域名与网站amh wordpress伪静态设置
在许多开发环境中，由于网络限制、依赖冲突或追求轻量化等原因，我们可能无法或不愿直接使用官方提供的 openai Python 包。但这并不意味着我们无法与 OpenAI 兼容的大模型 API 进行交互。本文将详细介绍如何使用 Python 中无处不在的 requests 库，来完成对大模型服务的非流式（一次性）调用。
背景
当我们需要与一个遵循 OpenAI API 规范的语言模型（例如 GPT 系列或像文心一言这样提供兼容接口的模型）进行通信时，requests 库提供了一种最直接、最底层的控制方式。我们只需要手动构造 HTTP 请求，就能实现与官方 SDK 相同的功能。
本文将以一个具体的非流式（stream=False）调用为例，展示从构建请求到解析响应的全过程。
准备工作
在开始之前，请确保你已经安装了 requests 库。如果没有，可以通过 pip 轻松安装
- API 端点 URL (Endpoint URL)：这是你要请求的服务器地址。
- API 密钥 (API Key)：用于身份验证的凭证。
分步实现
第一步：导入库与定义常量
我们首先导入 requests 和 json 库，并定义好 API 的基本信息。
注意： 直接在代码中硬编码 API Key 是一个非常不安全的做法。在生产环境中，强烈建议使用环境变量来管理此类敏感信息。
import requests
import json
import os# --- 安全地获取敏感信息 ---
# 建议从环境变量中读取 API Key
# 例如: export MY_API_KEY="你的API Key"
API_KEY = os.getenv("MY_API_KEY", "YOUR_API_KEY_HERE")
# API 服务的基础 URL
BASE_URL = "https://aistudio.baidu.com/llm/lmapi/v3" # 此处以 aistudio 为例# 拼接成完整的请求 URL
API_URL = f"{BASE_URL}/chat/completions"第二步：构造 HTTP 请求头 (Headers)
请求头包含了元数据，其中最重要的是 Content-Type 和 Authorization。
Content-Type: application/json：告诉服务器我们发送的数据是 JSON 格式。Authorization: Bearer YOUR_API_KEY：这是 OpenAI 兼容 API 标准的身份验证方式。
headers = {'Content-Type': 'application/json','Authorization': f'Bearer {API_KEY}'
}第三步：构造请求体 (Payload)
请求体是我们要发送给 API 的核心数据，它是一个 JSON 对象。我们将模型的参数，如模型名称、对话历史、温度等，都放在这个对象里。
对于非流式请求，请确保 stream 参数为 False 或直接省略。
# 构造请求体数据
data = {"model": "ernie-4.5-turbo-128k-preview","messages": [{"role": "user","content": "你好，请问你是谁？"},{"role": "assistant","content": "您好，我是一个AI大模型。"},{"role": "user","content": "请用 Python 写一个简单的 Hello World 程序。"}],"stream": False, # 关键：设置为 False 或省略此行以进行非流式请求# 其他可选参数"temperature": 0.8,"top_p": 0.8,"max_completion_tokens": 1024,
}第四步：发送请求并处理响应
一切准备就绪后，我们使用 requests.post() 方法发送请求。由于是非流式请求，程序会在此处阻塞，直到服务器处理完成并返回完整的响应。
一个健壮的程序应该包含完善的错误处理。
try:# 发送 POST 请求，requests 会自动将 data 字典转为 JSON 字符串response = requests.post(API_URL, headers=headers, json=data)# 检查 HTTP 状态码，如果请求失败（如 4xx, 5xx），则会抛出异常response.raise_for_status()# 将返回的 JSON 响应解析为 Python 字典response_data = response.json()# 从响应中提取模型生成的内容# 非流式响应的路径通常是 choices[0].message.contentif response_data.get("choices"):message_content = response_data["choices"][0]["message"]["content"]print("模型回答：")print(message_content)else:print("未能获取到有效的回答，服务器响应如下：")print(response_data)except requests.exceptions.RequestException as e:print(f"网络请求时发生错误: {e}")
except json.JSONDecodeError:print("无法解析服务器响应为 JSON 格式。")print("服务器原始响应:", response.text)
except KeyError:print("响应的 JSON 结构不符合预期，无法找到所需内容。")print("服务器原始响应:", response_data)运行以上代码，如果一切正常，你将一次性看到模型生成的完整回答。
输出结果：
总结
通过使用 requests 库，我们完全绕开了对 openai SDK 的依赖，实现了与大模型 API 的直接通信。这种方法的优点是：
- 零额外依赖：
requests几乎是 Python 环境的标配。 - 完全控制：你可以精细控制请求的每一个细节，包括超时、代理等。
- 环境通用：适用于任何不支持特定 SDK 的受限环境。