天天向上

套件名稱叫 python-dotenv，但 import 時寫的是 dotenv。

>　pip install python-dotenv

這樣做的好處是不用把 API Key 直接寫在程式裡，例如避免：

api_key = "sk-xxxxxxxx"

特別是程式要放到 GitHub 時，通常會把 .env 加到 .gitignore，避免不小心把金鑰一起上傳。

--------------------------------------------------------------------------------

openrouter設計流程

啟動 openrouter.py
↓
讀取 .env
↓
取得 OPEN_ROUTER_API_KEY
↓
建立 OpenAI Client
↓
把 API 位置改成 OpenRouter
↓
設定 AI 的 system prompt
↓
送出 user message
↓
OpenRouter 呼叫 DeepSeek
↓
收到 response
↓
response.choices[0].message.content
↓
print() 印出 AI 回答

--------------------------------------------------------------------------------

ctrl+shift+p輸入提示> WSL: Open Folder in WSL(windows subsystem for linux)

確保程式碼(client端)是在linux環境下執行(server端)

這份 openrouter.py 的功能，是：從 .env 讀取 OpenRouter API Key，透過 OpenAI Python SDK 呼叫 OpenRouter 上的 DeepSeek 模型，最後把 AI 的回答印出來。

1. 載入需要的套件

import os
from dotenv import load_dotenv
from openai import OpenAI

• os：讀取作業系統的環境變數。
• load_dotenv：把 .env 檔案裡的設定載入成環境變數。
• OpenAI：OpenAI Python SDK。這裡雖然使用 OpenAI 類別，但實際連線的是 OpenRouter，因為後面有修改 base_url。

2. 讀取 .env

load_dotenv()

api_key = os.getenv("OPEN_ROUTER_API_KEY")

假設你的專案資料夾中有：

.env
openrouter.py

.env 裡可能寫：

OPEN_ROUTER_API_KEY=sk-or-v1-xxxxxxxx

load_dotenv() 會載入它，而：

os.getenv("OPEN_ROUTER_API_KEY")

則取得 API Key。

接著：

print("有讀到 API key 嗎？", bool(api_key))

是在檢查有沒有成功讀取。

例如：

有讀到 API key 嗎？ True

代表有讀到；如果是 False，通常表示 .env 找不到、變數名稱寫錯，或 Key 沒設定。

3. 建立 OpenRouter Client

client = OpenAI(
    api_key=api_key,
    base_url="https://openrouter.ai/api/v1"
)

這裡是整份程式很重要的一段。

一般直接使用 OpenAI API 時，OpenAI() 會連到 OpenAI 的 API；但你指定：

base_url="https://openrouter.ai/api/v1"

所以 SDK 會改成把請求送到 OpenRouter。

可以理解成：

你的 Python
    ↓
OpenAI Python SDK
    ↓
OpenRouter API
    ↓
DeepSeek 模型

因此，OpenAI SDK 在這裡比較像 API 呼叫工具，不代表你正在使用 OpenAI 模型。

4. 設定 System Prompt

system_prompt = "你是一個會說繁體中文，而且會使用大量表情符號互動的可愛機器人"

system_prompt 是用來設定 AI 的角色與行為。

也就是先告訴模型：

你要使用繁體中文，而且講話要像可愛機器人並使用大量 Emoji。

它不是使用者真正問的問題，而是對模型的「最高層級角色設定」之一。

5. 呼叫模型

核心程式是：

response = client.chat.completions.create(
    model="deepseek/deepseek-chat-v3-0324",
    messages=[
        {"role": "system", "content": system_prompt},
        {"role": "user", "content": "你好！你會說繁體中文嗎？你是誰呢？"},
    ],
    max_tokens=100,
    temperature=0.7,
)

可以拆成四個重要部分。

model

model="deepseek/deepseek-chat-v3-0324"

指定 OpenRouter 要使用哪個模型。

messages

messages=[
    {"role": "system", "content": system_prompt},
    {"role": "user", "content": "你好！你會說繁體中文嗎？你是誰呢？"},
]

這是聊天紀錄。

system：

{"role": "system", "content": system_prompt}

設定 AI 身分。

user：

{"role": "user", "content": "..."}

代表使用者實際輸入的問題。

所以模型實際收到的概念類似：

System:
你是一個會說繁體中文，而且會使用大量表情符號互動的可愛機器人

User:
你好！你會說繁體中文嗎？你是誰呢？

max_tokens=100

限制模型最多產生大約 100 個 token：

max_tokens=100

它不是「100 個中文字」；token 是模型處理文字使用的單位。

數字越大，通常代表允許回答得更長。

temperature=0.7

temperature=0.7

控制回答的隨機性。

粗略可以理解為：

temperature 低
→ 回答比較穩定、保守

temperature 高
→ 回答比較多變、有創意

0.7 算是常見的聊天設定。

6. 取得 AI 回答

API 執行完成後，結果放在：

response

程式最後：

print(response.choices[0].message.content)

可以由外往內理解：

response
└── choices
    └── [0]
        └── message
            └── content

• choices：模型產生的回答候選。
• [0]：拿第一個回答。
• message：這個回答的訊息物件。
• content：真正的文字內容。

因此最後可能印出類似：

你好呀～🤖✨ 當然可以說繁體中文！💖
我是一個可愛的 AI 機器人～
很高興認識你！🥰🌟