Python调用OpenAI API完整教程：从零到精通

前言

最近AI大模型火得一塌糊涂，很多开发者想把GPT接到自己项目里，但官方文档看着一头雾水。这篇文章把整个流程从头到尾走一遍，保证你看完就能跑起来。

一、准备工作

1.1 安装OpenAI SDK

``bash
pip install openai
`

建议用虚拟环境隔离：

`bash
python -m venv ai-env
# Windows
ai-env\Scripts\activate
# macOS/Linux
source ai-env/bin/activate
pip install openai
`

1.2 获取API Key

到OpenAI官网注册账号，在API Keys页面创建一个新的Key。

⚠️ 注意：API Key只显示一次，务必保存好。如果泄露了立刻去后台撤销。

二、最简示例：一次对话

`python
from openai import OpenAI

client = OpenAI(api_key="你的API密钥")

response = client.chat.completions.create(
model="gpt-4o-mini",
messages=[
{"role": "user", "content": "用一句话解释什么是递归"}
]
)

print(response.choices[0].message.content)
`

输出示例：

递归是函数在自己的定义中调用自身，通过不断缩小问题规模直到满足终止条件来求解问题的编程技巧。

三、流式输出（打字机效果）

普通调用要等AI全部生成完才返回，体验差。流式输出可以逐字显示：

`python
from openai import OpenAI

client = OpenAI(api_key="你的API密钥")

stream = client.chat.completions.create(
model="gpt-4o-mini",
messages=[
{"role": "user", "content": "写一首关于编程的五言绝句"}
],
stream=True # 关键参数
)

for chunk in stream:
if chunk.choices[0].delta.content is not None:
print(chunk.choices[0].delta.content, end="", flush=True)

print() # 换行
`

四、多轮对话

AI模型本身没有记忆，多轮对话靠你把历史消息传回去：

`python
from openai import OpenAI

client = OpenAI(api_key="你的API密钥")

# 维护对话历史
messages = [
{"role": "system", "content": "你是一个Python编程助手，回答简洁专业。"}
]

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

response = client.chat.completions.create(
model="gpt-4o-mini",
messages=messages
)

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

# 测试多轮对话
print(chat("Python的列表推导式是什么？"))
print(chat("能给几个实际例子吗？"))
print(chat="和map/filter比哪个好？"))
`

⚠️ 注意：messages列表会越来越长，token消耗也越大。生产环境需要做截断或摘要处理。

五、实用技巧

5.1 控制输出格式（JSON Mode）

`python
response = client.chat.completions.create(
model="gpt-4o-mini",
messages=[
{"role": "user", "content": "列出3个Python Web框架，用JSON格式返回，字段：name, description, stars"}
],
response_format={"type": "json_object"} # 强制JSON输出
)

import json
data = json.loads(response.choices[0].message.content)
print(json.dumps(data, indent=2, ensure_ascii=False))
`

5.2 设置温度参数

`python
response = client.chat.completions.create(
model="gpt-4o-mini",
messages=[{"role": "user", "content": "给我起一个技术博客名字"}],
temperature=0.9 # 0=保守确定，1=创意发散
)
`

- temperature=0：适合事实性问答、代码生成
- temperature=0.7：通用场景
- temperature=1.0+：创意写作、头脑风暴

5.3 超时和重试

`python
from openai import OpenAI
import time

client = OpenAI(
api_key="你的API密钥",
timeout=30.0, # 请求超时30秒
max_retries=2 # 最多重试2次
)
`

5.4 计算Token消耗

`python
# 响应对象中包含token统计
response = client.chat.completions.create(
model="gpt-4o-mini",
messages=[{"role": "user", "content": "你好"}]
)

usage = response.usage
print(f"输入Token: {usage.prompt_tokens}")
print(f"输出Token: {usage.completion_tokens}")
print(f"总计Token: {usage.total_tokens}")
`

六、常见错误处理

`python
from openai import OpenAI, APIError, RateLimitError, APIConnectionError

client = OpenAI(api_key="你的API密钥")

try:
response = client.chat.completions.create(
model="gpt-4o-mini",
messages=[{"role": "user", "content": "Hello"}]
)
except RateLimitError:
print("⚠️ 请求太频繁，请稍后重试")
except APIConnectionError:
print("⚠️ 网络连接失败，检查网络设置")
except APIError as e:
print(f"⚠️ API错误：{e.status_code} - {e.message}")
else:
print(response.choices[0].message.content)
`

七、函数调用（Function Calling）

让AI有能力调用外部工具：

`python
import json

client = OpenAI(api_key="你的API密钥")

# 定义工具
tools = [
{
"type": "function",
"function": {
"name": "get_weather",
"description": "获取指定城市的天气信息",
"parameters": {
"type": "object",
"properties": {
"city": {
"type": "string",
"description": "城市名称"
}
},
"required": ["city"]
}
}
}
]

# 第一次调用：AI决定是否使用工具
response = client.chat.completions.create(
model="gpt-4o-mini",
messages=[{"role": "user", "content": "北京今天天气怎么样？"}],
tools=tools
)

message = response.choices[0].message

if message.tool_calls:
# AI想要调用工具
tool_call = message.tool_calls[0]
args = json.loads(tool_call.function.arguments)
print(f"AI想调用: {tool_call.function.name}({args})")

# 这里执行实际函数，模拟返回结果
weather_result = {"city": "北京", "temperature": "22°C", "condition": "晴"}

# 第二次调用：把工具结果传回给AI
response2 = client.chat.completions.create(
model="gpt-4o-mini",
messages=[
{"role": "user", "content": "北京今天天气怎么样？"},
message,
{
"role": "tool",
"tool_call_id": tool_call.id,
"content": json.dumps(weather_result, ensure_ascii=False)
}
],
tools=tools
)
print(response2.choices[0].message.content)
`

八、模型选择指南

| 模型 | 适用场景 | 价格（输入/输出 per 1M tokens） |
|------|---------|------|
| gpt-4o | 复杂推理、代码生成、长文分析 | $2.5 / $10 |
| gpt-4o-mini | 日常对话、简单任务、高频调用 | $0.15 / $0.6 |
| o3-mini | 数学推理、逻辑分析 | $1.1 / $4.4 |

日常开发用 gpt-4o-mini 性价比最高，复杂任务再上 gpt-4o。

九、异步调用

高并发场景用异步：

`python
import asyncio
from openai import AsyncOpenAI

async def main():
client = AsyncOpenAI(api_key="你的API密钥")

# 并发5个请求
tasks = [
client.chat.completions.create(
model="gpt-4o-mini",
messages=[{"role": "user", "content": f"用5个字形容数字{i}"}]
)
for i in range(5)
]

responses = await asyncio.gather(*tasks)
for i, resp in enumerate(responses):
print(f"{i}: {resp.choices[0].message.content}")

asyncio.run(main())
``

总结

- 基础调用只需要3行代码
- 多轮对话靠维护messages列表
- 流式输出提升用户体验
- Function Calling让AI能调用外部工具
- 日常用gpt-4o-mini，复杂任务上gpt-4o

有问题欢迎评论区讨论，我会尽量回复。