L1 · 工具与 API 入门

定位：从「AI 产品的用户」切换为「模型能力的调用者」。这层不难，但它是所有后续内容的接口层——L2 的 prompt 实验、L4 的 RAG、L5 的 Agent，全部通过 API 发生。 预计投入：2-3 天（每天 ≤2h）。

面试怎么考这一层

很少直接考，但它是区分「真做过」和「只聊过」的试金石。面试官一句「你调的是哪家的 API、怎么计费的」就能筛掉只用过聊天框的人。回答里能自然带出 token 账单、限流处理、流式体验差异，这层就过了。

核心概念清单

概念	一句话
OpenAI 兼容协议	事实标准。智谱、DeepSeek、通义、Kimi 都提供兼容端点，学会一套代码到处换底座
messages 结构	system（人设与规则）/ user（用户输入）/ assistant（模型回复），多轮对话 = 把历史全部回传
temperature	采样随机性。0 附近求稳定（结构化输出、分类），调高求发散（创意）。不是"创造力旋钮"，是"分布平坦度旋钮"
max_tokens	输出长度上限，超了会被截断——JSON 输出被截断是经典坑
token 与计费	中英文都按 token 计，输入输出分开计价。粗略换算：1 个汉字 ≈ 1-2 token
流式输出（SSE）	边生成边返回。改善体感延迟，不改善总耗时；SDK 里是一个迭代器
限流与重试	RPM/TPM 限制；429 要指数退避重试，不能无脑立刻重发

学到什么程度算过（自测判据）

1. 能用代码完成一次带 system prompt 的多轮对话调用（不是单次问答）。
2. 能算出一次调用的 token 账单：输入多少、输出多少、按当前单价折合人民币多少钱。
3. 能讲清 temperature=0 和 temperature=1 下同一个 prompt 的输出差异，并举一个该用低温、一个该用高温的场景。
4. 流式和非流式各跑过一次，说得清为什么聊天产品都用流式。

学习路径（2-3 天）

• Day 1：开通一个国内 API（智谱 bigmodel.cn 或 DeepSeek platform，都有免费/低价额度），拿到 key；用 openai Python 包指向兼容端点，跑通第一次调用。
• Day 2：把单轮改成多轮（自己维护 messages 数组）；做 temperature 对比实验，同一个 prompt 各跑 5 次记录差异。
• Day 3：跑一次流式；故意触发一次 max_tokens 截断，观察输出。

常见误区

• 把「会聊天」当「会调用」。面试官见过太多简历写"熟练使用各类大模型"，追问 messages 结构就卡壳。
• system prompt 里塞任务细节。规则人设放 system，具体任务输入放 user——分工混乱是 L2 阶段 prompt 失控的根源。
• 不看账单。工程师思维的第一体现就是知道每次调用花多少钱。

通往 L2

API 只是管道，管道里流的是 prompt。下一层解决：怎么让模型稳定输出你要的东西。