基本使用

pip install openai

import os
from openai import OpenAI
# 1 获取客户端对象
client = OpenAI(
    # 若没有配置环境变量，请用百炼API Key将下行替换为：api_key="sk-xxx",
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)
# 2 调用模型
response = client.chat.completions.create(
    model="qwen3-max",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "你是谁？"},
    ],
    stream=True
)
# 3 处理返回结果
for chunk in response:
    print(
        chunk.choices[0].delta.content, 
        end=" ",  # 每段之间用空格分隔
        flush=True  # 立即刷新缓存区
    )

发送消息参数说明：

client.chat.completions.create创建ChatCompletion对象
model:选择所用模型，如代码的qwen3-max
messages:提供给模型的消息

        类型:list，可以包含多个字典消息每个字典消息包含2个key

•         role:角色
•         content:内容

stream:是否流式输出

system角色:设定助手的整体行为、角色和规则，为对话提供上下文框架(如指定助手身份、回答风格、核心要求)，是全局的背景设定，影响后续所有交互。（非必须）

assistant角色:代表 AI助手的回答，可以在代码中认为设定 （非必须）

user角色:代表用户，发送问题、指令或需求

响应数据参数说明：

print(response.choices[0].message.content) 输出模型回答的内容

流式输出

可以设定结果输出为stream模式(流式输出)，获得更好的使用体验。开启流式输出主要就2步:

1. 在client.chat.completions.create()调用模型的时候设定参数:stream=True
2. for循环response对象，并在循环内输出内容

附带历史消息

在message中加组织历史消息，让模型基于历史消息回的问题

PS:当前的历史消息是一次性的，如果是生产系统可以将消息保存到文件、数据库等持久化工具内，需要的时候提取使用

import os
from openai import OpenAI

client = OpenAI(
    # 若没有配置环境变量，请用百炼API Key将下行替换为：api_key="sk-xxx",
    # api_key=os.getenv("OPENAI_API_KEY"),
    api_key="sk-xxx",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)
completion = client.chat.completions.create(
    model="qwen3-max",
    messages=[
        {"role": "system", "content": "你是AI助理，简洁回答问题."},
        {"role": "user", "content": "小明有2条宠物狗？"},
        {"role": "assistant", "content": "好的"},
        {"role": "user", "content": "小明有2条宠物猫？"},
        {"role": "assistant", "content": "好的"},
        {"role": "user", "content": "小明有几只宠物？"},
    ],
    stream=True
)
for chunk in completion:
    print(chunk.choices[0].delta.content, end="", flush=True)