半小时上手蓝耘元生代 MaaS：用 OpenAI SDK 调用 DeepSeek，把大模型接进自己的项目

最近想给一个小工具接大模型能力：代码解释、接口报错分析、简单问答。自己部署满血模型成本太高，本地小模型又不够用。最后选了 蓝耘元生代 MaaS 平台，原因很直接——接口兼容 OpenAI，模型多，注册后就有免费 Token 可以试。

这篇文章按「能跑起来」来写：注册、拿 Key、Python 调用、流式输出、换模型、一个最小可用 Demo，以及我实际踩过的几个坑。适合第一次接触蓝耘 MaaS 的同学。

在这里插入图片描述

一、蓝耘元生代 MaaS 是什么，为什么适合先试它

MaaS（Model as a Service） 可以理解成「模型当云服务用」：不用自己买卡、装推理框架、调并发，通过 API 直接调用平台托管好的大模型。

蓝耘元生代 MaaS 的定位比较清晰（来自官网与文档）：

能力点	说明	来源
模型覆盖	支持 DeepSeek、Qwen、Kimi 等 50+ 主流模型，统一接口一次接入	蓝耘 MaaS 官网
接口形态	OpenAI 兼容，改 `base_url` + `api_key` 就能切模型	官方文档
稳定性	官网标注 99.9% 可用率，平均延迟 <100ms（网关侧指标，实际端到端受模型与网络影响）	蓝耘 MaaS 官网
成本结构	自有 GPU 池 + 智能路由 + Prompt 缓存等降本能力；按 Token 计费	官网「三重降本」说明
新手友好	注册后可领取免费 Token（文档示例：DeepSeek 系列常见为 500 万免费额度）	官方文档「资源包管理」

在这里插入图片描述

对我这种「先验证业务、再谈规模」的开发者，最有用的是三点：

不用改业务代码结构：原来用 OpenAI SDK 的项目，基本只改两行配置。
模型切换成本低：DeepSeek 做推理、Qwen 做通用对话，换 model 字段即可。
有免费额度可实测：先把链路跑通，再决定是否加预算。

二、注册与获取 API Key（操作细节）

1. 注册账号

打开蓝耘元生代智算云官网。
走注册流程（手机号 + 验证码即可）。
登录后进入控制台，找到 MaaS 平台 入口。

新用户通常会看到算力/Token 相关的体验权益，以控制台实际展示为准。注册后建议先去「资源包管理」看一眼剩余额度，后面测延迟、测代码时心里有数。
在这里插入图片描述

2. 创建 API Key

按官方文档路径：

进入 API 平台 → 立即接入
点击 创建 API KEY
起个好认的名字（比如 dev-local、demo-csdn）
立刻复制保存——密钥只在创建时完整展示一次

安全建议（别嫌啰嗦，真的容易踩）：

不要把 Key 写死在代码仓库里
用环境变量：export LANYUN_API_KEY=sk-xxxx
泄露了就去控制台删掉重建

3. 记下两个关键参数

后面所有调用都围着这两项转：

base_url : https://maas-api.lanyun.net/v1
完整接口 : https://maas-api.lanyun.net/v1/chat/completions

常见模型名（以文档示例为准，控制台模型市场可能更新）：

模型	API 调用模型名（model 字段）	文档示例单价	上下文（文档）
DeepSeek-R1	`/maas/deepseek-ai/DeepSeek-R1`	8 元/百万 Token	60K
DeepSeek-V3	`/maas/deepseek-ai/DeepSeek-V3`	4 元/百万 Token	60K
QwQ-32B	`/maas/qwen/QwQ-32B`	4 元/百万 Token	40K

单价与免费额度以你账号控制台 / 模型详情页最新标价为准。上文表格摘自蓝耘 MaaS 官方文档「产品简介」页。

三、环境准备：三分钟装好依赖

本机需要 Python 3.8+。

pip install openai

（可选）用环境变量存 Key：

# macOS / Linux
export LANYUN_API_KEY="sk-你的密钥"

# Windows PowerShell
$env:LANYUN_API_KEY="sk-你的密钥"

在这里插入图片描述

四、第一次调用：非流式对话

把下面代码存成 lanyun_hello.py：

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("LANYUN_API_KEY", "sk-xxxxxxxxxxx"),  # 建议用环境变量
    base_url="https://maas-api.lanyun.net/v1",
)

resp = client.chat.completions.create(
    model="/maas/deepseek-ai/DeepSeek-V3",  # 通用对话可先用 V3，更省
    messages=[
        {
   "role": "system", "content": "你是一个简洁的中文技术助手。"},
        {
   "role": "user", "content": "用三句话介绍什么是 MaaS。"},
    ],
    temperature=0.3,
    max_tokens=512,
    stream=False,
)

print(resp.choices[0].message.content)
print("---")
print("usage:", resp.usage)  # 方便对照 Token 消耗

运行：

python lanyun_hello.py

如果返回正常文本，说明 鉴权 + 路由 + 模型推理 整条链路已经通了。
在这里插入图片描述

常见报错对照

现象	可能原因	处理
401 / 鉴权失败	Key 错、Bearer 格式问题、Key 被删	重新复制 Key；确认 `Authorization: Bearer sk-...`
404 / model not found	model 名写错	对照控制台「API 调用模型名」，注意前缀 `/maas/...`
超时 / 连接失败	网络、代理、公司防火墙	换网络；检查是否需要 HTTP 代理
余额不足	免费额度用完	去资源包管理确认；再决定充值

五、流式输出：做聊天框必备

交互式产品几乎都要 SSE/流式。蓝耘文档明确支持 stream=true，DeepSeek-R1 还会带思维链字段 reasoning_content。

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("LANYUN_API_KEY", "sk-xxxxxxxxxxx"),
    base_url="https://maas-api.lanyun.net/v1",
)

stream = client.chat.completions.create(
    model="/maas/deepseek-ai/DeepSeek-R1",
    messages=[{
   "role": "user", "content": "解释一下什么是智能路由，尽量通俗。"}],
    stream=True,
)

print("=== 输出开始 ===")
for chunk in stream:
    delta = chunk.choices[0].delta

    # R1 等推理模型可能返回思维链
    reasoning = getattr(delta, "reasoning_content", None)
    if reasoning:
        print(reasoning, end="", flush=True)

    content = getattr(delta, "content", None)
    if content:
        print(content, end="", flush=True)

print("\n=== 输出结束 ===")

体感上：流式一开，等待焦虑会少很多——哪怕总耗时差不多，用户也会觉得「在动」。

在这里插入图片描述

六、cURL 速测（不写代码也能验证）

适合排查「到底是代码问题还是 Key/模型问题」：

curl https://maas-api.lanyun.net/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer sk-xxxxxxxxxxx" \
  -d '{
    "model": "/maas/deepseek-ai/DeepSeek-V3",
    "messages": [{"role": "user", "content": "你好，请回复：蓝耘MaaS调用成功"}],
    "stream": false
  }'

能返回 JSON，就说明平台侧没问题，再回头查 SDK 版本或参数。

七、小实测：同一提示词下，R1 和 V3 怎么选

我用同一条提示词做了简单对比（本机到蓝耘 API 的单次请求，非正式压测；正式数据请用平台日志 / AI Ping 复核）：

提示词：

写一个 Python 函数：判断字符串是否为合法 IPv4，要求有注释和 3 个单测用例说明。

模型	我更在意的点	使用感受（主观）	成本参考（文档）
DeepSeek-V3	速度、性价比	回答直接，适合日常编码助手、客服草稿	约 4 元/百万 Token
DeepSeek-R1	推理过程、复杂题	会先「想」再答，适合排错、方案对比、算法题	约 8 元/百万 Token

选型建议（实战向）：

日常对话 / 文案 / 简单代码 → 优先 V3，省钱也够用
疑难排查 / 架构权衡 / 数学推理 → 上 R1，把 reasoning_content 展示出来对用户也有帮助
长上下文阅读 → 先看控制台该模型的上下文上限，再决定是否切 Qwen 系或其他长窗口模型

蓝耘这边还有一个很实用的点：统一网关。业务侧只维护一套 base_url，模型在后台换，前端和中间件不用跟着拆多套 SDK。官网也强调智能路由可按「任务-成本-时延」做匹配——对以后做多模型编排很友好。

八、最小可用 Demo：本地「报错解释器」

很多同学第一次接大模型，不是做 ChatGPT 克隆，而是：把终端报错贴进去，让模型给修复建议。下面是一个可直接跑的小脚本。

# error_explainer.py
import os
import sys
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("LANYUN_API_KEY"),
    base_url="https://maas-api.lanyun.net/v1",
)

SYSTEM = """你是资深后端工程师。
用户会粘贴报错日志或堆栈。请按下面结构回答：
1) 问题一句话总结
2) 最可能原因（按概率排序，最多3条）
3) 可执行的修复步骤
4) 如何验证已修好
不要空话，尽量给出命令或代码片段。"""


def explain(error_text: str) -> str:
    resp = client.chat.completions.create(
        model="/maas/deepseek-ai/DeepSeek-V3",
        messages=[
            {
   "role": "system", "content": SYSTEM},
            {
   "role": "user", "content": error_text},
        ],
        temperature=0.2,
        max_tokens=1200,
    )
    return resp.choices[0].message.content


if __name__ == "__main__":
    if not os.getenv("LANYUN_API_KEY"):
        print("请先设置环境变量 LANYUN_API_KEY")
        sys.exit(1)

    print("粘贴报错，结束后按 Ctrl+D（Windows 用 Ctrl+Z 回车）：\n")
    text = sys.stdin.read().strip()
    if not text:
        print("没有输入内容")
        sys.exit(1)

    print("\n===== 蓝耘 MaaS 分析结果 =====\n")
    print(explain(text))

用法示例：

export LANYUN_API_KEY=sk-xxxx
python error_explainer.py
# 粘贴一段 ModuleNotFoundError / 数据库连接超时日志

这个 Demo 的意义不在炫技，而在验证三件事：

蓝耘 Key 在真实脚本里可用
system prompt 能稳定约束输出格式
后续可以很自然地接到 IDE 插件、飞书机器人、内部工单系统

如果要再进一步，可以把 model 做成参数：简单错误走 V3，复杂错误自动切 R1。

#!/usr/bin/env python3
"""
蓝耘元生代 MaaS 演示 Demo
依赖: pip install openai
用法:
  export LANYUN_API_KEY=sk-你的密钥
  python lanyun_maas_demo.py              # 交互菜单
  python lanyun_maas_demo.py hello        # 非流式对话
  python lanyun_maas_demo.py stream       # 流式输出（含 R1 思维链）
  python lanyun_maas_demo.py explain      # 报错解释器
  python lanyun_maas_demo.py chat         # 多轮对话
"""

from __future__ import annotations

import os
import sys
from typing import Optional

from openai import OpenAI

BASE_URL = "https://maas-api.lanyun.net/v1"
MODEL_V3 = "/maas/deepseek-ai/DeepSeek-V3"
MODEL_R1 = "/maas/deepseek-ai/DeepSeek-R1"

EXPLAIN_SYSTEM = """你是资深后端工程师。
用户会粘贴报错日志或堆栈。请按下面结构回答：
1) 问题一句话总结
2) 最可能原因（按概率排序，最多3条）
3) 可执行的修复步骤
4) 如何验证已修好
不要空话，尽量给出命令或代码片段。"""


def get_client() -> OpenAI:
    api_key = os.getenv("LANYUN_API_KEY")
    if not api_key:
        print("请先设置环境变量 LANYUN_API_KEY")
        print('  macOS/Linux: export LANYUN_API_KEY="sk-xxxx"')
        print('  Windows PS:  $env:LANYUN_API_KEY="sk-xxxx"')
        sys.exit(1)
    return OpenAI(api_key=api_key, base_url=BASE_URL)


def demo_hello(client: OpenAI) -> None:
    """非流式：验证鉴权 + 模型调用"""
    print("\n[1] 非流式对话 (DeepSeek-V3)\n")
    resp = client.chat.completions.create(
        model=MODEL_V3,
        messages=[
            {
   "role": "system", "content": "你是一个简洁的中文技术助手。"},
            {
   "role": "user", "content": "用三句话介绍什么是 MaaS。"},
        ],
        temperature=0.3,
        max_tokens=512,
        stream=False,
    )
    print(resp.choices[0].message.content)
    print("---")
    print("usage:", resp.usage)


def demo_stream(client: OpenAI) -> None:
    """流式输出：适合聊天框；R1 可能带 reasoning_content"""
    print("\n[2] 流式输出 (DeepSeek-R1，含思维链)\n")
    stream = client.chat.completions.create(
        model=MODEL_R1,
        messages=[
            {
   
                "role": "user",
                "content": "解释一下什么是智能路由，尽量通俗，控制在 150 字内。",
            }
        ],
        stream=True,
    )

    print("=== 输出开始 ===")
    saw_reasoning = False
    for chunk in stream:
        if not chunk.choices:
            continue
        delta = chunk.choices[0].delta

        reasoning = getattr(delta, "reasoning_content", None)
        if reasoning:
            if not saw_reasoning:
                print("[思维链]", end="", flush=True)
                saw_reasoning = True
            print(reasoning, end="", flush=True)

        content = getattr(delta, "content", None)
        if content:
            if saw_reasoning:
                print("\n[回答]", end="", flush=True)
                saw_reasoning = False
            print(content, end="", flush=True)

    print("\n=== 输出结束 ===")


def demo_explain(client: OpenAI, error_text: Optional[str] = None) -> None:
    """最小业务 Demo：终端报错解释器"""
    print("\n[3] 报错解释器 (DeepSeek-V3)\n")
    if not error_text:
        print("粘贴报错，结束后按 Ctrl+D（Windows 用 Ctrl+Z 回车）：\n")
        error_text = sys.stdin.read().strip()
    if not error_text:
        # 无输入时用内置样例，方便一键演示
        error_text = (
            "ModuleNotFoundError: No module named 'openai'\n"
            "  File \"app.py\", line 3, in <module>\n"
            "    from openai import OpenAI"
        )
        print("(未粘贴内容，使用内置样例报错)\n")
        print(error_text)
        print()

    resp = client.chat.completions.create(
        model=MODEL_V3,
        messages=[
            {
   "role": "system", "content": EXPLAIN_SYSTEM},
            {
   "role": "user", "content": error_text},
        ],
        temperature=0.2,
        max_tokens=1200,
    )
    print("===== 蓝耘 MaaS 分析结果 =====\n")
    print(resp.choices[0].message.content)
    print("\n---")
    print("usage:", resp.usage)


def demo_chat(client: OpenAI) -> None:
    """多轮对话：本地维护 messages 历史"""
    print("\n[4] 多轮对话 (DeepSeek-V3，输入 /exit 退出，/clear 清空上下文)\n")
    messages = [
        {
   
            "role": "system",
            "content": "你是蓝耘 MaaS 接入助手，回答简洁、可执行。",
        }
    ]
    while True:
        try:
            user = input("你: ").strip()
        except (EOFError, KeyboardInterrupt):
            print("\n已退出")
            break
        if not user:
            continue
        if user in ("/exit", "exit", "quit", "q"):
            print("已退出")
            break
        if user in ("/clear", "clear"):
            messages = messages[:1]
            print("(上下文已清空)")
            continue

        messages.append({
   "role": "user", "content": user})
        stream = client.chat.completions.create(
            model=MODEL_V3,
            messages=messages,
            temperature=0.4,
            max_tokens=1024,
            stream=True,
        )
        print("助手: ", end="", flush=True)
        parts: list[str] = []
        for chunk in stream:
            if not chunk.choices:
                continue
            content = getattr(chunk.choices[0].delta, "content", None)
            if content:
                parts.append(content)
                print(content, end="", flush=True)
        print()
        messages.append({
   "role": "assistant", "content": "".join(parts)})


def print_menu() -> None:
    print(
        """
========================================
  蓝耘元生代 MaaS 演示 Demo
  base_url: https://maas-api.lanyun.net/v1
========================================
  1) hello   - 非流式对话
  2) stream  - 流式输出（R1 思维链）
  3) explain - 报错解释器
  4) chat    - 多轮对话
  0) 退出
"""
    )


def main() -> None:
    client = get_client()
    args = sys.argv[1:]

    if args:
        cmd = args[0].lower()
        if cmd == "hello":
            demo_hello(client)
        elif cmd == "stream":
            demo_stream(client)
        elif cmd == "explain":
            demo_explain(client, " ".join(args[1:]) or None)
        elif cmd == "chat":
            demo_chat(client)
        else:
            print(f"未知命令: {cmd}")
            print(__doc__)
            sys.exit(1)
        return

    while True:
        print_menu()
        try:
            choice = input("请选择 [0-4]: ").strip()
        except (EOFError, KeyboardInterrupt):
            print("\n已退出")
            break
        if choice in ("0", "q", "quit", "exit"):
            print("已退出")
            break
        if choice == "1" or choice == "hello":
            demo_hello(client)
        elif choice == "2" or choice == "stream":
            demo_stream(client)
        elif choice == "3" or choice == "explain":
            demo_explain(client)
        elif choice == "4" or choice == "chat":
            demo_chat(client)
        else:
            print("无效选项，请重试")


if __name__ == "__main__":
    main()

完整代码如上

九、成本与用量：怎么避免「测着测着没额度了」

结合官方文档的计费逻辑，个人实践建议：

先看资源包：控制台「资源包管理」盯剩余 Token
开发阶段关思维链展示时，优先 V3：同质量需求下通常更省
限制 max_tokens：解释报错 800～1500 往往够用，别默认拉满
日志里打印 usage：每次请求记录 prompt_tokens / completion_tokens，方便复盘
别在循环里无脑重试：失败要有退避，否则既烧钱又可能触发限流

在这里插入图片描述

文档示例价（再次强调以控制台为准）：

DeepSeek-V3 ≈ 4 元 / 百万 Token
DeepSeek-R1 ≈ 8 元 / 百万 Token

换算直觉：一百万 Token 大约相当于不少中文技术文章的体量；个人 Demo 阶段，免费额度通常够完成「接入 + 验证 + 写文章截图」。

十、我认可的蓝耘优势（结合真实接入体验）

写攻略不能只贴官方 slogan，结合这次接入，我觉得可感知的点是：

OpenAI 兼容做得扎实
换 base_url 就能跑，学习成本接近为零，旧项目迁移压力小。
模型名规范清晰
/maas/厂商/模型 这种命名，在多模型项目里很好管理，不容易和别的云厂商模型字符串混掉。
从「能聊天」到「能进业务」路径短
控制台体验、API、Chatbox、自建脚本四条路都通，适合个人开发者和小团队快速试错。
有统一网关思维
以后若要上智能路由、批量推理、多模型兜底，业务层仍可保持单一接入点——这比一上来对接五六套厂商 SDK 现实得多。

当然也有需要注意的地方：模型列表和价格会更新，写生产代码时务必以控制台实时信息为准；涉及敏感数据时，要按公司合规要求评估公有云 API 的数据出境与留存策略。

十一、总结：30 分钟 checklist

如果你也想今天就把蓝耘元生代接进项目，按这个清单走即可：

[ ] 注册并登录蓝耘智算云 / MaaS
[ ] 创建 API Key，写入环境变量
[ ] 用官方 base_url=https://maas-api.lanyun.net/v1 跑通第一条请求
[ ] 分别试一次 V3（快省）和 R1（深推理）
[ ] 做一个最小业务脚本（报错解释 / 文档摘要 / 代码注释）
[ ] 到资源包管理核对 Token 消耗
[ ] 需要时再接到 Chatbox / Dify 等工具

一句话：蓝耘元生代 MaaS 把「选模型、调网关、管计费」收成了统一入口，开发者把精力放回业务本身。

半小时上手蓝耘元生代 MaaS：用 OpenAI SDK 调用 DeepSeek，把大模型接进自己的项目

半小时上手蓝耘元生代 MaaS：用 OpenAI SDK 调用 DeepSeek，把大模型接进自己的项目

一、蓝耘元生代 MaaS 是什么，为什么适合先试它

二、注册与获取 API Key（操作细节）

1. 注册账号

2. 创建 API Key

3. 记下两个关键参数

三、环境准备：三分钟装好依赖

四、第一次调用：非流式对话

常见报错对照

五、流式输出：做聊天框必备

六、cURL 速测（不写代码也能验证）

七、小实测：同一提示词下，R1 和 V3 怎么选

八、最小可用 Demo：本地「报错解释器」

九、成本与用量：怎么避免「测着测着没额度了」

十、我认可的蓝耘优势（结合真实接入体验）

十一、总结：30 分钟 checklist

热门文章

最新文章

相关电子书

探索云世界

热门

云计算

大数据

云原生

人工智能

数据库

开发与运维

活动广场

任务中心

训练营

直播

乘风者计划

下载

镜像站

技术资料

半小时上手蓝耘元生代 MaaS：用 OpenAI SDK 调用 DeepSeek，把大模型接进自己的项目

半小时上手蓝耘元生代 MaaS：用 OpenAI SDK 调用 DeepSeek，把大模型接进自己的项目

一、蓝耘元生代 MaaS 是什么，为什么适合先试它

二、注册与获取 API Key（操作细节）

1. 注册账号

2. 创建 API Key

3. 记下两个关键参数

三、环境准备：三分钟装好依赖

四、第一次调用：非流式对话

常见报错对照

五、流式输出：做聊天框必备

六、cURL 速测（不写代码也能验证）

七、小实测：同一提示词下，R1 和 V3 怎么选

八、最小可用 Demo：本地「报错解释器」

九、成本与用量：怎么避免「测着测着没额度了」

十、我认可的蓝耘优势（结合真实接入体验）

十一、总结：30 分钟 checklist

热门文章

最新文章

相关电子书