尧图网站建设 
定位面向 AI 应用开发者的国产商用大模型 API 实操评测覆盖DeepSeek、智谱 GLM、通义千问 三家的注册接入、核心能力、Function-Calling、Embedding、成本与踩坑经验## 0. 前言做 LLM 应用开发绕不开这几件事普通对话、流式输出、多轮记忆、Function-Calling 工具调用、Embedding 向量化RAG。市面上模型众多很多同学不知道怎么选、怎么快速上手测试。本文基于真实 API 测试梳理 **DeepSeek、智谱 AI、通义千问** 三家平台帮你快速完成开发评估与选型。 说明所有价格、免费额度来自官方公开文档政策会随时调整正式开发请以各家官网为准。---## 1. 三大平台快速上手注册与接入三家全部兼容 **OpenAI 接口协议**开发者可以复用同一套 Python 代码只切换 base_url、api_key、model_id 即可完成迁移切换成本极低。### 1.1 DeepSeek深度求索- 官网https://platform.deepseek.com- 注册手机号注册 实名认证- 密钥左侧【API Keys】→ 创建新密钥 → 复制保存sk- 开头只展示一次- 额度新用户赠送 10 元测试余额有效期 30 天无永久免费模型- Base-URLhttps://api.deepseek.com/v1- 常用模型deepseek-v4-flash、deepseek-v4-pro- 能力流式输出、Function-Calling**无内置 Embedding 接口**### 1.2 智谱 AIGLM- 官网https://open.bigmodel.cn- 注册手机号注册 实名认证- 密钥用户中心 → API Keys → 创建密钥复制保存- 额度glm-4-flash 长期免费新用户赠送千万 token 体验额度- Base-URLhttps://open.bigmodel.cn/api/paas/v4- 常用模型glm-4-flash、glm-5.2- 能力流式输出、Function-Calling、**内置 Embedding 向量接口**### 1.3 通义千问阿里云百炼 DashScope- 官网https://bailian.console.aliyun.com- 注册阿里云账号登录 开通百炼服务 实名认证- 密钥设置 → 密钥管理 → 创建 API-Key复制保存- 额度新用户提供免费调用额度超出按量计费- OpenAI 兼容 Base-URLhttps://dashscope.aliyuncs.com/compatible-mode/v1- 常用模型qwen3-max、qwen3-plus- 能力流式输出、Function-Calling、**内置 Embedding 向量接口**### 1.4 通用 Python 测试模板pythonfrom openai import OpenAI# ---------------- 切换平台只需修改这三个变量 ----------------API_KEY sk-你的keyBASE_URL 对应平台base-urlMODEL 对应model_id# ----------------------------------------------------------client OpenAI(api_keyAPI_KEY, base_urlBASE_URL)# ① 普通对话测试resp client.chat.completions.create(modelMODEL,messages[{role: user, content: 简单介绍 Function-Calling}],temperature0.3,streamFalse,)print(resp.choices[0].message.content)# ② 流式输出测试打字机效果stream client.chat.completions.create(modelMODEL,messages[{role: user, content: 简单介绍 Embedding}],temperature0.3,streamTrue,)for chunk in stream:if chunk.choices[0].delta.content:print(chunk.choices[0].delta.content, end)### 1.5 必做测试用例清单1. 普通非流式对话验证基础连通2. streamTrue 流式输出验证打字机效果3. 多轮记忆测试验证 messages 上下文传递4. Function-Calling 工具调用测试可用 weather 模拟工具5. Embedding 接口测试智谱 / 通义6. 异常超长输入、temperature0.1 输出 JSON 是否稳定---## 2. 核心能力横向对比| 平台 | 代表模型 | 上下文 | Function-Calling | Embedding | 特点 ||---|---|---|---|---|---|| DeepSeek | v4-flash / v4-pro | 1M token | 优秀 | 无 | 代码、推理强性价比高峰谷计价 || 智谱 AI | glm-4-flash / glm-5.2 | 1M token | 支持 | 内置 | flash 永久免费适合学习调试 || 通义千问 | qwen3-plus / qwen3-max | 1M token | 支持 | 内置 | 阿里云生态并发稳定性好 |### 2.1 基础能力- **流式输出**三家全部支持 SSE 流式实现聊天打字机效果网页聊天应用必备。- **多轮记忆**全部依赖开发者维护 messages 数组模型本身无会话存储对话变长需做 token 截断防止上下文超限。- **参数对齐**temperature / top_p / max_tokens / stop 语义一致迁移代码几乎无需改参数逻辑。### 2.2 Function-Calling 工具调用 Agent 开发核心能力模型输出 tool_calls后端代码解析并执行本地函数。- **DeepSeek**V4 对 Function-Calling 深度优化JSON 输出稳定性高支持并行工具调用。- **智谱 GLM**原生工具调用支持长任务 AgentJSON Schema 强约束输出。- **通义千问**标准 OpenAI 格式 Function-Calling业务落地成熟。 踩坑三家都有可能输出非法 JSON业务代码必须捕获 json.loads() 解析异常不能信任模型输出。### 2.3 Embedding 向量化RAG 知识库- **智谱、通义**平台自带 Embedding 接口直接调用即可产出向量快速搭建 RAG。- **DeepSeek**无 Embedding 接口做知识库检索需额外引入 bge-m3 等第三方向量模型。---## 3. 成本与额度1. **DeepSeek**整体定价偏低flash 适合大批量请求pro 用于复杂推理支持峰谷计价夜间调用成本更低。2. **智谱**flash 免费用于学习旗舰模型价格中等新用户赠送大量体验 token。3. **通义千问**按量付费阿里云账号统一账单管理。 开发建议学习 Demo 优先智谱免费 flash正式项目对比 DeepSeek 和通义根据并发、生态选择。---## 4. 开发踩坑实录1. **API Key 泄露风险**不要硬编码在代码里使用 .env 环境变量保存。2. **上下文超限**多轮对话持续累积 token超过窗口直接报错需要做消息截断、历史摘要。3. **Function-Calling 参数**不要只依赖模型参数一定要后端校验。4. **Embedding 一致性**文档、query 必须使用**同一个向量模型**否则相似度检索失效。5. **免费模型限流**免费版往往有限流压测、高并发业务不要使用免费版本。---## 5. 场景化选型建议1. **学生学习、写 Demo 练习 FC / RAG**优先智谱 GLM-4-Flash 免费额度。2. **代码生成、复杂逻辑推理追求低成本**优先 DeepSeek-V4-Flash。3. **企业阿里云生态需要稳定并发一套平台搞定对话 向量检索**优先通义千问。4. **Agent 工具调用开发**三家都可以优先 DeepSeek、智谱做对比测试。---## 6. 附录配套测试代码片段### 6.1 Function-Calling 最小可用 demo通用pythonimport jsonfrom openai import OpenAIclient OpenAI(api_keyAPI_KEY, base_urlBASE_URL)# ① 定义工具 schematools [{type: function,function: {name: get_weather,description: 获取某个城市今日天气,parameters: {type: object,properties: {city: {type: string, description: 城市名称}},required: [city],},},}]messages [{role: user, content: 帮我查徐州今天天气}]# ② 第一次请求模型可能返回 tool_callsresp client.chat.completions.create(modelMODEL, messagesmessages, toolstools)msg resp.choices[0].message# ③ 若需要调用工具则解析并执行本地函数if msg.tool_calls:tc msg.tool_calls[0]args json.loads(tc.function.arguments) # 解析入参 JSON 字符串result {city: args[city], temp: 28, condition: 晴} # 模拟真实天气 APImessages.append(msg)messages.append({role: tool, tool_call_id: tc.id, content: json.dumps(result)})# ④ 第二次请求模型基于工具结果整理自然语言回答final client.chat.completions.create(modelMODEL, messagesmessages)print(final.choices[0].message.content)### 6.2 Embedding 极简相似度检索智谱 / 通义pythonfrom openai import OpenAIimport numpy as npclient OpenAI(api_keyAPI_KEY, base_urlBASE_URL)# 文档向量化同一模型doc_vec client.embeddings.create(modelEMBED_MODEL, input[徐州是江苏城市, 北京是首都]).dataquery_vec client.embeddings.create(modelEMBED_MODEL, input[江苏省会]).datadef cos_sim(a, b):a, b np.array(a.embedding), np.array(b.embedding)return float(a b / (np.linalg.norm(a) * np.linalg.norm(b)))for i, d in enumerate(doc_vec):print(f文档{i} 与 query 相似度: {cos_sim(d, query_vec[0]):.4f}) 注EMBED_MODEL 在智谱用 embedding-2/embedding-3通义用 text-embedding-v3具体以平台文档为准。---## 7. 面试思考题巩固理解1. 做信息提取输出 JSONtemperature 应该调大还是调小为什么2. 上下文超限是什么原因和 token 有什么关系怎么处理3. 开源模型和闭源模型的核心区别是什么各自适合什么场景4. Function-Calling 中模型会真正执行函数吗真正执行函数的是谁5. 为什么 RAG 里文档向量化和用户 query 必须用同一个 Embedding 模型---## 8. 写在最后大模型 API 迭代速度很快新版本会持续修复 Function-Calling、幻觉、格式输出问题。开发者不要只看纸面参数**一定要自己注册 Key跑通普通对话、流式输出、工具调用全套测试用例再做业务选型。** 主流大模型全景盘点
定位面向 AI 应用开发者的国产商用大模型 API 实操评测覆盖DeepSeek、智谱 GLM、通义千问 三家的注册接入、核心能力、Function-Calling、Embedding、成本与踩坑经验## 0. 前言做 LLM 应用开发绕不开这几件事普通对话、流式输出、多轮记忆、Function-Calling 工具调用、Embedding 向量化RAG。市面上模型众多很多同学不知道怎么选、怎么快速上手测试。本文基于真实 API 测试梳理 **DeepSeek、智谱 AI、通义千问** 三家平台帮你快速完成开发评估与选型。 说明所有价格、免费额度来自官方公开文档政策会随时调整正式开发请以各家官网为准。---## 1. 三大平台快速上手注册与接入三家全部兼容 **OpenAI 接口协议**开发者可以复用同一套 Python 代码只切换 base_url、api_key、model_id 即可完成迁移切换成本极低。### 1.1 DeepSeek深度求索- 官网https://platform.deepseek.com- 注册手机号注册 实名认证- 密钥左侧【API Keys】→ 创建新密钥 → 复制保存sk- 开头只展示一次- 额度新用户赠送 10 元测试余额有效期 30 天无永久免费模型- Base-URLhttps://api.deepseek.com/v1- 常用模型deepseek-v4-flash、deepseek-v4-pro- 能力流式输出、Function-Calling**无内置 Embedding 接口**### 1.2 智谱 AIGLM- 官网https://open.bigmodel.cn- 注册手机号注册 实名认证- 密钥用户中心 → API Keys → 创建密钥复制保存- 额度glm-4-flash 长期免费新用户赠送千万 token 体验额度- Base-URLhttps://open.bigmodel.cn/api/paas/v4- 常用模型glm-4-flash、glm-5.2- 能力流式输出、Function-Calling、**内置 Embedding 向量接口**### 1.3 通义千问阿里云百炼 DashScope- 官网https://bailian.console.aliyun.com- 注册阿里云账号登录 开通百炼服务 实名认证- 密钥设置 → 密钥管理 → 创建 API-Key复制保存- 额度新用户提供免费调用额度超出按量计费- OpenAI 兼容 Base-URLhttps://dashscope.aliyuncs.com/compatible-mode/v1- 常用模型qwen3-max、qwen3-plus- 能力流式输出、Function-Calling、**内置 Embedding 向量接口**### 1.4 通用 Python 测试模板pythonfrom openai import OpenAI# ---------------- 切换平台只需修改这三个变量 ----------------API_KEY sk-你的keyBASE_URL 对应平台base-urlMODEL 对应model_id# ----------------------------------------------------------client OpenAI(api_keyAPI_KEY, base_urlBASE_URL)# ① 普通对话测试resp client.chat.completions.create(modelMODEL,messages[{role: user, content: 简单介绍 Function-Calling}],temperature0.3,streamFalse,)print(resp.choices[0].message.content)# ② 流式输出测试打字机效果stream client.chat.completions.create(modelMODEL,messages[{role: user, content: 简单介绍 Embedding}],temperature0.3,streamTrue,)for chunk in stream:if chunk.choices[0].delta.content:print(chunk.choices[0].delta.content, end)### 1.5 必做测试用例清单1. 普通非流式对话验证基础连通2. streamTrue 流式输出验证打字机效果3. 多轮记忆测试验证 messages 上下文传递4. Function-Calling 工具调用测试可用 weather 模拟工具5. Embedding 接口测试智谱 / 通义6. 异常超长输入、temperature0.1 输出 JSON 是否稳定---## 2. 核心能力横向对比| 平台 | 代表模型 | 上下文 | Function-Calling | Embedding | 特点 ||---|---|---|---|---|---|| DeepSeek | v4-flash / v4-pro | 1M token | 优秀 | 无 | 代码、推理强性价比高峰谷计价 || 智谱 AI | glm-4-flash / glm-5.2 | 1M token | 支持 | 内置 | flash 永久免费适合学习调试 || 通义千问 | qwen3-plus / qwen3-max | 1M token | 支持 | 内置 | 阿里云生态并发稳定性好 |### 2.1 基础能力- **流式输出**三家全部支持 SSE 流式实现聊天打字机效果网页聊天应用必备。- **多轮记忆**全部依赖开发者维护 messages 数组模型本身无会话存储对话变长需做 token 截断防止上下文超限。- **参数对齐**temperature / top_p / max_tokens / stop 语义一致迁移代码几乎无需改参数逻辑。### 2.2 Function-Calling 工具调用 Agent 开发核心能力模型输出 tool_calls后端代码解析并执行本地函数。- **DeepSeek**V4 对 Function-Calling 深度优化JSON 输出稳定性高支持并行工具调用。- **智谱 GLM**原生工具调用支持长任务 AgentJSON Schema 强约束输出。- **通义千问**标准 OpenAI 格式 Function-Calling业务落地成熟。 踩坑三家都有可能输出非法 JSON业务代码必须捕获 json.loads() 解析异常不能信任模型输出。### 2.3 Embedding 向量化RAG 知识库- **智谱、通义**平台自带 Embedding 接口直接调用即可产出向量快速搭建 RAG。- **DeepSeek**无 Embedding 接口做知识库检索需额外引入 bge-m3 等第三方向量模型。---## 3. 成本与额度1. **DeepSeek**整体定价偏低flash 适合大批量请求pro 用于复杂推理支持峰谷计价夜间调用成本更低。2. **智谱**flash 免费用于学习旗舰模型价格中等新用户赠送大量体验 token。3. **通义千问**按量付费阿里云账号统一账单管理。 开发建议学习 Demo 优先智谱免费 flash正式项目对比 DeepSeek 和通义根据并发、生态选择。---## 4. 开发踩坑实录1. **API Key 泄露风险**不要硬编码在代码里使用 .env 环境变量保存。2. **上下文超限**多轮对话持续累积 token超过窗口直接报错需要做消息截断、历史摘要。3. **Function-Calling 参数**不要只依赖模型参数一定要后端校验。4. **Embedding 一致性**文档、query 必须使用**同一个向量模型**否则相似度检索失效。5. **免费模型限流**免费版往往有限流压测、高并发业务不要使用免费版本。---## 5. 场景化选型建议1. **学生学习、写 Demo 练习 FC / RAG**优先智谱 GLM-4-Flash 免费额度。2. **代码生成、复杂逻辑推理追求低成本**优先 DeepSeek-V4-Flash。3. **企业阿里云生态需要稳定并发一套平台搞定对话 向量检索**优先通义千问。4. **Agent 工具调用开发**三家都可以优先 DeepSeek、智谱做对比测试。---## 6. 附录配套测试代码片段### 6.1 Function-Calling 最小可用 demo通用pythonimport jsonfrom openai import OpenAIclient OpenAI(api_keyAPI_KEY, base_urlBASE_URL)# ① 定义工具 schematools [{type: function,function: {name: get_weather,description: 获取某个城市今日天气,parameters: {type: object,properties: {city: {type: string, description: 城市名称}},required: [city],},},}]messages [{role: user, content: 帮我查徐州今天天气}]# ② 第一次请求模型可能返回 tool_callsresp client.chat.completions.create(modelMODEL, messagesmessages, toolstools)msg resp.choices[0].message# ③ 若需要调用工具则解析并执行本地函数if msg.tool_calls:tc msg.tool_calls[0]args json.loads(tc.function.arguments) # 解析入参 JSON 字符串result {city: args[city], temp: 28, condition: 晴} # 模拟真实天气 APImessages.append(msg)messages.append({role: tool, tool_call_id: tc.id, content: json.dumps(result)})# ④ 第二次请求模型基于工具结果整理自然语言回答final client.chat.completions.create(modelMODEL, messagesmessages)print(final.choices[0].message.content)### 6.2 Embedding 极简相似度检索智谱 / 通义pythonfrom openai import OpenAIimport numpy as npclient OpenAI(api_keyAPI_KEY, base_urlBASE_URL)# 文档向量化同一模型doc_vec client.embeddings.create(modelEMBED_MODEL, input[徐州是江苏城市, 北京是首都]).dataquery_vec client.embeddings.create(modelEMBED_MODEL, input[江苏省会]).datadef cos_sim(a, b):a, b np.array(a.embedding), np.array(b.embedding)return float(a b / (np.linalg.norm(a) * np.linalg.norm(b)))for i, d in enumerate(doc_vec):print(f文档{i} 与 query 相似度: {cos_sim(d, query_vec[0]):.4f}) 注EMBED_MODEL 在智谱用 embedding-2/embedding-3通义用 text-embedding-v3具体以平台文档为准。---## 7. 面试思考题巩固理解1. 做信息提取输出 JSONtemperature 应该调大还是调小为什么2. 上下文超限是什么原因和 token 有什么关系怎么处理3. 开源模型和闭源模型的核心区别是什么各自适合什么场景4. Function-Calling 中模型会真正执行函数吗真正执行函数的是谁5. 为什么 RAG 里文档向量化和用户 query 必须用同一个 Embedding 模型---## 8. 写在最后大模型 API 迭代速度很快新版本会持续修复 Function-Calling、幻觉、格式输出问题。开发者不要只看纸面参数**一定要自己注册 Key跑通普通对话、流式输出、工具调用全套测试用例再做业务选型。**