AI编程学习路线：用Python调用大模型API跑通第一个脚本
AI编程学习路线不用从数学和算法开始。
对零基础用户来说，最有效的第一步是用Python写一个能调用大模型API的脚本，把“输入文本—发送请求—拿到回复”这条链路跑通。
这一步能让你理解AI编程的基本工作方式，也为后续学习提示词、结构化输出、工具调用打下基础。
本文以OpenAI兼容接口为例，环境为Linux或macOS，Windows下命令基本一致。
先确认你要学什么：AI编程不是训练模型
很多新手把AI编程理解成训练模型，结果一开始就卡在算力和数学上。
实际工作中更常见的场景是：用现成的模型API完成文本总结、分类、信息抽取，再把结果接入自己的程序。
所以学习路线应该优先掌握三件事：
- 能安全地管理API密钥，不把密钥写死在代码里。
- 能用Python发送HTTP请求并处理返回结果。
- 能看懂常见错误码并快速定位问题。
这三件事跑通后，再学提示词工程、批量处理和工具调用，效率会高很多。
准备环境：Python、虚拟环境和依赖包
先确认Python版本在3.9以上，然后创建独立虚拟环境，避免污染系统包。
python3 --version
mkdir ai-learn && cd ai-learn
python3 -m venv venv
source venv/bin/activate
pip install openai python-dotenv安装完成后，用pip list确认openai和python-dotenv已存在。
密钥不要直接写在代码里，新建.env文件：
# .env
OPENAI_API_KEY=你的API密钥
OPENAI_BASE_URL=https://api.openai.com/v1如果你用的是国内兼容接口，把OPENAI_BASE_URL换成服务商提供的地址即可。
注意.env文件要加入.gitignore，避免提交到代码仓库。
写第一个脚本：发送请求并打印回复
新建first_call.py，代码如下：
import os
from dotenv import load_dotenv
from openai import OpenAI
load_dotenv()
client = OpenAI(
api_key=os.getenv("OPENAI_API_KEY"),
base_url=os.getenv("OPENAI_BASE_URL")
)
response = client.chat.completions.create(
model="gpt-4o-mini",
messages=[
{"role": "system", "content": "你是一个简洁的技术助手。"},
{"role": "user", "content": "用一句话解释什么是API。"}
],
temperature=0.3
)
print(response.choices[0].message.content)运行python first_call.py。
如果终端输出一句关于API的解释，说明链路已通。
这里model参数要换成你所用服务商实际支持的模型名，不能直接照搬。temperature控制随机性，学习阶段设低一些，输出更稳定。
常见报错怎么排查
跑不通时先看报错类型，不要盲目改代码。
- 401 Unauthorized：密钥无效或没加载到。检查
.env文件位置和变量名，确认load_dotenv()在创建客户端之前执行。 - 404 Not Found：
base_url或模型名不对。核对服务商文档中的接口地址和模型列表。 - 429 Too Many Requests：请求频率或额度超限。降低调用频率，或检查账户余额。
- 连接超时：网络无法访问接口地址。先用
curl -I https://api.openai.com/v1测试连通性，再检查代理设置。
每次报错先保留完整错误信息，再对照上面几类判断。
不要在生产代码里直接打印密钥。
验证与下一步
脚本能稳定输出后，可以做一个简单验证：把用户输入改成变量，连续运行三次，观察回复是否合理。
再把结果写入result.txt，确认文件编码为UTF-8。
随后按这个顺序扩展：先学提示词模板，让输出格式可控；
再学多轮对话，理解messages列表的累积方式；
然后学结构化输出，把回复解析成JSON；
最后再接触工具调用和批量处理。
每一步都以“能运行、能验证”为标准，不要一次铺开太多概念。
AI编程学习路线的核心不是背语法，而是先建立一条能跑通的调用链路，再逐步增加复杂度。
按本文步骤完成第一个脚本后，你已经具备继续深入的基础。
