Python新手入门之编写一个自动诗歌生成器

写代码之前，先得把环境搭起来。这事儿对零基础的朋友来说，其实很简单，只要电脑里装好 Python，再备上两个关键工具包就行。

环境准备：让 Python ready for AI

先确认你装的是 Python 3.8 或更高版本。安装时务必勾选“Add Python to PATH”，这样后面才能在命令行里直接调用它。装完后，打开终端（Windows 下用 cmd 或 PowerShell，Mac 下用终端），输入 python --version，看到版本号就对了。 接下来要装两个核心库：

• requests——Python 世界里的“快递员”，负责向大模型 API 发请求、取结果。
• python-dotenv——你的“保险箱”，用来安全存储 API 密钥，避免把它直接写在代码里泄露出去。

终端里跑一行命令就能搞定：

pip install requests python-dotenv

配置密钥：拿到通往 AI 世界的“钥匙”

大模型调用需要一把钥匙——API Key。就跟点外卖得先注册账号获取令牌一样。 市面上大模型提供商不少（OpenAI、月之暗面、阿里云等等），注册流程大同小异。大致是这样：

1. 登录大模型平台的控制台。
2. 找到“API Keys”管理页面，创建新密钥。
3. 复制生成的那串长字符（比如 sk-...）。

必须提醒的是：千万别把这串字符直接写在代码文件里上传到 GitHub 之类的公开平台！最安全的方法是在项目根目录下新建一个名为 .env 的文件，内容如下：

OPENAI_API_KEY=sk-你的真实密钥在这里

代码通过读取这个文件获取密钥，既方便又安全。

核心实战：5 分钟构建自动诗歌生成器

环境就绪、密钥在手，现在来完成今天的核心任务：写一个能根据主题自动生成五言绝句的 Python 脚本，就叫它 poem_generator.py。

1. 导入模块与加载配置

先告诉 Python 要用哪些工具，再把刚才存好的密钥读出来。

import os
import requests
from dotenv import load_dotenv

# 加载 .env 文件中的环境变量
load_dotenv()

# 获取 API 密钥
api_key = os.getenv("OPENAI_API_KEY")

if not api_key:
    raise ValueError("未找到 API 密钥，请检查 .env 文件配置")

这一段干了两件事：引入必要的库，从环境变量中安全提取密钥。没找到密钥就直接报错，避免后面无效运行。

2. 构造 Prompt：给 AI 下达精准指令

和大模型打交道，关键就是 Prompt（提示词）。你可以把它理解为给 AI 的“任务说明书”。说明书写得越清楚，AI 产出的结果就越靠谱。 要让 AI 写五言绝句，可以这样设计 Prompt：

def build_prompt(topic):
    return f"""
    你是一位精通中国古典文学的诗人，擅长创作五言绝句。
    请以"{topic}"为主题，创作一首诗。
    要求：
    1. 严格遵循五言绝句格式（四句，每句五个字）。
    2. 押韵自然，意境优美。
    3. 只输出诗歌内容，不要包含标题或额外解释。
    """

这里用了几个技巧：角色设定（精通古典文学的诗人）、具体约束（五言、押韵、无废话）和变量插入（ {topic} ）。这种结构能让大模型迅速进入状态，输出高质量内容。

3. 发送请求与解析响应

这里算是整个流程最带技术含量的地方。用 requests 库向 API 接口发一个 HTTP POST 请求，把用户的 Prompt 包装成 JSON 格式。

def generate_poem(topic):
    url = "https://api.openai.com/v1/chat/completions"  # 这里以通用接口为例，不同厂商地址可能不一样
    headers = {
        "Authorization": f"Bearer {api_key}",
        "Content-Type": "application/json"
    }
    
    payload = {
        "model": "gpt-3.5-turbo",  # 选模型，也可以换其他兼容的
        "messages": [
            {"role": "user", "content": build_prompt(topic)}
        ],
        "temperature": 0.7  # 控制创造性，0.7 是个平衡点
    }

    try:
        response = requests.post(url, headers=headers, json=payload, timeout=10)
        response.raise_for_status()  # 状态码不是 200 就抛异常
        
        # 解析 JSON 响应
        result = response.json()
        poem_content = result["choices"][0]["message"]["content"]
        return poem_content.strip()
        
    except requests.exceptions.RequestException as e:
        return f"请求失败：{e}"

逻辑很清楚：

• 构建请求头：带上身份认证信息。
• 构建载荷（Payload）：指定模型、传入消息列表。注意 messages 是个列表，单轮对话也照此办理。
• 发送与处理：用 post 发请求，raise_for_status() 确保网络通畅。
• 提取数据：大模型返回的是复杂的 JSON 对象，要从 choices → message → content 这条路径挖下去，那里才是诗。

4. 运行与测试

最后把各部分组装起来，加个简单的用户交互入口：

if __name__ == "__main__":
    print("? 欢迎使用 AI 诗歌生成器！")
    user_topic = input("请输入一个主题（例如：春天、月亮、离别）：")
    
    if user_topic:
        print("n正在构思诗句...n")
        poem = generate_poem(user_topic)
        print(f"【{user_topic}】n{poem}")
    else:
        print("未输入主题，程序退出。")

保存文件后，终端里跑 python poem_generator.py。输入“春天”，几秒后就能看到类似这样的输出：

春晨晓露润桃枝，

燕语莺啼入画池。

最是一年好光景，

东风拂柳惹相思。

理解背后的工作流

别看这只是一个诗歌生成器，但你已经掌握了 AI 原生应用开发的最基本范式：输入 → 构造 Prompt → 调用 API → 解析 JSON → 输出。 在这个过程中，Python 扮演着“胶水语言”的角色——它不需要会写诗，只需要把用户的需求翻译成大模型能懂的指令，再大模型的回复整理好展示给你。requests 库处理了复杂的网络通信细节，JSON 格式确保了数据交换的标准化。 对初学者来说，不必一开始就钻深度学习原理或神经网络架构的牛角尖。利用现有的大模型 API，配合简单的 Python 脚本，就能快速做出有实际价值的应用。无论是写诗、写文案，还是未来更复杂的多轮对话机器人，核心逻辑都是一脉相承的。现在不妨试试去修改 Prompt 里的要求，比如让 AI 写首“现代诗”或者“藏头诗”，看看会发生什么有趣的事情。