Django接入免费的 AI 大模型——讯飞星火（2025年4月最新！！！）

news2025/4/8 1:47:05

上文有介绍deepseek接入，但是需要付费，虽然 sliconflow 可以白嫖 token，但是毕竟是有限的，本文将介绍一款完全免费的 API——讯飞星火

目录

接入讯飞星火（免费）

测试对话

接入Django

扩展建议

接入讯飞星火（免费）

先去官网注册：讯飞开放平台-以语音交互为核心的人工智能开放平台

然后创建应用，获得自己的 APPID，APISecret 和 APIKey，不会操作的可以看下面这篇教程，也很详细：

如何使用api接入星火大模型（超详细，亲测有效！）_星火api-CSDN博客

只有一个大语言模型是免费的，其他的都是只能体验

获取到自己的 APPID、APISecret、APIKey

点击文档，点击调试，点击右上角转换模板为代码：

复制代码到 pycharm 中，会自动帮你补上 apiPassword

import requests

if __name__ == '__main__':
    url = "https://spark-api-open.xf-yun.com/v1/chat/completions"
    data = {
        "max_tokens": 4096,
        "top_k": 4,
        "temperature": 0.5,
        "messages": [
            {
                "role": "system",
                "content": ""
            },
            {
                "role": "user",
                "content": "你是谁"
            }
        ],
        "model": "4.0Ultra"
    }
    data["stream"] = True
    header = {
        "Authorization": "Bearer 你的password"
    }
    response = requests.post(url, headers=header, json=data, stream=True)

    # 流式响应解析示例
    response.encoding = "utf-8"
    for line in response.iter_lines(decode_unicode="utf-8"):
        print(line)

代码中 content 就是你要提问的问题，我这里问题是“你是谁”，右键运行（记得改api password）：

测试对话

大模型是可以根据上下文进行推断的，即根据系统和用户的对话不断改正模型，用户的每次对话，都相当于在调整模型参数，知道最终得到用户想要的结果，下面举一个例子：

import requests

if __name__ == '__main__':
    url = "https://spark-api-open.xf-yun.com/v1/chat/completions"
    data = {
        "max_tokens": 4096,
        "top_k": 4,
        "temperature": 0.5,
        "messages": [
            {
                "role": "system",
                "content": "你好，我是讯飞大模型"
            },
            {
                "role": "user",
                "content": "怎么去重庆"
            },
            {
                "role": "system",
                "content": "可以坐火车、做高铁"
            },
            {
                "role": "user",
                "content": "我不想用那样的交通工具"
            },
        ],
        "model": "4.0Ultra"
    }
    data["stream"] = True
    header = {
        "Authorization": "Bearer 你的api密钥"
    }
    response = requests.post(url, headers=header, json=data, stream=True)

    # 流式响应解析示例
    response.encoding = "utf-8"
    for line in response.iter_lines(decode_unicode="utf-8"):
        print(line)

这里，我自己构造了一段对话，模型说“可以做火车、高铁去重庆”，我说“我不想用那样的交通工具”，运行代码后，模型果真给出了不坐火车、高铁去重庆的几种方法：

在对话的过程中，对话信息存储在 message 中，然后传参给模型，模型自适应调参，输出更加靠近正确答案的结果。

接入Django

上诉对话可接入 Django 中，实现 web 端人机交互。

首先得改造 Spark 函数，让其 message 参数通过函数参数传递，而不是在函数内自行设置：

messages = [
        {
            "role": "system",
            "content": "你好，我是讯飞大模型",
        },
        {
            "role": "user",
            "content": "怎么去重庆",
        },
        {
            "role": "system",
            "content": "可以坐火车、做高铁",
        },
        {
            "role": "user",
            "content": "我不想用那样的交通工具",
        },
    ]
Spark_AI(messages)

这样，就能通过视图函数，传递 message 对话参数给该函数，该函数再将构造好的结果字符串返回给 Django。

定义路径：

path('detect/spark/', views.detect_spark),

定义视图函数：

from app01.utils.spark_api import Spark_AI
def detect_spark(request):
    messages = [
        {
            "role": "system",
            "content": "你好，我是讯飞大模型",
        },
        {
            "role": "user",
            "content": "怎么去重庆",
        },
        {
            "role": "system",
            "content": "可以坐火车、做高铁",
        },
        {
            "role": "user",
            "content": "我不想用那样的交通工具",
        },
    ]
    contents = Spark_AI(messages)
    return render(request,"spark.html",{"contents":contents})

html页面：

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>Title</title>
</head>
<body>
    <div>
        <p>{{ contents }}</p>
    </div>
</body>
</html>

运行结果：