国内大模型怎么接入？Python 调用文心、通义、智谱等实战

国内大模型泛指由国内团队研发、主要服务中文场景的大语言模型；对开发者来说，最快的上手方式是用 Python 调用它们开放的 API。

你正打算在项目里接一个中文模型，却被文心、通义、智谱、DeepSeek、豆包、Kimi 这些名字挑花眼：到底哪个能直接调、哪个开源能本地跑？本文不堆名单，而是按"能调用、能开源、能落地"三条线，用真实可运行的 Python 示例，帮你把主流国内大模型接进自己的代码。公开模型至少上百个，但日常开发常用的其实不到十家。今天这篇文章，编程狮就从"怎么用"而不是"有哪些"的角度把它讲透。

一、国内大模型现状：从开发者视角怎么看

两年前聊中文大模型，默认只有一个参照物；现在百度、阿里、腾讯、字节、智谱、DeepSeek、月之暗面、百川都拿出了可对话、可嵌入产品的模型。如果只把它们当成"又一个聊天机器人"，就浪费了开发者最该关心的两点——能不能当接口调、能不能拿权重自己部署。

把公开清单里两百多个名字按"开发者能不能直接用"切成三类：

选模型时真正影响你写代码的是三件事：其一，开源还是 API——开源能私有化、可微调但要自己运维显存，API 开箱即用、按量计费；其二，上下文长度，模型一次能"记住"的文本上限用 token 计量，喂长文档前先估算量级；其三，中文与生态，有的对古文黑话更稳，有的和自家云产品绑得紧。想彻底搞懂"接口"这件事，可以读这篇 什么是 API\。

二、动手前准备：Python 环境与 Key 安全保管

不管接哪家，前置动作都一样。先确认本机有 Python 3.8 及以上，命令行能跑 python --version。

接着安装官方或兼容的 SDK。通义、DeepSeek、智谱、豆包、混元、Kimi、百川都提供 OpenAI 兼容接口，装一个 openai 包即可；文心走百度智能云千帆，需额外装 qianfan：

# 建议先建虚拟环境再装，避免污染全局
python -m venv venv
source venv/bin/activate        # Windows 用 venv\Scripts\activate
pip install openai qianfan

最关键的是保管 Key。把密钥写死在代码里、顺手提交到 Git，是新手最常见的泄露方式。正确做法是用环境变量，代码里只读取变量名：

import os

# 从环境变量读 Key，绝不写死在源码
dashscope_key = os.getenv("DASHSCOPE_API_KEY")
if not dashscope_key:
    raise SystemExit("请先设置环境变量 DASHSCOPE_API_KEY")

这样代码被分享也拿不到密钥；本地把变量写进 .env 并加进 .gitignore 即可。如果 Python 基础还不牢，建议先把 Python3 教程\ 的基础章节过一遍。

三、实战一：用 Python 调用通义千问（Qwen）

通义千问（Qwen）是阿里开源又提供 API 的代表，它开放了和 OpenAI 兼容的接入方式，意味着你几乎不用学新接口。下面这段是最小可运行示例（需先装 openai 并设好 DASHSCOPE_API_KEY）：

from openai import OpenAI
import os

# 把 base_url 指向阿里 DashScope 的兼容端点
client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)

resp = client.chat.completions.create(
    model="qwen-plus",                       # 也可换 qwen-turbo / qwen-max
    messages=[{"role": "user", "content": "用一句话解释什么是大模型"}],
)

# 预期返回：模型生成的一段中文回答字符串
print(resp.choices[0].message.content)

这段做了三件事：指定兼容端点、选模型、发一条用户消息。返回对象是结构化的，答案挂在 choices[0].message.content。具体模型名和可用区域以阿里官方文档为准，本文示例用 qwen-plus 仅作演示。

四、实战二：一套客户端接全家（DeepSeek、智谱、豆包、混元、Kimi、百川）

真正省事的地方在这里：DeepSeek、智谱 GLM、字节豆包、腾讯混元、月之暗面 Kimi、百川，全都暴露了 OpenAI 兼容接口。你不用为每家重写客户端，只要把三个值——base_url、api_key、model——抽成配置，就能用一个函数切换模型。这就是国产模型"接口趋同"给开发者带来的红利。

先用 DeepSeek 与智谱验证最基础的写法（两者仅端点与模型名不同）：

from openai import OpenAI
import os

# DeepSeek：换端点和模型即可，其余写法完全一致
deepseek = OpenAI(
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    base_url="https://api.deepseek.com/v1",
)
r1 = deepseek.chat.completions.create(
    model="deepseek-chat",
    messages=[{"role": "user", "content": "用 Python 写一个快速排序"}],
)
print(r1.choices[0].message.content)

# 智谱 GLM（ChatGLM 背后的公司）：同样兼容 OpenAI 协议
zhipu = OpenAI(
    api_key=os.getenv("ZHIPU_API_KEY"),
    base_url="https://open.bigmodel.cn/api/paas/v4",
)
r2 = zhipu.chat.completions.create(
    model="glm-4",
    messages=[{"role": "user", "content": "用一句话解释什么是大模型"}],
)
print(r2.choices[0].message.content)

进一步，把"换三个值"抽成一个统一封装，所有 OpenAI 兼容模型共享同一段调用逻辑：

from openai import OpenAI
import os

# 所有 OpenAI 兼容模型，统一成「换三个值」的调用
def chat(cfg: dict, prompt: str) -> str:
    client = OpenAI(
        api_key=os.getenv(cfg["key"]),
        base_url=cfg["base_url"],
    )
    resp = client.chat.completions.create(
        model=cfg["model"],
        messages=[{"role": "user", "content": prompt}],
    )
    return resp.choices[0].message.content

# 各家只需填这一张表（model 以官方最新名称为准）
MODELS = {
    "通义千问":  {"base_url": "https://dashscope.aliyuncs.com/compatible-mode/v1", "key": "DASHSCOPE_API_KEY", "model": "qwen-plus"},
    "DeepSeek": {"base_url": "https://api.deepseek.com/v1",                       "key": "DEEPSEEK_API_KEY",   "model": "deepseek-chat"},
    "智谱 GLM":  {"base_url": "https://open.bigmodel.cn/api/paas/v4",             "key": "ZHIPU_API_KEY",      "model": "glm-4"},
    "豆包":     {"base_url": "https://ark.cn-beijing.volces.com/api/v3",         "key": "ARK_API_KEY",        "model": "<你的推理接入点ID>"},
    "腾讯混元":  {"base_url": "https://api.hunyuan.cloud.tencent.com/v1",         "key": "HUNYUAN_API_KEY",    "model": "hunyuan-turbo"},
    "Kimi":     {"base_url": "https://api.moonshot.cn/v1",                        "key": "MOONSHOT_API_KEY",   "model": "kimi-k3"},
    "百川":     {"base_url": "https://api.baichuan-ai.com/v1",                    "key": "BAICHUAN_API_KEY",   "model": "Baichuan4"},
}

# 换个 key 就能切模型，业务逻辑一行不动
print(chat(MODELS["Kimi"], "用一句话解释什么是大模型"))

注意豆包（火山方舟）的 model 填的是"推理接入点 ID"，而不是模型名本身，创建接入点时再绑定具体版本；混元、Kimi、百川的 model 名会随版本迭代，正式接入前以各自控制台的"模型列表"为准。需要强调：本文所有示例均为最小可运行骨架，正式接入前请确认你账号的可用模型列表与配额。

五、横向对比与新手避坑

把前面提到的主流模型摆在一起，选择思路就清晰了：

一句话建议：跑原型用 API，求数据不出域再上开源；通用任务优先试 Qwen、DeepSeek、智谱这三家兼容接口，切换成本几乎为零。

怎么选？一图看懂

坑一：把 Key 提交到 Git。 上文已经强调用环境变量。万一写错了，立刻去平台吊销旧 Key 并换新，别抱侥幸。

坑二：忽视 token 上限导致截断。 你以为把整本书塞进 prompt 它就能读，实际超过上下文长度会被默默截断，回答前半句对、后半句飘。先估文本量级，超过就做分块或摘要。token 到底是什么、怎么算，可以看这篇 Token 是什么\。

坑三：中文乱码。 Windows 下读写含中文的文件忘了指定编码，输出就成乱码。凡是碰中文文本，显式写 encoding="utf-8"。

坑四：不限流硬刷。 免费额度或共享账号下高频调用会触发限流（HTTP 429）。加一点退避重试，比盲目重试更稳，也避免被封。

总结

国内大模型对开发者已经足够友好：主流几家要么开源可部署，要么提供 OpenAI 兼容 API，同一套 Python 客户端换几个参数就能切换。要点带走：

• 先用 API 把业务链路跑通，再决定是否私有化部署；
• 通义千问、DeepSeek、智谱 GLM、豆包、混元、Kimi、百川都兼容 OpenAI 协议，切换成本极低；
• Key 走环境变量、注意 token 上限与限流，是上线前必须补齐的两件事。

下一步如果还没系统学过 Python，建议先把基础语法和接口调用的关系理顺，再回头扩充本文的示例。

延伸学习

想把这块知识系统补齐，可以按这个顺序来：

1. 想系统入门 Python，Python3 入门课程_编程实战微课 是边学边练的形式，适合打基础；
2. 想建立生成式 AI 的整体认知，生成式 AI 入门教程\ 讲清了从聊天到接口的全貌；
3. 已经在写代码但常和文件打交道，Python 怎么读取 JSON 文件？\ 这篇笔记把读文件和常见报错一次讲清。

常见问题

Q：国内大模型和 ChatGPT 比，开发者用起来差别大吗？

A：对写代码的人来说差别在接口而不在能力。很多国产模型提供 OpenAI 兼容端点，你把 base_url 和 Key 一换就能调，业务逻辑几乎不用改。差别主要在中文语感、价格和数据合规要求上。

Q：完全不会 Python，能调国内大模型吗？

A：可以。各平台都提供网页对话和可视化控制台，不用写代码也能用。但要把模型接进你自己的产品、做批量处理或自动化，还是得会一点 Python 或至少能看懂 HTTP 请求。

Q：开源模型是不是一定比 API 便宜？

A：不一定。开源省的是调用费，但要自己买显卡、运维推理服务，小流量时反而更贵。只有调用量大、对数据不出域有硬要求时，私有化部署才划算。

Q：同一个 prompt，换个模型结果差很多正常吗？

A：正常。不同模型训练数据、对齐方式和系统提示不同，对同一句话的理解会有偏差。上线前用你的真实样本在 2 到 3 家模型上各跑一遍，挑最稳的那家固化下来。