环境准备：Python环境、requests库安装、虚拟环境管理

说实话，很多同学刚开始学大模型API调用，上来就写代码，结果卡在最基础的环境配置上。我见过太多次了——代码逻辑没问题，就是requests库版本不对，或者Python环境冲突，折腾半天。

这一章，咱们就把这些基础工作一次性搞定。你想想看，地基打牢了，后面盖楼才稳当。

1. Python环境的选择与安装

我个人习惯用Python 3.8以上版本。为什么？因为大模型API返回的数据结构越来越复杂，3.8以下版本对类型注解的支持不够好，调试起来很痛苦。

推荐版本：Python 3.9 或 3.10

这两个版本在稳定性和新特性之间取得了很好的平衡。我在项目中踩过Python 3.11的坑——有些第三方库还没适配，装都装不上。

安装步骤其实很简单：

  1. 去 python.org 下载对应操作系统的安装包
  2. 安装时记得勾选「Add Python to PATH」
  3. 打开终端，输入 python --version 验证

注意：Windows用户千万别从微软商店装Python。那个版本路径有问题，后面装虚拟环境会报错。我曾经帮一个学员远程调试，折腾了半小时才发现是这个原因。

2. 虚拟环境管理——为什么必须用？

说白了，虚拟环境就是给你的每个项目一个独立的Python「小房间」。你在这个房间里装什么库，都不会影响到其他项目。

为什么会这样？我举个例子：

项目A需要requests 2.28.0，项目B需要requests 2.31.0。如果没有虚拟环境，你装了一个，另一个就崩了。我在公司做API集成时，遇到过因为全局环境冲突导致生产环境出问题的情况——从那以后，我每个项目必开虚拟环境。

2.1 使用venv创建虚拟环境

Python自带的 venv 模块就够用了，不需要额外装东西。

# 创建虚拟环境
python -m venv myenv

# 激活虚拟环境
# Windows:
myenv\Scripts\activate

# macOS/Linux:
source myenv/bin/activate

# 退出虚拟环境
deactivate

激活后，终端前面会出现 (myenv) 字样，说明你已经在虚拟环境里了。

我的小技巧：把虚拟环境建在项目目录里，命名成 .venv。这样既隐蔽又不会搞混。很多IDE（比如VS Code）会自动识别这个目录。

2.2 使用requirements.txt管理依赖

团队协作时，你不可能把整个虚拟环境传给同事。正确的做法是用 requirements.txt。

# 导出当前环境的依赖
pip freeze > requirements.txt

# 在另一台机器上安装
pip install -r requirements.txt

嗯，这里要注意：pip freeze 会列出所有已安装的包，包括依赖的依赖。有时候会很多。我个人习惯只保留核心依赖，手动写 requirements.txt：

requests==2.31.0
python-dotenv==1.0.0

3. requests库安装与验证

requests库是Python里最流行的HTTP客户端库。大模型API调用，说白了就是发HTTP请求，所以这个库是必备的。

3.1 安装requests

# 在虚拟环境里安装
pip install requests

# 指定版本安装（推荐）
pip install requests==2.31.0

为什么指定版本？因为requests 2.28.0之后修复了一些SSL连接问题。我在调用某大模型API时，遇到过因为requests版本太低导致TLS握手失败的情况。升级到2.31.0就好了。

3.2 验证安装

写个简单的测试脚本，确认一切正常：

import requests

# 测试一个公开API
response = requests.get('https://httpbin.org/get')
print(f"状态码: {response.status_code}")
print(f"响应内容: {response.json()}")

如果看到状态码200，说明requests安装成功，网络也通。

常见问题：如果你在公司内网，可能需要配置代理。我曾经在客户现场部署时，发现API一直超时，最后发现是代理没配。

# 配置代理
proxies = {
    'http': 'http://proxy.example.com:8080',
    'https': 'http://proxy.example.com:8080'
}
response = requests.get('https://api.openai.com/v1/models', proxies=proxies)

4. 环境变量管理——别把密钥写死在代码里

这是新手最容易犯的错误。把API Key直接写在代码里，然后不小心传到GitHub上——嗯，我见过不止一次。

正确的做法是用环境变量，或者 .env 文件。

4.1 使用python-dotenv

# 安装
pip install python-dotenv

# 在项目根目录创建 .env 文件
# 内容：
# API_KEY=sk-xxxxxxxxxxxxxxxx
# API_BASE=https://api.openai.com

# 在代码中加载
from dotenv import load_dotenv
import os

load_dotenv()

api_key = os.getenv('API_KEY')
api_base = os.getenv('API_BASE')

我的习惯：把 .env 加到 .gitignore 里，然后创建一个 .env.example 文件，里面只写变量名不写值。这样团队成员就知道需要配置哪些变量了。

5. 完整的环境准备清单

最后，给你一个检查清单。每次开始新项目时，按这个顺序走一遍：

步骤 操作 验证方法
1 安装Python 3.9+ python --version
2 创建虚拟环境 终端显示 (venv)
3 安装requests pip show requests
4 安装python-dotenv pip show python-dotenv
5 配置环境变量 代码中能读取到 API_KEY
6 测试API连通性 返回状态码200

做完这些，你的开发环境就准备好了。下一章，咱们开始写第一个真正的API调用——用requests库向大模型发请求，拿到响应。

记住：环境配置花的时间，后面都会加倍省回来。别嫌麻烦，一步到位最省心。

← 上一章 📖 返回目录 下一章 →