python调用LM Studio（AI）本地API

AI人工智能第三方API大全
https://wiki.bafangwy.com/doc/811/

Windows安装Ollama本地部署大模型
https://wiki.bafangwy.com/doc/911/

# 前提条件
B21-Windows安装python3.x
https://wiki.bafangwy.com/doc/604/

Windows使用LM Studio部署DeepSeek R1模型
https://wiki.bafangwy.com/doc/805/

# 启动本地API

![](/media/202502/2025-02-19_151706_8387280.28303456311186703.png)

## API地址

![](/media/202502/2025-02-19_152055_9656460.33056939378462724.png)

接口地址：
`http://localhost:1234`

## 支持的端点 (类似 OpenAl)
GET /v1/models
POST /v1/chat/completions
POST /v1/completions
POST /v1/embeddings

# Python调用方式1

注意：
`"model": "deepseek-r1-distill-qwen-7b",` 这个是使用的模型，根据实际情况修改
`"temperature": 0.7,`  # 控制生成结果的随机性，值越高越随机
`"top_p": 0.95`  # 概率参数，控制生成结果的多样性

我们建议您根据如下表格，按使用场景设置temperature。

| 场景 | temperature |
| --- | --- |
| 代码生成/数学解题 | 0.0 |
| 数据抽取/分析 | 1.0 |
| 通用对话 | 1.3 |
| 翻译 | 1.3 |
| 创意类写作/诗歌创作 | 1.5 |

创建`run1.py`文件

`pip install requests`

通用HTTP接口调用

```
import requests

def query_model(prompt):
    url = "http://localhost:1234/v1/chat/completions"
    headers = {
        "Content-Type": "application/json"
    }
    data = {
        "model": "deepseek-r1-distill-qwen-7b",
        "messages": [
            {"role": "user", "content": prompt}
        ],
        "temperature": 0.7,
        "top_p": 0.95
    }

response = requests.post(url, json=data, headers=headers)
    return response.json()

# 使用示例
result = query_model("什么是网络空间安全？")
print(result['choices'][0]['message']['content'])
```

运行效果：
<font color="red">如果提示拒绝连接，就把localhost改为127.0.0.1</font>

![](/media/202502/2025-02-19_151843_9700900.8768059931849808.png)

# Python调用方式2

支持 OpenAI 兼容方式调用
`pip install openai`

创建`run2.py`文件

```
from openai import OpenAI
client = OpenAI(
    api_key="lm-studio",
    base_url="http://localhost:1234/v1/"
)

response = client.chat.completions.create(
    messages=[
        {'role': 'user', 'content': "为什么QQ不能用微信登录"},
    ],
    model='deepseek-r1-distill-qwen-7b',  # 调用的模型
    stream=True  # True 是流式返回，False是非流式返回
)

# stream=False的时候，打开这个，启用非流式返回
# print(response.choices[0].message.content)

# stream=True的时候，启用流示返回
for chunk in response:
    print(chunk.choices[0].delta.content, end="", flush=True)
```

# 总结
基于本地部署的大模型API，可以读取本地日志文件、代码文件内容等，进行日志流量分析、代码审计。
运行效率跟机器配置有关，一般个人电脑的效率不会很高。
推荐调用付费的API。