AI调用工具入门指南：从零搭建你的第一个智能应用

1次阅读

共计 2114 个字符，预计需要花费 6 分钟才能阅读完成。

在当今数字化时代，AI 调用工具已成为开发者扩展应用能力的必备技能。通过 API 接入预训练模型，开发者无需从零训练模型即可获得文本生成、图像识别等高级功能。更重要的是，这些工具让复杂 AI 能力像水电一样即开即用，大幅降低技术门槛。

OpenAI API：适合需要开箱即用语言模型的场景（如聊天机器人），提供简洁的 REST 接口，但商业使用需按 token 计费
TensorFlow Serving：适合部署自定义 TensorFlow 模型，需要掌握模型导出和 gRPC 协议，学习曲线较陡
HuggingFace：提供数千种开源模型，灵活性强但需要自行管理推理基础设施

安全实践是将密钥存储在环境变量中，避免硬编码在代码里：

# 在终端设置环境变量（临时生效）export OPENAI_API_KEY='your-api-key-here'

import os
import openai
from typing import Optional, Dict
import time
from tenacity import retry, stop_after_attempt, wait_exponential

# 从环境变量读取 API 密钥
openai.api_key = os.getenv("OPENAI_API_KEY")

@retry(stop=stop_after_attempt(3), wait=wait_exponential(multiplier=1, min=4, max=10))
async def chat_completion(
    prompt: str,
    model: str = "gpt-3.5-turbo",
    temperature: float = 0.7,  # 控制输出随机性（0-2）max_tokens: int = 500,
) -> Dict:
    """带自动重试的聊天补全请求"""
    try:
        response = await openai.ChatCompletion.create(
            model=model,
            messages=[{"role": "user", "content": prompt}],
            temperature=temperature,
            max_tokens=max_tokens,
            request_timeout=30  # 秒
        )
        return {"success": True, "data": response}
    except Exception as e:
        return {"success": False, "error": str(e)}

def parse_response(response: Dict) -> str:
    """提取 AI 返回的文本内容"""
    if not response.get("success"):
        return f"请求失败: {response['error']}"

    choices = response["data"]["choices"]
    return choices[0]["message"]["content"]

class ChatBot:
    """带上下文记忆的对话机器人"""
    def __init__(self):
        self.conversation_history = []

    async def ask(self, question: str) -> str:
        """添加当前问题到历史并获取回答"""
        self.conversation_history.append({"role": "user", "content": question})

        response = await chat_completion(prompt=self._format_history(),
            temperature=0.5  # 降低随机性使回答更稳定
        )

        answer = parse_response(response)
        if "失败" not in answer:
            self.conversation_history.append({"role": "assistant", "content": answer})

        return answer

    def _format_history(self) -> list:
        """将历史对话格式化为 API 所需结构"""
        return self.conversation_history[-6:]  # 只保留最近 6 轮对话