这里是慕雪的小助手，这篇文章介绍了如何使用OpenAI Python SDK实现多轮对话和Function Calling功能。内容包括SDK
慕雪小助手的总结
DeepSeek & LongCat

欢迎阅读慕雪撰写的AI Agent专栏，本专栏目录如下

  1. 【MCP】详细了解MCP协议：和function call的区别何在？如何使用MCP？
  2. 【AI】AI对26届及今后计算机校招的影响
  3. 【Agent.01】AI Agent智能体开发专题引言
  4. 【Agent.02】市面上常见的大模型有哪些？
  5. 【Agent.03】带你学会写一个基础的Prompt
  6. 【Agent.04】AI时代的hello world：调用OpenAI接口，与大模型交互
  7. 【Agent.05】OpenAI接口Function Calling工具调用详解
  8. 【Agent.06】使用openai sdk实现多轮对话
  9. 【Agent.07】什么是Agent？从Chat到ReAct的AI进化之路

本专栏的所有代码都可以在https://gitee.com/musnows/agent-blog找到。

本文介绍了如何使用OpenAI Python SDK实现多轮对话和Function Calling功能，包括SDK安装、多轮对话维护和函数调用的完整示例。

1. 引言

在上一篇文章中，我们使用requests库直接调用OpenAI API，实现了基础的AI交互功能。虽然这种方式能够帮助我们理解API的工作原理，但在实际开发中，直接使用HTTP请求会显得有些"原始"。

OpenAI官方提供了Python SDK，能够让我们更方便的实现这些功能。其本质上也是封装了requests库和aiohttp库提供的网络请求能力，将其从我们网络请求原始获取到的json字段，变成了response对象的成员变量。

本文将简单示例如何使用OpenAI Python SDK的使用方式，以及我们如何进行多轮对话的messages维护示例，都很简单，看看就会了。

2. OpenAI SDK入门

2.1. 安装SDK

首先需要安装OpenAI的Python SDK：

bash
1
pip3 install openai

安装完成后，我们就可以使用OpenAI提供的客户端类来调用API了。

2.2. 基础配置

使用SDK之前，需要先配置API密钥。推荐使用环境变量的方式：

python
1
2
3
4
5
6
7
8
9
10
11
import os
from openai import OpenAI

# 设置API密钥
os.environ["OPENAI_API_KEY"] = "your_api_key_here"

# 创建客户端
client = OpenAI(
    api_key=os.environ.get("OPENAI_API_KEY"),
    base_url="https://api.siliconflow.cn/v1"  # 使用硅基流动的API
)

注意：把API密钥设置在环境变量中比硬编码在代码里更安全，这也是生产环境的最佳实践。

3. 多轮对话实现

3.1. 对话状态管理

多轮对话的核心在于维护对话历史。我们需要在每次请求时，将之前的对话内容一起发送给AI模型。

python
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
import os
from openai import OpenAI

class ChatBot:
    def __init__(self, api_key):
        self.client = OpenAI(
            api_key=api_key,
            base_url="https://api.siliconflow.cn/v1"
        )
        self.messages = [
            {"role": "system", "content": "你是一个有帮助的AI助手。"}
        ]

    def chat(self, user_input):
        """发送用户消息并获取AI回复"""
        # 添加用户消息到历史记录
        self.messages.append({"role": "user", "content": user_input})

        try:
            # 调用API获取回复
            response = self.client.chat.completions.create(
                model="Qwen/Qwen3-8B",
                messages=self.messages,
                max_tokens=512,
                temperature=0.7
            )

            # 获取AI回复
            ai_reply = response.choices[0].message.content

            # 将AI回复也加入历史记录
            self.messages.append({"role": "assistant", "content": ai_reply})

            return ai_reply

        except Exception as e:
            return f"出错了: {str(e)}"

    def get_history(self):
        """获取对话历史"""
        return self.messages

# 使用示例
if __name__ == "__main__":
    API_KEY = "your_api_key_here"
    bot = ChatBot(API_KEY)

    print("AI助手已启动，输入'退出'结束对话")

    while True:
        user_input = input("你: ")
        if user_input.lower() == '退出':
            break

        ai_reply = bot.chat(user_input)
        print(f"AI: {ai_reply}")

3.2. 对话效果演示

运行上面的代码，我们可以实现如下对话：

plaintext
1
2
3
4
5
6
7
8
9
10
❯ uv run 03.multi.round.chat/multi_round_chat.py
AI助手已启动，输入'退出'结束对话，输入'清空'清空对话历史
==================================================
你: 你好,我叫小明
AI: 你好，小明！很高兴认识你～有什么我可以帮你的吗？(•̀ᴗ•́)و
------------------------------
你: 我叫什么名字?
AI: 你的名字是小明呀！刚才你自己告诉我的，是不是想测试我有没有记住呢？(✧ω✧) 需要我帮你做什么事情吗？
------------------------------
你:

可以看到，AI能够记住我们之前提到的名字"小明"，这就是通过维护messages列表实现的。

4. 总结

OpenAI SDK用起来确实比直接requests调用舒服多了，代码更简洁，也不用自己处理各种HTTP细节。多轮对话的实现原理也很简单，就是把对话历史保存起来，每次请求都带上，作为对话的记忆。

这里也展现了LLM“无状态”的特性，我们把相同的messages数组传递给任何模型，只要不超过目标模型的上下文Token数量，模型就能“记住”我们对话的内容，根据对话历史，为我们生成回答。

不过，在实际的Agent开发中，多轮对话并不常使用，绝大部分Agent框架只需要提供入口prompt，后续的所有流程都是Agent自行解决。

但这不代表多轮对话就不用掌握了，还是得了解了解如何维护多轮对话的状态的。