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

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。

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）：

对我这种「先验证业务、再谈规模」的开发者，最有用的是三点：

二、注册与获取 API Key（操作细节）

1. 注册账号

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。

2. 创建 API Key

按官方文档路径：

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）：

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"

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。

常见报错对照

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」。

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。

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：

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：

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：

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。