Python基础到LLM调用：列表切片实战教程

前言

直接亮明观点：本文既非纯粹的 Python 基础教程，也非泛泛的 LLM API 调用演示。

它的核心是将Python List 操作技巧、阿里 ModelScope 开源生态、Transformer 架构原理与生产级 LLM Completion 接口代码有机串联。最终以“为充气青蛙生成亚马逊英文文案”的实战案例收尾——从语法细节到AI应用，一气呵成。

1. Python List：比 Array 灵活得多

在 Python 实践中，很少有人会直接使用array模块，日常数据处理首选List。它的灵活性体现在三个关键点：

• 无需预分配容量，支持动态append / pop，内存管理自动完成。
• 异构元素支持：[1, "hello", [2, 3]]完全合法，静态语言开发者往往难以想象。
• 与 JavaScript Array 高度相似——事实上，JS 数组的设计深受 Python List 影响。

切片（Slice）—— 简化取子集

切片是 Python 最令人着迷的特性之一。看这段示例：

python

lst = [0, 1, 2, 3, 4, 5]
sub = lst[1:4]   # [1, 2, 3]
# 格式 [start:stop:step]

熟练使用切片后，取前N个、后N个、间隔采样等操作，一行代码即可完成，简洁程度让其他语言开发者羡慕不已。这也是 Python 之所以简洁优雅的核心设计之一。

2. 阿里 ModelScope：开源模型社区

• Model 指模型，Scope 指空间，命名直接明了。
• 阿里云打造的开源模型平台，对标 Hugging Face，但更贴合国内开发者需求。
• 提供预训练模型与数据集（datasets），NLP 实验所需资源一应俱全。

ModelScope 支持兼容 OpenAI API 格式的调用方式，但本例中我们直接调用 DeepSeek 接口——更直接，更贴近生产环境。

3. Transformer：LLM 的基石

• Google 开源的Transformer 架构，是 2022 年底生成式 AI 爆发的真正起点和行业事实标准。
• OpenAI、DeepSeek、Gemini、Claude 等主流大模型，均基于 Transformer 或其改进变体。
• 下文调用的deepseek-chat模型，底层同样是 Transformer 架构的深度优化版本。

4. LLM 接口与 Completion

• OpenAI 的接口格式已成为行业事实标准，DeepSeek全面兼容，极大降低迁移成本。
• Gemini（Google）与Claude（Anthropic）的接口虽略有差异，但设计逻辑高度一致。
• Completion 接口：只需向 Prompt 输入问题，模型自动补全后续内容。

5. Prompt 设计原则

若希望模型输出能被程序直接解析，Prompt 必须精确结构化。核心设计要点：

• 明确且具体：避免模糊指令，例如不要说“写个标题”，应规定“为亚马逊撰写一个20词以内的英文产品标题”。
• 步骤化拆解：用编号1、2、3分解任务，减少模型偏离概率。
• 强制输出格式：直接要求“输出JSON，指定字段名”，避免后续解析异常。

6. 完整代码示例：为“充气发光青蛙”生成亚马逊文案

基于以上铺垫，直接上代码。本例一次性串联 Python 切片、API 调用与 JSON 解析。

代码

python

from openai import OpenAI  # Python 不需要 new，直接调用构造函数实例化

client = OpenAI(
    api_key="your-deepseek-api-key",   # 替换成你自己的 key
    base_url="https://api.deepseek.com/v1"
)

COMPLETION_MODEL = "deepseek-chat"

prompt = """
Consideration product: 工厂现货PVC充气青蛙夜市地摊热卖充气玩具发光蛙儿童水上玩具
1. Compose human readable product title used on Amazon in english with 20 words.
2. Write 5 selling points for the products in Amazon
3. Evaluate a price range for this product in U.S.

Output the result in json format with three properties called title, selling_point and price_range
"""

def get_response(prompt):
    response = client.chat.completions.create(
        model=COMPLETION_MODEL,
        messages=[{"role": "user", "content": prompt}]
    )
    return response.choices[0].message.content

print(get_response(prompt))

实际返回的 JSON

json

{
  "title": "Factory Stock PVC Inflatable Frog Toy, Glowing Night Market Bestseller, Fun Water Play for Kids with LED Lights",
  "selling_point": [
    "Eye-catching glowing design with built-in LED lights, perfect for nighttime fun and夜市 attractions.",
    "Made from durable PVC material, safe and non-toxic for kids, suitable for both water and land play.",
    "Easy to inflate and deflate, compact for storage and portability, ideal for beach, pool, or backyard.",
    "Lightweight and buoyant, great as a floating toy for children's water activities and pool parties.",
    "High demand novelty toy for夜市 stalls and events, proven bestseller with attractive profit margins."
  ],
  "price_range": "$5.99 - $12.99"
}

7. 这段代码能做什么？

• 跨境电商：批量生成亚马逊产品文案——标题、卖点、定价一站式搞定。
• 数据分析：返回的 JSON 可直接转为 Python dict，或加载到 Pandas DataFrame，便于后续处理。
• Prompt 工程实验：对比不同 Prompt 下模型输出的定价合理性，快速迭代最优的提问模板。

结语

回顾整条链路：从 Python List 切片入门，经阿里 ModelScope 社区，串联 Transformer 架构与 LLM 接口调用，最后几十行代码为充气青蛙生成地道美式文案——每一环紧密衔接，学以致用。

希望这份实战笔记能帮你快速掌握大模型应用开发，基础扎实，后续自然游刃有余。

来源：互联网