Python调用国产大模型API实战：从DeepSeek到智谱GLM

导语：2026年4月，国产大模型迎来爆发期。DeepSeek V4、美团LongCat-2.0、智谱GLM-5.1同日发布。本文手把手教你用Python调用这些国产大模型API，成本只有OpenAI的1/5。

一、为什么选国产大模型API

国产大模型API的核心优势：

• 价格优势：约$0.002/千Tokens，是OpenAI的1/5
• 中文理解：天然优势，本地化场景更精准
• 响应速度：国内服务器，延迟更低
• 合规可控：数据不出境，满足企业合规要求

二、环境准备

# 创建虚拟环境
python3 -m venv venv
source venv/bin/activate  # macOS/Linux
# 或 venv\Scripts\activate  # Windows

# 安装依赖
pip install openai zhipuai requests

三、DeepSeek API 调用

DeepSeek是目前最热门的国产开源大模型，支持1M上下文。

import os
from openai import OpenAI

# DeepSeek API配置
client = OpenAI(
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    base_url="https://api.deepseek.com/v1"
)

def chat_deepseek(prompt, model="deepseek-chat"):
    """调用DeepSeek API"""
    response = client.chat.completions.create(
        model=model,
        messages=[
            {"role": "system", "content": "你是一个专业的Python编程助手。"},
            {"role": "user", "content": prompt}
        ],
        temperature=0.7,
        max_tokens=2000
    )
    return response.choices[0].message.content

# 示例：让DeepSeek写一个快速排序
code_prompt = """
用Python实现快速排序算法，要求：
1. 使用原地排序（in-place）
2. 包含详细注释
3. 包含测试用例
"""

result = chat_deepseek(code_prompt)
print(result)

四、智谱GLM API 调用

智谱GLM-5.1已能独立工作8小时，支持Agent能力。

import os
from zhipuai import ZhipuAI

# 智谱API配置
client = ZhipuAI(api_key=os.getenv("ZHIPU_API_KEY"))

def chat_glm(prompt, stream=False):
    """调用智谱GLM API"""
    response = client.chat.completions.create(
        model="glm-4-plus",  # 或 glm-4, glm-4-flash 等
        messages=[
            {"role": "user", "content": prompt}
        ],
        stream=stream,
        temperature=0.8,
        top_p=0.95
    )
    if stream:
        # 流式输出
        for event in response:
            print(event.choices[0].delta.content, end="", flush=True)
    else:
        return response.choices[0].message.content

# 示例：分析一段代码
analysis_prompt = """
分析以下Python代码的性能瓶颈，并给出优化建议：

def slow_function(data):
    result = []
    for item in data:
        if item % 2 == 0:
            result.append(item * 2)
    return result
"""

result = chat_glm(analysis_prompt)
print(result)

五、批量处理实战案例

用国产大模型批量处理Excel数据。

import pandas as pd
from openai import OpenAI
from concurrent.futures import ThreadPoolExecutor
import os

client = OpenAI(
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    base_url="https://api.deepseek.com/v1"
)

def analyze_sentiment(text, client):
    """分析文本情感"""
    response = client.chat.completions.create(
        model="deepseek-chat",
        messages=[
            {"role": "system", "content": "你是情感分析专家，只返回Positive、Neutral或Negative。"},
            {"role": "user", "content": f"分析以下文本情感：{text}"}
        ],
        max_tokens=10
    )
    return response.choices[0].message.content.strip()

def batch_analyze(df, text_column, max_workers=5):
    """批量处理DataFrame"""
    texts = df[text_column].tolist()
    results = []
    
    # 使用线程池并发调用
    with ThreadPoolExecutor(max_workers=max_workers) as executor:
        futures = [executor.submit(analyze_sentiment, text, client) for text in texts]
        results = [f.result() for f in futures]
    
    return results

# 使用示例
if __name__ == "__main__":
    # 读取数据
    df = pd.read_excel("comments.xlsx")
    
    # 批量分析
    sentiments = batch_analyze(df, "comment_text", max_workers=10)
    
    # 保存结果
    df["sentiment"] = sentiments
    df.to_excel("comments_analyzed.xlsx", index=False)
    print("分析完成！")

六、成本对比

七、注意事项

1. API Key安全：不要硬编码，使用环境变量
2. 错误处理：添加重试机制，防止调用失败
3. 并发控制：遵守API调用频率限制
4. 成本监控：设置预算告警，避免意外账单

八、完整项目代码

"""
国产大模型API调用封装
支持：DeepSeek、智谱GLM、美团LongCat
"""
import os
from typing import Optional, List, Dict
from dataclasses import dataclass
from enum import Enum

class ModelType(Enum):
    DEEPSEEK = "deepseek"
    ZHIPU = "zhipu"
    MEITUAN = "meituan"

@dataclass
class ModelConfig:
    api_key: str
    base_url: Optional[str] = None
    model: str = "deepseek-chat"

class ChineseLLMClient:
    def __init__(self, model_type: ModelType, api_key: str = None):
        self.model_type = model_type
        self.config = self._get_config(model_type, api_key)
        self.client = self._init_client()
    
    def _get_config(self, model_type: ModelType, api_key: str = None) -> ModelConfig:
        configs = {
            ModelType.DEEPSEEK: ModelConfig(
                api_key=api_key or os.getenv("DEEPSEEK_API_KEY"),
                base_url="https://api.deepseek.com/v1",
                model="deepseek-chat"
            ),
            ModelType.ZHIPU: ModelConfig(
                api_key=api_key or os.getenv("ZHIPU_API_KEY"),
                base_url="https://open.bigmodel.cn/api/paas/v4",
                model="glm-4-plus"
            ),
            ModelType.MEITUAN: ModelConfig(
                api_key=api_key or os.getenv("MEITUAN_API_KEY"),
                base_url="https://api.meituan.com/llm/v1",
                model="longcat-2.0"
            )
        }
        return configs[model_type]
    
    def _init_client(self):
        from openai import OpenAI
        return OpenAI(
            api_key=self.config.api_key,
            base_url=self.config.base_url
        )
    
    def chat(self, prompt: str, system: str = None) -> str:
        messages = []
        if system:
            messages.append({"role": "system", "content": system})
        messages.append({"role": "user", "content": prompt})
        
        response = self.client.chat.completions.create(
            model=self.config.model,
            messages=messages,
            temperature=0.7,
            max_tokens=2000
        )
        return response.choices[0].message.content

# 使用示例
if __name__ == "__main__":
    # 使用DeepSeek
    client = ChineseLLMClient(ModelType.DEEPSEEK)
    result = client.chat("用Python写一个Hello World")
    print(result)

结语

国产大模型API已经非常成熟，价格只有OpenAI的1/5。对于国内项目，强烈推荐使用国产大模型。

完整代码已上传到GitHub：https://github.com/example/chinese-llm-api

标签：Python, DeepSeek, 智谱GLM, 大模型API, AI开发