> ## Documentation Index > Fetch the complete documentation index at: https://docs.megallm.io/llms.txt > Use this file to discover all available pages before exploring further. # 下一步 > 您已经完成了第一个 AI 请求!以下是接下来要探索的内容。 ## 学习高级功能在生成时获取实时响应让 AI 与外部工具和 API 交互使用多模态模型处理图像完整的 API 参考和指南 ## 探索文档完整的 API 文档 OpenAI 兼容端点 Anthropic Claude 兼容端点浏览所有 70+ 个可用模型 ## 构建真实应用 ### 1. 聊天机器人构建智能聊天机器人: ```python theme={null} from openai import OpenAI client = OpenAI( base_url="https://ai.megallm.io/v1", api_key="your-key" ) def chatbot(user_message, history=[]): history.append({"role": "user", "content": user_message}) response = client.chat.completions.create( model="gpt-4", messages=history ) assistant_message = response.choices[0].message.content history.append({"role": "assistant", "content": assistant_message}) return assistant_message, history ``` ### 2. 内容生成器生成博客文章、电子邮件或社交媒体内容: ```python theme={null} def generate_content(topic, content_type="blog"): prompts = { "blog": f"写一篇关于 {topic} 的综合博客文章", "email": f"写一封关于 {topic} 的专业电子邮件", "tweet": f"写一条关于 {topic} 的引人入胜的推文" } response = client.chat.completions.create( model="claude-3.5-sonnet", messages=[{"role": "user", "content": prompts[content_type]}], temperature=0.7 ) return response.choices[0].message.content ``` ### 3. 代码助手构建编程助手: ```python theme={null} def code_assistant(task, language="python"): prompt = f"编写 {language} 代码来 {task}。包括注释和错误处理。" response = client.chat.completions.create( model="gpt-4", messages=[{"role": "user", "content": prompt}], temperature=0.2 # 较低的 temperature 以获得更确定的代码 ) return response.choices[0].message.content ``` ### 4. 数据分析器分析数据并生成见解: ```python theme={null} def analyze_data(data_description): prompt = f""" 分析这些数据并提供见解: {data_description} 提供: 1. 关键发现 2. 趋势 3. 建议 """ response = client.chat.completions.create( model="claude-opus-4-1-20250805", # 最适合分析 messages=[{"role": "user", "content": prompt}] ) return response.choices[0].message.content ``` ## 最佳实践 * **GPT-4**: 最适合复杂推理 * **GPT-3.5 Turbo**: 快速且经济实惠 * **Claude Opus**: 出色的分析和长上下文处理 * **Claude Sonnet**: 平衡的性能 * **Gemini Pro**: 强大的多模态能力查看[模型目录](/cn/home/models)了解详细比较。 * 从较便宜的模型开始测试 * 使用 `max_tokens` 限制响应长度 * 尽可能缓存响应 * 使用流式传输改善感知性能 * 在仪表板中监控使用情况 ```python theme={null} from openai import OpenAI, AuthenticationError, RateLimitError import time def make_request_with_retry(messages, max_retries=3): for attempt in range(max_retries): try: return client.chat.completions.create( model="gpt-4", messages=messages ) except RateLimitError: if attempt < max_retries - 1: time.sleep(2 ** attempt) # 指数退避 else: raise except AuthenticationError: print("API 密钥无效") raise ``` * 具体且清晰 * 需要时提供示例 * 使用系统消息设置上下文 * 将复杂任务分解为步骤 * 测试不同的 temperature 设置 * 跟踪对话历史 * 限制历史以避免令牌限制 * 如需要,总结旧消息 * 对重复内容使用提示词缓存 ## 生产考虑因素 ### 安全性 * 在环境变量中存储 API 密钥 * 永远不要将密钥提交到版本控制 * 为开发/测试/生产使用不同的密钥 * 定期轮换密钥 * 监控使用异常 ### 性能 * 使用流式传输获得更好的用户体验 * 在适当的地方实施缓存 * 添加指数退避的重试逻辑 * 监控响应时间 * 考虑使用 webhooks 进行异步操作 ### 监控 * 跟踪令牌使用情况 * 监控错误率 * 记录 API 请求(不包含敏感数据) * 设置配额限制警报 * 定期审查成本 ### 扩展 * 实施速率限制 * 为高容量请求使用队列 * 缓存常见响应 * 考虑批量请求 * 规划故障转移策略 ## 加入社区与其他开发者聊天查看示例并贡献关注以获取更新观看教程 ## 获取帮助大多数常见问题在我们的[常见问题](/cn/home/faq)中都有答案。 [开发者文档](/cn/dev-docs/overview)中提供了全面的指南。通过 [support@megallm.io](mailto:support@megallm.io) 向我们发送电子邮件以获取技术协助。发现错误?在 [GitHub](https://github.com/megallm) 上报告。 ## 有用的资源 * **[API 参考](/cn/api-reference/introduction)** - 完整的 API 文档 * **[模型目录](/cn/home/models)** - 所有 70+ 个模型及定价 * **[CLI 工具](/cn/cli/overview)** - 设置 AI 编程助手 * **[常见问题](/cn/home/faq)** - 常见问题和答案 * **[更新日志](/cn/releases/overview)** - 最新更新 ## 准备好构建了吗? 今天就开始构建您的 AI 应用程序。如果您需要帮助,我们随时为您服务! 完整文档从我们的团队获取帮助