【PH8 大模型开放平台】API调用大模型（实用）- 基于PH8平台

在大模型 API 调用中，除了框架封装，直接使用官方库能更直观地理解调用逻辑。本文将完全基于openai官方库，带你从初始化到实战，掌握大模型 API 调用的核心方法，并使用PH8大模型开放平台进行演示。

🚀 PH8大模型开放平台：提供高性能、易上手、安全可靠的大模型服务，覆盖文本、图像、视频等多模态场景，支持按量计费，无预付费压力，10分钟内完成技术对接。

一、准备工作：环境与依赖

直接使用openai库调用 API，需先完成基础配置：

安装官方库：使用最新版本的库（v1 + 版本），支持所有主流大模型 API 格式（包括兼容 OpenAI 接口的平台如 PH8）：

pip install openai

获取 API 密钥：在平台注册账号，创建 API 密钥并妥善保存（后续用于身份验证）。

二、核心步骤：用 OpenAI 库初始化与调用大模型

以PH8平台为例，我们从初始化开始，逐步实现完整调用流程。

步骤 1：初始化客户端

openai库通过OpenAI类创建客户端实例，需指定 API 密钥、接口地址和默认模型（可选）。代码如下：

import openai
import os

# 初始化客户端（推荐通过环境变量管理密钥，避免硬编码）
client = openai.OpenAI(
    api_key=os.getenv("OPENAI_API_KEY") or "sk-xxx",  # 平台的API密钥
    base_url="https://ph8.co/v1",  # 平台接口地址
)

# 定义要调用的模型（支持多种主流模型）
MODEL = "claude-3-5-sonnet-latest"

• api_key：平台验证密钥，实际开发中强烈建议通过环境变量传入
• base_url：指定 API 接口地址，兼容 OpenAI API 格式
• MODEL：显式定义模型名称，支持 qwen、claude、deepseek、gpt、glm、文心一言等主流大模型

步骤 2：基础调用：发送消息并获取响应

大模型 API 的核心是通过"消息列表"传递对话内容：

# 构建对话消息（遵循OpenAI API消息格式）
messages = [
    {"role": "system", "content": "你是一个专业的技术助手，用简洁的语言解释技术问题。"},
    {"role": "user", "content": "请说明大模型API调用的基本流程。"}
]

# 调用模型（同步获取完整响应）
response = client.chat.completions.create(
    model=MODEL,  # 指定模型
    messages=messages,  # 对话消息列表
    temperature=0.7  # 控制回答随机性（0-1，值越低越稳定）
)

# 提取回答内容
answer = response.choices[0].message.content
print("模型回答：\n", answer)

步骤 3：多轮对话：保留上下文

实现多轮对话需在消息列表中追加历史对话记录：

import openai
import os

# 初始化客户端
client = openai.OpenAI(
    api_key=os.getenv("OPENAI_API_KEY") or "sk-xxx",
    base_url="https://ph8.co/v1",
)
MODEL = "claude-3-5-sonnet-latest"

# 初始化消息列表（包含系统提示）
messages = [
    {"role": "system", "content": "你是一个记忆型助手，记得历史对话内容。"}
]

# 模拟多轮对话
while True:
    user_input = input("请提问（输入q退出）：")
    if user_input.lower() == "q":
        break

    messages.append({"role": "user", "content": user_input})

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

    assistant_answer = response.choices[0].message.content
    messages.append({"role": "assistant", "content": assistant_answer})

    print(f"回答：{assistant_answer}\n")

步骤 4：流式调用：实时展示回答过程

使用流式调用实现实时输出效果：

import openai
import os

# 初始化客户端
client = openai.OpenAI(
    api_key=os.getenv("OPENAI_API_KEY") or "sk-xxx",
    base_url="https://ph8.co/v1",
)
MODEL = "claude-3-5-sonnet-latest"

# 构建消息
messages = [
    {"role": "system", "content": "你是一个聊天助手，回答简洁友好。"},
    {"role": "user", "content": "请介绍一下流式调用的作用。"}
]

# 流式调用模型
print("模型回答：", end="")
stream = client.chat.completions.create(
    model=MODEL,
    messages=messages,
    stream=True  # 开启流式返回
)

# 逐段输出流式结果
for chunk in stream:
    if chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="", flush=True)

三、关键参数详解

1. temperature：控制回答的随机性

response_stable = client.chat.completions.create(
    model=MODEL,
    messages=[{"role": "user", "content": "什么是人工智能？"}],
    temperature=0.1  # 低随机性：回答更标准、稳定
)

response_creative = client.chat.completions.create(
    model=MODEL,
    messages=[{"role": "user", "content": "什么是人工智能？"}],
    temperature=1.5  # 高随机性：回答更灵活、多样
)

2. max_tokens：限制回答的最大长度

response = client.chat.completions.create(
    model=MODEL,
    messages=[{"role": "user", "content": "详细介绍一下大模型"}],
    max_tokens=100  # 强制截断过长回答
)

3. 其他常用参数

response = client.chat.completions.create(
    model=MODEL,
    messages=[{"role": "user", "content": "总结Python的特点"}],
    top_p=0.3,  # 控制多样性
    stop=["总结完毕"]  # 设置停止符
)

四、平台优势

使用大模型开放平台的优势：

• 低价实惠：按量计费，无预付费压力
• 开箱即用：全场景API接口，10分钟内完成技术对接
• 性能极致：高效能大模型推理加速服务
• 模型丰富：支持qwen、claude、deepseek、gpt、glm、文心一言等主流大模型
• 兼容性强：完全兼容OpenAI接口规范

五、总结

通过本文的学习，你已经掌握了：

1. 如何使用OpenAI库初始化平台客户端
2. 基础调用、多轮对话和流式调用的实现方法
3. 关键参数的作用和配置技巧
4. 平台的优势和使用方法

现在你已经具备了通过API调用大模型的完整能力。建议获取更多模型信息和体验，开始你的大模型应用开发之旅！

---

💡 提示：本文示例基于大模型开放平台，提供免费额度和丰富的模型选择，是学习和开发大模型应用的理想选择。