Part 6 · 大模型 API 调用

Section 1 · 把 API 调用封装成函数

Subsection 1 · 记术语

Endpoint   接口地址，如 https://api.deepseek.comToken      计费单位（输入+输出都算钱）Prompt     你发给模型的所有内容（system+user+assistant）API Key    你的身份凭证（在 .env 里）

Subsection 2 · 写一个通用调用函数 VS Code 新建 llm_client.py：

python

import osfrom dotenv import load_dotenvfrom openai import OpenAIload_dotenv()_client = Nonedef get_client():    """懒加载：只用一次客户端，避免每次重复创建"""    global _client    if _client is None:        _client = OpenAI(            api_key=os.getenv("DEEPSEEK_API_KEY"),            base_url="https://api.deepseek.com",        )    return _clientdef chat(prompt: str, system: str = "你是乐于助人的助手。", temperature: float = 0.7):    """最常用的聊天函数：输入一句话，返回模型回答"""    resp = get_client().chat.completions.create(        model="deepseek-chat",        temperature=temperature,        messages=[            {"role": "system", "content": system},            {"role": "user", "content": prompt},        ],    )    return resp.choices[0].message.contentif __name__ == "__main__":    print(chat("你好，介绍一下你自己。"))

运行（python llm_client.py）
预期看到：模型自我介绍。
以后所有站都用这个 llm_client.py，这是你的"公共工具"。

过关：llm_client.py 能跑，且理解"为什么封装成函数" = Section 1 完成。

Section 2 · 流式输出（打字机效果）

做聊天产品必学：让回答一个字一个字蹦出来，而不是等全部生成完。

Subsection 1 · 跑流式代码 VS Code 新建 stream.py：

python

import osfrom dotenv import load_dotenvfrom openai import OpenAIload_dotenv()client = OpenAI(api_key=os.getenv("DEEPSEEK_API_KEY"), base_url="https://api.deepseek.com")print("模型：", end="", flush=True)stream = client.chat.completions.create(    model="deepseek-chat",    messages=[{"role": "user", "content": "写一段关于秋天的散文，大约100字。"}],    stream=True,   # 关键：开启流式)for chunk in stream:    piece = chunk.choices[0].delta.content    if piece:        print(piece, end="", flush=True)   # 逐字打印，不换行print()

预期看到：文字像打字机一样逐字蹦出来。
stream=True 后，每次返回一个"增量块"（delta），拼起来就是完整回答。

Subsection 2 · 理解 SSE 在备忘录写：

SSE  服务端单向推送，简单，适合"模型→用户"的流式文字（打字机用这个）WebSocket  双向通信，适合"聊天室/实时协作"（Part 20 做 AI 面试官再用）

你现在用的就是底层走 SSE 的效果。不用自己实现，SDK 已经封装好。

过关：能跑出打字机效果 = Section 2 完成。

Section 3 · Token 计费精算 + 站 4 验收

Subsection 1 · 算一笔真实账单

打开 https://api-docs.deepseek.com/quick_start/pricing （DeepSeek 价格页）看当前价格。
在 llm_client.py 里加一行打印用量：

python

resp = get_client().chat.completions.create(...)print("本次输入 tokens:", resp.usage.prompt_tokens)print("本次输出 tokens:", resp.usage.completion_tokens)

跑一次长一点的问答，记下输入/输出 token。
用"输入 token 数 × 输入单价 + 输出 token 数 × 输出单价"算这次花了多少钱。
预期看到：一次对话通常只要几分甚至几厘钱。
记住结论：单次便宜，规模化后成本才显著；做产品要控输入 token（Prompt 别啰嗦）、控输出 token（max_tokens 限制）。+

Subsection 2 · Part 6 验收勾选

能说出 Endpoint / Token / Prompt / API Key 的含义
llm_client.py 封装函数跑通，理解"懒加载客户端"
流式输出（打字机）跑通，理解 SSE 与 WebSocket 区别
会查模型价格、能算一次调用的成本
知道控成本的两个抓手（输入/输出 token）

全勾选 = Part 6 通过 → 进入下一站 Part 7 · RAG，15 天，最实战的一段）。