⚡10 分钟上手大模型 API：从注册到第一次调用

很多开发者第一次接大模型 API 会卡在环境配置上。这篇教程以 DeepSeek 为例（通义千问 / 智谱 / OpenAI 兼容端点同理），带你 10 分钟跑通第一个请求。学完你将掌握：curl 验证、Python / Node.js 调用、流式输出、多轮对话，以及看懂 token 计费。

准备工作

• 一个已注册的平台账号（本文以 DeepSeek 为例，通义千问 / 智谱 / 月之暗面流程一致）
• Python 3.9+ 或 Node.js 18+（任选其一即可，curl 无需安装）
• 支付方式：国内平台支持支付宝 / 微信；海外用户可用 OpenRouter 作为统一入口

完全不需要 GPU 或深度学习知识——调用大模型 API 和调用任何普通 HTTP 接口一模一样。

第一步：注册账号并获取 API Key

以 DeepSeek 为例：访问 platform.deepseek.com 注册账号，进入「API Keys」页面点击「创建新的 API Key」。请立刻复制保存——Key 只会完整显示一次，丢失只能重新生成。

安全第一原则：API Key 绝对不要提交到 Git 仓库，也不要写死在前端代码里。始终用环境变量引用它。

在 macOS / Linux 上，把 Key 写入环境变量：

# 写入环境变量（当前会话生效）
export DEEPSEEK_API_KEY="sk-你的实际密钥"

# 永久生效：追加到 ~/.zshrc 或 ~/.bashrc
echo 'export DEEPSEEK_API_KEY="sk-你的实际密钥"' >> ~/.zshrc
source ~/.zshrc

# 验证是否设置成功
echo $DEEPSEEK_API_KEY

第二步：用 curl 验证连通性

主流国产模型都提供 OpenAI 兼容接口，只需替换 base_url 和 api_key。用 curl 验证最快——能返回内容就说明 Key 有效：

curl https://api.deepseek.com/chat/completions \
  -H "Authorization: Bearer $DEEPSEEK_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-chat",
    "messages": [
      {"role": "user", "content": "用一句话介绍你自己"}
    ]
  }'

成功时会返回类似下面的结构。真正回复在 choices[0].message.content 里，usage 统计了本次消耗的 token，是计费依据：

{
  "id": "chatcmpl-xxx",
  "model": "deepseek-chat",
  "choices": [
    {
      "index": 0,
      "message": { "role": "assistant", "content": "你好，我是 DeepSeek……" },
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 12,
    "completion_tokens": 28,
    "total_tokens": 40
  }
}

第三步：用 Python 调用

推荐安装官方 OpenAI SDK。由于国产模型兼容 OpenAI 接口，只需把 base_url 指向国产平台即可：

pip install openai

import os
from openai import OpenAI

client = OpenAI(
    base_url="https://api.deepseek.com",       # 国产平台端点
    api_key=os.getenv("DEEPSEEK_API_KEY"),     # 从环境变量读取，不要硬编码
)

response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[
        {"role": "system", "content": "你是一个简洁有帮助的助手"},
        {"role": "user", "content": "写一个判断质数的 Python 函数"},
    ],
    temperature=0.7,   # 0~2，越高越发散
)

print(response.choices[0].message.content)
print("本次消耗 token:", response.usage.total_tokens)

或者用 requests 直接调 HTTP 接口

import os
import requests

resp = requests.post(
    "https://api.deepseek.com/chat/completions",
    headers={"Authorization": f"Bearer {os.getenv('DEEPSEEK_API_KEY')}"},
    json={
        "model": "deepseek-chat",
        "messages": [{"role": "user", "content": "你好"}],
    },
    timeout=60,
)
print(resp.json()["choices"][0]["message"]["content"])

第四步：用 Node.js 调用

npm install openai

import OpenAI from 'openai';

const client = new OpenAI({
  baseURL: 'https://api.deepseek.com',
  apiKey: process.env.DEEPSEEK_API_KEY,
});

const response = await client.chat.completions.create({
  model: 'deepseek-chat',
  messages: [{ role: 'user', content: '用三句话写一个 FastAPI 的 hello world' }],
});

console.log(response.choices[0].message.content);

第五步：流式输出（打字机效果）

长回复如果等全部生成再返回，体验会很卡顿。设置 stream=True 后，可以逐 token 边生成边接收，像 ChatGPT 一样的打字机效果：

stream = client.chat.completions.create(
    model="deepseek-chat",
    messages=[{"role": "user", "content": "写一篇 200 字关于春天的短文"}],
    stream=True,
)

for chunk in stream:
    delta = chunk.choices[0].delta.content
    if delta:
        print(delta, end="", flush=True)  # 逐步打印

第六步：多轮对话

大模型 API 是无状态的——服务器不会记住上一轮。要实现多轮对话，需要每次把完整历史发过去，即不断追加 messages 数组：

messages = [{"role": "system", "content": "你是一个耐心的编程导师"}]

def chat(user_input: str) -> str:
    messages.append({"role": "user", "content": user_input})
    response = client.chat.completions.create(model="deepseek-chat", messages=messages)
    reply = response.choices[0].message.content
    messages.append({"role": "assistant", "content": reply})  # 把回复写回历史
    return reply

print(chat("什么是闭包？"))
print(chat("举个例子"))  # 模型能理解「例子」指的是闭包的例子

对话太长时，token 会越积越多甚至超出上下文窗口。生产环境通常只保留最近 N 轮，或定期把历史总结成摘要。

看懂计费：token 是货币单位

大模型按 token 计费（1 个汉字约 1~2 token，1 个英文单词约 1.3 token）。输入和输出分开计价，输出通常比输入贵 2~4 倍。以 DeepSeek V4 为例：

折算下来，一次普通对话花费不到千分之一元。但高并发下成本会快速累积——这正是缓存和模型选择的意义。可以用本图鉴的省钱计算器，代入你的实际流量估算月度开销。

常见错误排查

下一步

• 函数调用（Function Calling）：让模型调用你的接口，构建真正的 Agent
• RAG 检索增强：接入向量数据库，让模型基于你的私有知识库回答
• Prompt 工程：用本站的 Prompt 模板库快速试用高质量提示词
• 模型选型：用模型筛选器按场景 / 预算 / 合规挑选替代方案，再用省钱计算器核算成本

跑通之后，记得把 Key 放进环境变量，切勿硬编码进代码仓库。你已经跨过了大模型应用开发的门槛，剩下的只是在这个基础上叠加功能。