"小雪，我每天要给 100 篇文章写摘要，每篇要花 2 分钟，一天就是 3 小时，干了 1 个月，眼睛都花了，腰也疼。"

for article in articles:
    summary = call_llm_api(f'请给这篇文章写摘要：{article}')
    save_summary(summary)

✅ 3 小时→1 分钟，100% 准确。

这不是脚本，这是加薪神器。✿

算一笔账：每天省 3 小时，一年省下1095 小时，相当于多活 45 天。

为什么需要虚拟环境？

不同项目需要不同版本的库，虚拟环境让每个项目有独立的依赖：

# 1. 创建虚拟环境
python -m venv venv

# 2. 激活虚拟环境
# Windows:
venv\Scripts\activate
# Mac/Linux:
source venv/bin/activate

# 3. 安装依赖
pip install requests aiohttp

# 4. 生成依赖清单
pip freeze > requirements.txt

# 5. 从清单安装
pip install -r requirements.txt

#!/usr/bin/env python3
"""
大模型 API 批量调用脚本
功能：批量处理文章，自动生成摘要
作者：你的姓名
日期：2024-03-23
"""

import requests
import json
import logging
from datetime import datetime
from pathlib import Path

logging.basicConfig(
    level=logging.INFO,
    format='%(asctime)s - %(levelname)s - %(message)s',
    handlers=[
        logging.FileHandler(f'llm_api_{datetime.now().strftime("%Y-%m-%d")}.log'),
        logging.StreamHandler()
    ]
)

CONFIG = {
    'api_key': 'YOUR_API_KEY',  # 替换为你的 API Key
    'base_url': 'https://api.example.com',
    'timeout': 30,
    'max_retries': 3,
}

class LLMClient:
    """大模型 API 客户端"""

    def __init__(self, api_key, base_url):
        self.api_key = api_key
        self.base_url = base_url
        self.session = requests.Session()
        self.session.headers.update({
            'Authorization': f'Bearer {api_key}',
            'Content-Type': 'application/json'
        })

    def chat(self, prompt, max_tokens=500):
        """发送对话请求"""
        url = f'{self.base_url}/v1/chat'
        data = {
            'prompt': prompt,
            'max_tokens': max_tokens
        }

        for attempt in range(CONFIG['max_retries']):
            try:
                response = self.session.post(
                    url,
                    json=data,
                    timeout=CONFIG['timeout']
                )
                response.raise_for_status()
                result = response.json()
                logging.info(f'✅ API 调用成功')
                return result
            except requests.exceptions.Timeout:
                logging.warning(f'超时，重试 ({attempt+1}/{CONFIG["max_retries"]})')
            except requests.exceptions.HTTPError as e:
                logging.error(f'HTTP 错误：{e}')
                break
            except Exception as e:
                logging.error(f'未知错误：{e}')
                break

        return None

    def summarize(self, text):
        """生成摘要"""
        prompt = f'请给下面的文章写一个 200 字以内的摘要：\n\n{text}'
        result = self.chat(prompt, max_tokens=200)
        if result:
            return result.get('data', {}).get('content', '')
        return None

def process_articles(article_folder, output_folder):
    """批量处理文章"""
    # 创建输出文件夹
    output_path = Path(output_folder)
    output_path.mkdir(exist_ok=True)

    # 初始化 API 客户端
    client = LLMClient(CONFIG['api_key'], CONFIG['base_url'])

    # 获取所有文章
    article_files = list(Path(article_folder).glob('*.txt'))
    logging.info(f'📁 找到 {len(article_files)} 篇文章')

    # 批量处理
    success_count = 0
    for i, article_file in enumerate(article_files, 1):
        logging.info(f'处理 ({i}/{len(article_files)}): {article_file.name}')

        # 读取文章
        try:
            content = article_file.read_text(encoding='utf-8')
        except Exception as e:
            logging.error(f'读取失败：{article_file.name} - {e}')
            continue

        # 生成摘要
        summary = client.summarize(content)
        if summary:
            # 保存摘要
            output_file = output_path  f'summary_{article_file.stem}.txt'
            output_file.write_text(summary, encoding='utf-8')
            logging.info(f'✅ 摘要已保存：{output_file.name}')
            success_count += 1
        else:
            logging.error(f'❌ 摘要生成失败：{article_file.name}')

    # 统计结果
    logging.info(f'🎉 处理完成：成功{success_count}篇，失败{len(article_files)-success_count}篇')

if __name__ == '__main__':
    logging.info('🚀 大模型 API 批量调用脚本启动')

    # 处理文章
    process_articles('articles', 'summaries')

    logging.info('👋 脚本运行结束')

📚 代码讲解：
• 第 1-17 行：导入模块，配置日志（同时输出到文件和控制台）
• 第 19-24 行：配置参数字典，方便统一调整
• 第 26-71 行：LLMClient 类，封装 API 调用逻辑
• 第 30-35 行：__init__：初始化 API key、base_url、Session
• 第 37-61 行：chat()：发送对话请求，带重试和错误处理
• 第 63-68 行：summarize()：生成摘要，封装 prompt
• 第 70-104 行：process_articles()：批量处理文章的主函数
• 第 106-113 行：程序入口，启动脚本

🔥 坑点 1 API Key 泄露

# ❌ 错误写法：直接写在代码里
api_key = 'sk-1234567890abcdef'  # 泄露风险！

# ✅ 正确写法：从环境变量读取
import os
api_key = os.getenv('LLM_API_KEY')

⚠️ 坑点 2 虚拟环境没激活

# ❌ 错误写法：安装到全局了
pip install requests

# ✅ 正确写法：先激活虚拟环境
source venv/bin/activate  # Mac/Linux
venv\Scripts\activate     # Windows
pip install requests      # 安装到虚拟环境

💸 坑点 3 不处理超时

# ❌ 错误写法：没有超时
response = requests.post(url, json=data)

# ✅ 正确写法：30 秒超时
response = requests.post(url, json=data, timeout=30)

💡 核心思路：改 prompt，其他代码不用动

Q1：API Key 从哪里获取？

A：去大模型官网注册账号，在控制台创建 API Key。

Q2：虚拟环境必须创建吗？

A：强烈建议！不同项目依赖不同版本的库，虚拟环境避免冲突。

Q3：调用 API 失败怎么办？

A：看日志，根据错误信息处理。网络问题重试，参数错误改参数。

Q4：如何知道 API 返回的数据格式？

A：看官方文档，或者 print(response.json()) 打印出来看。

✅ 个人待办 — 把自动化脚本待办记下来

✅ 日程管理 — 规划省下来的时间

✅ 习惯打卡 — 每天学点 Python

算下来，一篇回本——
不止是技术，还有你的职业前景。✿