解析
Output the result in json format with three properties called title, selling_point and price_ranges
六、为什么 Python 适合这个场景？
回到开头的问题——为什么用 Python 而不是 JS？
- Python 适合计算：有高精度数值类型，JS 的 Number 类型在处理浮点数时精度有限
- Python 生态强大：机器学习、爬虫、数据分析的开源库非常丰富
- JS 适合展示：页面交互、前端渲染是 JS 的主战场
选对工具，事半功倍。
总结
本文从一个简单的 list 切片出发，到双指针实现 trim，最后用 DeepSeek API 完成了一个产品文案生成的实际案例。三个看似独立的知识点，串联起来就是"用 Python 调用 LLM"的完整入门路径。
希望对你有帮助。
本文首发于掘金，作者：dfp
