告别 OpenAI SDK：如何使用 Python requests 库调用大模型 API（例如百度的ernie-4.5-turbo）

在许多开发环境中，由于网络限制、依赖冲突或追求轻量化等原因，我们可能无法或不愿直接使用官方提供的 openai Python 包。但这并不意味着我们无法与 OpenAI 兼容的大模型 API 进行交互。本文将详细介绍如何使用 Python 中无处不在的 requests 库，来完成对大模型服务的非流式（一次性）调用。

背景

当我们需要与一个遵循 OpenAI API 规范的语言模型（例如 GPT 系列或像文心一言这样提供兼容接口的模型）进行通信时，requests 库提供了一种最直接、最底层的控制方式。我们只需要手动构造 HTTP 请求，就能实现与官方 SDK 相同的功能。

本文将以一个具体的非流式（stream=False）调用为例，展示从构建请求到解析响应的全过程。

准备工作

在开始之前，请确保你已经安装了 requests 库。如果没有，可以通过 pip 轻松安装

1. API 端点 URL (Endpoint URL)：这是你要请求的服务器地址。
2. API 密钥 (API Key)：用于身份验证的凭证。

分步实现

第一步：导入库与定义常量

我们首先导入 requests 和 json 库，并定义好 API 的基本信息。

注意： 直接在代码中硬编码 API Key 是一个非常不安全的做法。在生产环境中，强烈建议使用环境变量来管理此类敏感信息。

import requests
import json
import os

# --- 安全地获取敏感信息 ---
# 建议从环境变量中读取 API Key
# 例如: export MY_API_KEY="你的API Key"
API_KEY = os.getenv("MY_API_KEY", "YOUR_API_KEY_HERE") 
# API 服务的基础 URL
BASE_URL = "https://aistudio.baidu.com/llm/lmapi/v3" # 此处以 aistudio 为例

# 拼接成完整的请求 URL
API_URL = f"{BASE_URL}/chat/completions"

第二步：构造 HTTP 请求头 (Headers)

请求头包含了元数据，其中最重要的是 Content-Type 和 Authorization。

• Content-Type: application/json：告诉服务器我们发送的数据是 JSON 格式。
• Authorization: Bearer YOUR_API_KEY：这是 OpenAI 兼容 API 标准的身份验证方式。

headers = {
    'Content-Type': 'application/json',
    'Authorization': f'Bearer {API_KEY}'
}

第三步：构造请求体 (Payload)

请求体是我们要发送给 API 的核心数据，它是一个 JSON 对象。我们将模型的参数，如模型名称、对话历史、温度等，都放在这个对象里。

对于非流式请求，请确保 stream 参数为 False 或直接省略。

# 构造请求体数据
data = {
    "model": "ernie-4.5-turbo-128k-preview",
    "messages": [
        {
            "role": "user",
            "content": "你好，请问你是谁？"
        },
        {
            "role": "assistant",
            "content": "您好，我是一个AI大模型。"
        },
        {
            "role": "user",
            "content": "请用 Python 写一个简单的 Hello World 程序。"
        }
    ],
    "stream": False,  # 关键：设置为 False 或省略此行以进行非流式请求
    # 其他可选参数
    "temperature": 0.8,
    "top_p": 0.8,
    "max_completion_tokens": 1024,
}

第四步：发送请求并处理响应

一切准备就绪后，我们使用 requests.post() 方法发送请求。由于是非流式请求，程序会在此处阻塞，直到服务器处理完成并返回完整的响应。

一个健壮的程序应该包含完善的错误处理。

try:
    # 发送 POST 请求，requests 会自动将 data 字典转为 JSON 字符串
    response = requests.post(API_URL, headers=headers, json=data)

    # 检查 HTTP 状态码，如果请求失败（如 4xx, 5xx），则会抛出异常
    response.raise_for_status()

    # 将返回的 JSON 响应解析为 Python 字典
    response_data = response.json()

    # 从响应中提取模型生成的内容
    # 非流式响应的路径通常是 choices[0].message.content
    if response_data.get("choices"):
        message_content = response_data["choices"][0]["message"]["content"]
        print("模型回答：")
        print(message_content)
    else:
        print("未能获取到有效的回答，服务器响应如下：")
        print(response_data)

except requests.exceptions.RequestException as e:
    print(f"网络请求时发生错误: {e}")
except json.JSONDecodeError:
    print("无法解析服务器响应为 JSON 格式。")
    print("服务器原始响应:", response.text)
except KeyError:
    print("响应的 JSON 结构不符合预期，无法找到所需内容。")
    print("服务器原始响应:", response_data)

运行以上代码，如果一切正常，你将一次性看到模型生成的完整回答。

输出结果：

总结

通过使用 requests 库，我们完全绕开了对 openai SDK 的依赖，实现了与大模型 API 的直接通信。这种方法的优点是：

• 零额外依赖：requests 几乎是 Python 环境的标配。
• 完全控制：你可以精细控制请求的每一个细节，包括超时、代理等。
• 环境通用：适用于任何不支持特定 SDK 的受限环境。