用 AI API 搭建你自己的聊天机器人
你是否想过拥有一个完全由自己控制的聊天机器人，不再受限于各种会员订阅和平台规则？随着大语言模型 API 的普及，这件事比想象中简单得多。今天我们就用最少的代码，从零搭建一个通过 API 驱动的聊天机器人，并把它部署成一个轻量的网页应用。
## 准备工作 你需要准备三样东西： - 一个可用的 AI API 端点（支持 OpenAI 兼容格式，例如 DeepSeek、Qwen、Claude、Gemini 等） - Python 3.8+ 环境 - 基础的命令行操作能力
本文将以 DeepSeek 模型为例，使用 `openai` 这个 Python 库来调用 API。因为绝大多数模型服务都支持 OpenAI 的接口规范，你后续可以轻松替换成其他模型。
## 安装依赖 首先创建一个项目目录，并安装所需的库： ```bash mkdir my-chatbot cd my-chatbot python -m venv venv source venv/bin/activate # Windows 使用 venv\Scripts\activate pip install openai flask ``` 这里我们不仅需要 `openai` 来调用 API，还会用到 `flask` 搭建一个简易的 Web 服务。
## 编写后端逻辑 创建一个 `app.py` 文件，填入以下内容： ```python import os from flask import Flask, request, jsonify, render_template from openai import OpenAI
app = Flask(__name__)
# 配置 API 密钥和基础地址（这里以 TokenPocket 中转站为例） client = OpenAI( api_key="你的API密钥", base_url="https://api.tokenpocket.site/v1" )
# 存储会话历史（简单演示，生产环境请用数据库） conversations = {}
@app.route('/') def index(): return render_template('index.html')
@app.route('/chat', methods=['POST']) def chat(): data = request.json user_message = data.get('message', '') session_id = data.get('session_id', 'default')
# 初始化或获取历史消息 if session_id not in conversations: conversations[session_id] = [ {"role": "system", "content": "你是一个有帮助的助手。"} ] history = conversations[session_id] history.append({"role": "user", "content": user_message})
# 调用 AI API try: response = client.chat.completions.create( model="deepseek-chat", messages=history, temperature=0.7 ) assistant_message = response.choices[0].message.content history.append({"role": "assistant", "content": assistant_message}) return jsonify({"reply": assistant_message}) except Exception as e: return jsonify({"error": str(e)}), 500
if __name__ == '__main__': app.run(debug=True) ``` 这里我们创建了两个路由：一个返回前端页面，另一个处理聊天请求。会话历史保存在内存中，可以让机器人在同一个会话中记住上下文。
## 前端界面 在项目目录下创建 `templates` 文件夹，并在里面新建 `index.html`： ```html我的聊天机器人
🤖 AI 聊天助手
发送
``` 一个极简风格的聊天界面就完成了。它通过 JavaScript 发送请求到后端的 `/chat`，并实时展示对话。
## 运行与测试 在项目根目录执行： ```bash python app.py ``` 打开浏览器访问 `http://127.0.0.1:5000`，你就可以和自己的聊天机器人对话了。每当你发送一条消息，后端会将整个会话历史发给 DeepSeek 模型，返回的回复会追加到历史中，实现多轮连贯对话。
## 模型替换技巧 得益于 OpenAI 兼容接口，你只需要修改 `model` 参数和 `base_url`，就能切换到其他模型。例如换成 Qwen 模型： ```python response = client.chat.completions.create( model="qwen-plus", messages=history ) ``` 甚至可以将 `api_key` 和 `base_url` 抽离为环境变量，提高安全性和灵活性。
## 你的 AI API 加油站 在尝试过程中，你可能会发现直接使用官方 API 常常面临支付门槛高、模型分散在各个平台的问题。这里要推荐一下 **TokenPocket API 中转站**（[https://tokenpocket.site](https://tokenpocket.site)），它聚合了 DeepSeek、Qwen、Claude、Gemini 等主流模型，全部按量计费，不设最低消费。最方便的是，它支持 USDT 直接支付，无需信用卡或海外账户，新用户注册后还会自动获得免费额度，非常适合开发者快速验证想法。
现在，凭借不到 50 行 Python 代码和一个简单的 HTML 页面，你已经拥有了一个完全自主的 AI 聊天机器人。你可以把它部署到服务器上分享给朋友，也可以继续扩展，添加 Markdown 渲染、代码高亮，甚至流式输出。动手试试吧，AI 的玩法远不止聊天这么简单。