最简的 LLM 调用

1. 故事：我们到底要做什么

ChatGPT、文心一言、DeepSeek 网页版你都用过吧？你打字 → 它回答。

我们这门课的目标是用 Python 自己造一个这样的东西。但造之前，我们得先理解：当你在 ChatGPT 输入框里按下回车，背后到底发生了什么？

答案极其简单：

你的程序把一个 list（列表）发送给了大模型 API，大模型返回一句话。

仅此而已。这一章我们就把这件事做出来——什么 agent、什么循环、什么工具都没有，纯纯一句话一句话地对话。这是整门课所有后续章节的"地基"。

如果你连这章都没跑通，后面会越学越懵；如果跑通了，恭喜你已经迈过了最难的一步——搞定环境。

---

2. 跑起来：先看到效果，再讲原理

第一步：进入这一章的文件夹

在终端（Windows 是 PowerShell 或命令提示符）里，确保你已经 cd 到了仓库根目录 bread-agent/，然后：

cd ch00_hello

第二步：运行 main.py

python main.py

如果用的是 Anaconda 或者特定 Python 环境（例如老师让你用 D:\anaconda3\envs\yutong\python.exe），把上面命令的 python 替换成对应路径：

D:\anaconda3\envs\xxxxx\python.exe main.py

第三步：看到 AI 的回答

正常应该看到一行类似这样的话：

你好！我是一个友好的中文助理，随时可以帮你解答各种问题、聊天或提供信息查询。请问有什么可以帮助你的吗？

具体内容每次不一样（这是大模型的特性）。只要看到一行像样的中文回答，就算这一章跑通了。 🎉

如果报错了，跳到本文末尾的"4. 卡住了怎么办"。

---

3. 逐行精讲：30 行代码到底在干嘛

打开 main.py，跟我一行一行读：

第 11 行：导入工具包

import os
from dotenv import load_dotenv
from openai import OpenAI

• os 是 Python 自带的，用来读环境变量
• dotenv 让我们能读 .env 那个配置文件
• OpenAI 是 openai 这个包提供的客户端类，能帮我们调大模型 API

第 14 行：加载 .env

load_dotenv()

这一行会自动找到上层目录的 .env 文件，把里面的 OPENAI_API_KEY=xxx 这些都注入到环境变量。这就是为什么我们不需要把 key 写在代码里。

第 19-22 行：创建客户端

client = OpenAI(
    api_key=os.environ["OPENAI_API_KEY"],
    base_url=os.environ["OPENAI_BASE_URL"],
)

client 这个对象就是我们调 LLM 的"遥控器"。api_key 是身份认证，base_url 决定你调的是 DeepSeek 还是 OpenAI 还是别的。

os.environ["OPENAI_API_KEY"] 的意思是"读名为 OPENAI_API_KEY 的环境变量"。如果 .env 没配好，这里就会报 KeyError。

第 23 行：选哪个模型

MODEL = os.environ["MODEL"]

DeepSeek 的模型名叫 deepseek-chat；OpenAI 是 gpt-4o-mini 之类的。这个值也从 .env 来。

第 26 行：函数定义

def chat(user_input: str) -> str:

def 是 Python 定义函数的关键字。这个函数叫 chat，接受一个字符串参数叫 user_input，返回一个字符串。

冒号 : 后面的内容（缩进的部分）就是函数体。

第 31-34 行：★ 全章最重要的代码

messages = [
    {"role": "system", "content": "你是一个友好的中文助理。"},
    {"role": "user", "content": user_input},
]

这就是"对话"的真面目。它是一个 list（列表），里面装着两个 dict（字典）。

• 第一条：role="system"，是开发者（你）给 AI 的"角色设定"
• 第二条：role="user"，是真实用户输入的话

所有的 LLM 对话都长这样。ChatGPT 网页版背后传给后端的，就是这种 list。你必须把这个结构刻进脑子里，后面 8 章全建立在它之上。

第 36-39 行：调大模型

response = client.chat.completions.create(
    model=MODEL,
    messages=messages,
)

client.chat.completions.create() 这一长串就是"发请求"的标准写法。它接受两个关键参数：

• model：用哪个模型
• messages：上面那个 list

返回的 response 是一个对象，里面装着 AI 的回复，还有一些计费信息之类的。

第 42 行：取出回复

return response.choices[0].message.content

为啥要这么绕？因为 API 设计上允许一次返回多个候选答案（choices 是一个 list），我们只取第 0 个。每个候选里有个 message 对象，message.content 就是 AI 说的话。

第 45-47 行：程序入口

if __name__ == "__main__":
    reply = chat("用一句话介绍一下你自己。")
    print(reply)

if __name__ == "__main__": 是 Python 的惯用法，意思是"当这个文件被直接运行时，下面的代码才执行"。

我们调 chat()，把 AI 的回答存到 reply，然后打印。

---

卡住了怎么办（FAQ）

❌ ModuleNotFoundError: No module named 'openai' 或 'dotenv'

依赖没装。回到 bread-agent/ 根目录（不是在 ch00_hello 里），跑：

pip install -r requirements.txt

❌ KeyError: 'OPENAI_API_KEY'

.env 文件没找到，或者里面没填 key。检查：

1. .env 文件在 bread-agent/ 根目录，不是在 ch00_hello 里
2. 文件名是 .env（带前面那个点，没有 .txt 后缀）
3. 里面有一行 OPENAI_API_KEY=sk-真实的key
4. OPENAI_BASE_URL 和 MODEL 这两行也不能空

❌ openai.AuthenticationError: Incorrect API key

key 错了或复制时丢了字符。回 DeepSeek 控制台重新生成一个 key，完整复制（包括最前面的 sk-）粘贴到 .env。

❌ openai.APIConnectionError / Connection error

网络问题。如果你用 DeepSeek，国内宽带正常都能直连；如果用 OpenAI 官方接口，需要代理。

❌ 余额不足

去 https://platform.deepseek.com 充 5 块钱，能跑完整门课还有剩。

❌ 输出是乱码

Windows 命令提示符默认不是 UTF-8。试试用 PowerShell 而不是 cmd，或者运行前执行 chcp 65001。

---

5. 思考题（强烈建议做，做了才算学会）

题 1：改 system prompt

把 main.py 第 32 行 system 那条消息的 content 改成：

{"role": "system", "content": "你只能用 emoji 回答，不许用文字。"},

再跑一次，看会发生什么。理解：system prompt 对 AI 的行为有强约束力。

题 2：手动多轮对话

把 messages 改成下面这样（你提前帮 AI 编了一段假对话历史）：

messages = [
    {"role": "system", "content": "你是一个友好的中文助理。"},
    {"role": "user", "content": "你能记住我喜欢的颜色吗？我喜欢蓝色。"},
    {"role": "assistant", "content": "好的，我记住了，你喜欢蓝色。"},
    {"role": "user", "content": "我刚才说我喜欢什么颜色？"},
]

跑一次。AI 必须正确说出"蓝色"。理解：所谓"多轮对话"，就是 messages 越来越长。ch03 我们会让这个过程自动化。

题 3：切换 provider

如果你有其他 LLM 厂商的 key（Qwen、Moonshot、智谱、本地 Ollama 都行），改 .env 里的 OPENAI_BASE_URL 和 MODEL，跑一遍。理解：因为 OpenAI 接口已经成为事实标准，我们的代码不需要任何改动就能切到别家。

---

这一章你学会了什么

• ✅ 一段 LLM 对话，本质就是一个 list of dict
• ✅ 三种 role：system / user / assistant
• ✅ 用 client.chat.completions.create() 发请求
• ✅ 用 response.choices[0].message.content 取回复

下一章 ch01：让 AI 不再只是"动嘴说话"，而是会调用我们写的 Python 函数。