看完教程依旧不会动手？小白玩转AI大模型应用开发重实战

手把手带你从零跑通第一个AI应用，彻底告别“收藏即学会”

一、为什么你永远卡在“环境配置”？

很多初学者接触大模型开发，往往死于第一步：环境配置。（关注简介学习更多）

极少数教程会告诉你，pip install 可能因为网络问题失败；更少教程会教你，第一次调用API时遇到 401 错误应该怎么排查。大部分教程默认你熟悉命令行、懂Python虚拟环境、能自己解决依赖冲突——而这些“默认”恰恰是压垮小白的最后一根稻草。

要打破这个魔咒，唯一有效的方法就是 “先跑通，再理解”。本文的目标只有一个：让你在30分钟内，用Python写出一段能和大模型对话的代码，并成功运行。

二、前置准备（只需三步）

2.1 安装Python（如果还没有）

• 前往 python.org 下载 Python 3.9 或更高版本。

• 安装时务必勾选 “Add Python to PATH”，否则后续命令行无法识别Python命令。

2.2 申请大模型API密钥

• 以阿里云百炼（Qwen）为例，注册后进入控制台，在“模型广场”找到 Qwen 模型，创建 API Key。

• 注意：大部分主流大模型厂商（如DeepSeek、智谱、百度）都提供免费试用额度，无需付费即可完成本文的练习。

2.3 准备你的工作文件夹

在你的电脑上创建一个文件夹，例如 my_first_ai_app。本文所有代码都将存放在这个文件夹中。

三、实战第一步：用5行代码让AI回答你

我们先用最简方式调用Qwen的API，目标是让程序接收用户的文本输入，并返回AI的回复。

3.1 安装核心依赖

打开终端（Windows用CMD或PowerShell，Mac用终端），进入你的工作文件夹，执行以下命令安装 dashscope 库（阿里云官方SDK）：

bash

pip install dashscope

如果你的网络较慢，可以临时使用国内镜像源：

bash

pip install dashscope -i pypi.tuna.tsinghua.edu.cn/simple

3.2 编写第一个脚本

在文件夹中创建一个名为 hello_ai.py 的文件，将下面的代码完整复制进去：

python

import dashscope
from dashscope import Generation

================= 配置你的 API Key =================

请将下面的 “你的API-KEY” 替换为你在阿里云百炼控制台获取的真实 Key

dashscope.api_key = “你的API-KEY”

===================================================

def chat_with_ai(user_input):
“””
调用大模型，传入用户问题，返回 AI 的回答
“””
try:
response = Generation.call(
model=”qwen-plus”, # 使用 qwen-plus 模型
messages=[{“role”: “user”, “content”: user_input}]
)

检查 API 是否调用成功

if response.status_code == 200:

提取 AI 回复的内容

return response.output.choices[0].message.content
else:
return f”请求失败，错误码：{response.status_code}，错误信息：{response.message}”
except Exception as e:
return f”程序异常：{str(e)}”

if name == “main“:
print(“=” * 50)
print(“🤖 你的第一个 AI 助手已启动 (输入 ‘exit’ 退出)”)
print(“=” * 50)

while True:

获取用户输入

user_input = input(“\n你：”)
if user_input.lower() == “exit”:
print(“👋 再见！”)
break

调用 AI 并打印回复

ai_response = chat_with_ai(user_input)
print(f”AI：{ai_response}”)

四、试运行：见证奇迹的时刻

在终端中执行以下命令：

bash

python hello_ai.py

如果看到启动提示符，输入“你好，请做个自我介绍”，你将会看到类似如下的返回：

text

你：你好，请做个自我介绍
AI：你好！我是通义千问，由阿里云开发的大语言模型。我可以回答问题、创作文字、辅助编程、提供建议等。有什么我可以帮你的吗？

恭喜！你已经成功做出了第一个可以对话的AI应用。 此时请停下阅读，立刻去运行这段代码——体验“跑通”的成就感远比继续看文章更重要。

五、进阶实战：让AI“带着知识”回答你（RAG雏形）

单纯对话无法解决实际问题，因为模型不知道你的私有数据。下面的例子将演示：给AI一段背景资料，让它基于资料回答问题（这是RAG检索增强生成的核心思想）。

5.1 准备你的知识文本

创建一个名为 knowledge.txt 的文件，输入以下内容（可以替换成你的公司产品说明或学习笔记）：

text

公司2026年新品发布：极光Pro笔记本。
核心卖点：1. 搭载英特尔Ultra 9处理器；2. 32GB LPDDR5X内存；3. 1TB PCIe 4.0固态硬盘；4. 14英寸OLED 4K屏幕，支持120Hz刷新率。
售价：首发价 12999 元。
上市时间：2026年8月18日。

5.2 编写“知识问答”脚本

创建一个新文件 rag_demo.py，代码如下：

python

import dashscope
from dashscope import Generation

dashscope.api_key = “你的API-KEY” # 别忘了替换

def read_knowledge(file_path):
“””读取知识库文件内容”””
with open(file_path, “r”, encoding=”utf-8”) as f:
return f.read()

def ask_with_context(user_question):

1. 加载知识

knowledge = read_knowledge(“knowledge.txt”)

2. 构造带有“上下文”的提示词（这是RAG的简易实现）

prompt = f”””
请基于以下提供的资料，回答用户的问题。
资料内容：
{knowledge}

用户问题：{user_question}
注意：如果资料中没有答案，请直接说“未找到相关信息”，不要编造。
“””

response = Generation.call(
model=”qwen-plus”,
messages=[{“role”: “user”, “content”: prompt}]
)

if response.status_code == 200:
return response.output.choices[0].message.content
else:
return “调用失败”

if name == “main“:
while True:
q = input(“\n请问（输入q退出）：”)
if q.lower() == ‘q’:
break
print(“AI回答：”, ask_with_context(q))

5.3 测试效果

运行 python rag_demo.py，询问“极光Pro笔记本多少钱？”，AI会准确回答“12999元”；如果你问“它支持WiFi 7吗？”，AI会诚实地告诉你“未找到相关信息”。

六、小白常见卡点与排雷手册

七、总结：从“看完”到“做出”只有一步之遥

当你亲手将那段代码敲进电脑，看到屏幕上跳出的第一个AI回复时，你会深刻地意识到：AI应用开发并不需要高深的数学或算法功底，它需要的是“务实执行的工程思维”。

真正的学习路线应该是：先搭建环境 -> 再跑通代码 -> 最后理解原理。 本文提供的两个实战案例——基础对话和简易RAG——涵盖了当前企业级AI应用80%的核心逻辑。你不需要成为专家，只需要跟着步骤走，就能切切实实拿出一个属于自己的项目成果。

下一步行动清单：

1. 立刻在你的电脑上把 hello_ai.py 跑起来，亲眼看一看输出。

2. 修改 knowledge.txt 中的内容，换成你自己的资料，让AI变成你的专属助理。

3. 尝试将代码中的 qwen-plus 模型换成 deepseek-r1（需安装对应SDK），感受不同模型的风格差异。

收藏一万篇教程，不如亲手运行一次代码。现在就是动手的最好时机，从你打开终端那一刻开始，你就已经正式迈入了AI应用开发的大门。

本作品采用《CC 协议》，转载必须注明作者和本文链接