用 SiliconFlow API 调用大语言模型并接入 OpenAI 兼容接口

SiliconFlow 是一个把多种生成式 AI 模型（语言模型、文生图、图生图等）集中到同一平台调用的服务。它要解决的问题很具体：你不需要为每个模型分别申请账号、分别对接一套 SDK，而是用同一个 API Key、同一套接口风格去访问平台上架的模型。适合两类读者：一是想快速比较不同模型效果、再决定用哪个的应用开发者；二是已经有 OpenAI 调用代码、希望把请求指向另一个服务端点而不重写业务逻辑的团队。本文按「注册 → 看模型 → 在 Playground 试 → 建 Key → 发请求 → 用 OpenAI 库调用」的顺序走一遍，每一步都给出可执行的命令或代码。站内也有对应的工具条目可供查阅：SiliconFlow。

准备工作

开始之前需要确认几件事，缺一件后面的步骤就会卡住。

一个 SiliconFlow 账号。平台需要登录后才能查看模型详情、进入 Playground、创建 API Key。没有账号就先注册一个。
Python 环境。如果打算走 OpenAI 兼容接口这条路，需要 Python 3.7.1 或更高版本，并建议在虚拟环境中安装依赖，避免污染系统环境。
OpenAI Python 库。通过 pip 安装，命令见下文操作步骤。
对模型的基本判断。不同模型在价格、可用上限、能力侧重上都不一样，这些信息在平台的模型页可以查到。具体数值会调整，请以官网当前展示的信息为准。

如果你只是想在网页上试效果，不写代码，那么只需要账号，Python 部分可以跳过。

操作步骤

第一步：登录平台

创建并登录 SiliconFlow 账号。登录之后，模型列表、Playground、API Keys 这几个页面才会对你开放。这一步没有技术门槛，但它是后面所有操作的前提。

第二步：查看模型列表与详情

进入平台的模型页面，可以看到当前上架的全部模型。每个模型的详情里通常包含这些信息：

模型标识（调用时要填的 model 字段值，形如 deepseek-ai/DeepSeek-R1）
价格
单个用户的最大使用上限
模型能力与适用场景的说明

模型详情页上还有一个「在线体验」入口，可以不写代码直接试这个模型。选模型时建议先在这里过一遍：同一个任务用两三个模型各跑一次，比只看介绍文字可靠得多。价格与配额属于经常变动的信息，务必以官网当前页面为准，不要依据旧文章里的数字做预算。

第三步：在 Playground 中试用能力

打开 Playground 页面。左侧边栏可以切换模型类别，包括语言模型、文生图模型、图生图模型。选中某一类之后，再挑具体模型，就可以开始实时测试。

操作方式是：填入相关参数和提示词（prompt），点击「Run」按钮，页面会显示该模型生成的结果。这一步的价值在于把参数调到满意再写进代码——温度、最大输出长度这类参数在网页上调比在代码里反复改快得多。

Playground 覆盖的是平台的主要生成能力，语言模型、图像生成都在其中。如果你要做的任务在 Playground 里找不到对应类别，说明该能力可能不在当前开放范围内，回到模型列表确认一下。

第四步：创建 API Key

进入 API Keys 页面，点击「Create API Key」，生成你的密钥。这个 Key 就是后续所有程序化调用的凭证。

关于 Key 的处理，有几点值得在动手写代码前就定下来：

不要把 Key 硬编码进提交到版本库的源码里，用环境变量或本地配置文件承载。
如果多人协作，考虑为不同用途分别创建 Key，便于日后单独吊销某一个而不影响其他服务。
Key 一旦泄露，应立即在平台上删除并重新生成。

第五步：通过 REST API 发起调用

拿到 Key 之后，最直接的调用方式是在平台的文档页面直接发起在线请求。文档页支持按编程语言生成对应的代码片段：选好语言，填入参数，页面会给出可直接复制使用的请求代码。对于不想先装 SDK 的场景，这是最快的验证路径。

REST 方式的好处是语言无关——任何能发 HTTP 请求的环境都能用，不限于 Python。如果你用的是 Go、Java、Node.js 或者干脆是 curl，走这条路即可。

第六步：通过 OpenAI 兼容接口调用

平台上的部分大语言模型支持用 OpenAI 官方库直接调用。这意味着已有的 OpenAI 代码只需要改两个地方——API Key 和 base_url——就能指向 SiliconFlow 的模型。平台目前支持大部分 OpenAI 相关参数。

先准备环境。安装 Python 3.7.1 或更高版本，建立虚拟环境，然后在终端或命令行中执行：

pip install --upgrade openai

安装完成后，运行 pip list 查看当前环境里已安装的 Python 库，确认 OpenAI 库已经装上。确认无误后，就可以用 OpenAI 的接口形式发起调用了。

一个完整示例

下面这段代码演示了用 OpenAI Python 库调用 SiliconFlow 上的语言模型，并处理流式返回。它同时处理了两种输出：正文内容和推理内容。

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.siliconflow.com/v1"
)

response = client.chat.completions.create(
    model="deepseek-ai/DeepSeek-R1",
    messages=[
        {"role": "user", "content": "tell me a story"}
    ],
    stream=True
)

for chunk in response:
    if not chunk.choices:
        continue
    if chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="", flush=True)
    if chunk.choices[0].delta.reasoning_content:
        print(chunk.choices[0].delta.reasoning_content, end="", flush=True)

逐段说明这段代码在做什么：

构造客户端。OpenAI() 接收 api_key 与 base_url 两个参数。把 YOUR_API_KEY 换成第四步生成的密钥；base_url 指向 SiliconFlow 的兼容端点，而不是 OpenAI 官方地址。这两处是整段代码里唯一需要改的地方。
发起请求。client.chat.completions.create() 的用法与调用 OpenAI 时完全一致。model 填模型列表里看到的标识；messages 是标准的对话消息数组；stream=True 表示流式返回，边生成边输出。
遍历返回块。流式模式下返回的是一个可迭代对象，每个 chunk 是一小段增量。循环里先判断 chunk.choices 是否为空——有些块只携带元信息，没有实际内容，直接跳过。
输出正文。chunk.choices[0].delta.content 是模型生成的正文片段，用 end="" 和 flush=True 让它连续打印而不是每段换行。
输出推理内容。chunk.choices[0].delta.reasoning_content 是推理类模型额外返回的思考过程。不是所有模型都有这个字段，所以要先判断存在再打印。如果你只想看最终答案，把这一段去掉即可。

把这段代码保存为 demo.py，替换 Key 之后运行，就能看到模型逐字输出的结果。跑通之后，把 messages 里的内容换成你的实际任务，把 model 换成你在模型列表里选定的模型，就是一个可用的最小生产脚本。

如果不需要流式输出，把 stream=True 去掉，直接从返回对象的 choices[0].message.content 取完整结果即可。流式适合交互式界面，非流式适合批处理。

注意事项

模型支持范围不是全量的。OpenAI 兼容接口只对「部分」大语言模型开放，不是平台上所有模型都能用这种方式调用。选模型前先在模型详情里确认它是否支持 OpenAI 接口；不支持的模型走 REST 方式。

参数兼容性是「大部分」而非「全部」。平台目前支持大部分 OpenAI 相关参数，但并不意味着 OpenAI 文档里的每个参数都能原样生效。遇到某个参数不生效的情况，先查平台文档里该模型的参数说明，不要默认它和 OpenAI 完全一致。

价格与配额会变。模型价格、单用户最大使用上限这类信息在模型页展示，属于会调整的内容。做成本估算或容量规划时，以官网当前信息为准，不要沿用任何文章里的历史数字。

Python 版本有下限。OpenAI 库要求 Python 3.7.1 或更高。版本过低时安装会失败或运行时报错，先升级解释器再装库。

base_url 写错是最常见的失败原因。沿用 OpenAI 官方地址会导致请求打到错误的服务上，表现为鉴权失败或模型不存在。检查 base_url 是否指向 SiliconFlow 的兼容端点。

流式返回要处理空块。如示例所示，流式响应中会出现 choices 为空的块。不判断就直接取 chunk.choices[0] 会抛索引错误，这是流式代码里最常见的崩溃点。

推理字段并非所有模型都有。reasoning_content 只出现在推理类模型的返回中。对普通模型访问该字段会得到空值或属性错误，代码里应做存在性判断。

先用 Playground 验证再写代码。参数和提示词在网页上调好，再搬进脚本，能省掉大量「改了代码跑一次看结果」的往返。这一步不是可选项，尤其是第一次用某个模型时。