作为一个前端工程师,我一直把 Python 当成转 AI 的一道坎。直到我真正动手——才发现真正要重新适应的不到 20%。

这篇文章记录我用 2 小时做的事:搞懂 Python async 和 JS 的真实差异、用 Python 调通了阿里云 Coding Plan 的大模型 API。其实纯就调用方式来说,和 OpenAI、Anthropic 的官方协议差别不大——主流的 LLM 调用就这两套协议,把它们任一套搞熟,转栈成本极低。

如果你也是前端想转 AI,这是我能给的最短路径。

第 1 节:async 你早就会,但 Python 有 3 个暗坑

前端对async/await不陌生。我写了个"烧水 + 烤面包"的例子:

同步版:

import time def make_tea(): print("开始烧水...") time.sleep(2) print("水开了,泡茶完成") def make_toast(): print("开始烤面包...") time.sleep(2) print("面包烤好了") start = time.time() make_tea() make_toast() print(f"总耗时: {time.time() - start:.1f} 秒")

跑出来 4 秒——两件事串着做,没毛病。

异步版(改动很小,几乎对照 JS 直翻):

import asyncio, time async def make_tea(): print("开始烧水...") await asyncio.sleep(2) print("水开了,泡茶完成") async def make_toast(): print("开始烤面包...") await asyncio.sleep(2) print("面包烤好了") async def main(): start = time.time() await asyncio.gather(make_tea(), make_toast()) print(f"总耗时: {time.time() - start:.1f} 秒") asyncio.run(main())

跑出来 2 秒。

第一反应:这不就跟 JS 一样吗?asyncio.gather就是 Python 的Promise.all,async def就是async function,await就是await。确实,API 表面一模一样。

但往下扒一层,藏着 3 个 JS 党最容易栽的坑。

坑 1:Python 必须手动"点火"事件循环

JS 的事件循环是运行时自带的——你在浏览器或 Node 里直接写await fetch()就行,没人问你"哪来的事件循环"。

Python 不一样。最外层必须有asyncio.run(main())这一行去启动循环,否则你的async def是一坨死代码。

这是 JS 党第一个不适应的地方:“为什么我还要操心循环从哪儿来?”

坑 2:调用 async 函数,根本不会执行

这条最容易翻车。下面这段代码看起来非常无害:

result = make_tea() print(result)

JS 直觉告诉你:调用make_tea(),函数体会开始执行,然后返回一个 Promise。

但在 Python 里,它输出的是:

<coroutine object make_tea at 0x10a3b5c40>

make_tea()没执行函数体,只返回了一个"协程对象"。要真正跑起来,必须await make_tea()或交给asyncio.gather/run。

我自己看到这行的时候愣了一下——这个差异之前真的不知道,如果按 JS 直觉写代码,肯定会踩坑。

写一句话记一下:

• JS:调用 async 函数 → 立即开始执行 + 返回 Promise
• Python:调用 async 函数 → 什么都不发生,只返回协程对象

坑 3:sleep 千万别用错

time.sleep是同步阻塞的——它会卡死整个事件循环。你以为自己在写异步,结果其他协程全在等你睡完,异步白写。

记住:async 函数里凡是要"等",都用await asyncio.xxx。

🪤 顺便记一个开张第一坑:f-string 忘加f

这跟 async 无关,但是第一次写 Python 几乎都会栽:

print(f"总耗时:{time.time() - start:.1f} 秒") # 对 print("总耗时:{time.time() - start:.1f} 秒") # 错

第二行没加f前缀,Python 会把{...}当成字面量——大括号原样打出来,或者更诡异的情况:格式化符号被错误解读成科学计数法,输出像总耗时:4e+00 秒这种鬼东西。

这是 JS 模板字符串党最容易栽的坑:

• JS:反引号`触发模板
• Python:字符串前缀f触发模板

没有f的字符串里,{}就是普通字符。

第 2 节:调一次大模型,就明白为什么 AI 离不开异步

理论说完了,看个真实场景。我用httpx(Python 版的 fetch)并发发了 3 个请求,分别等 1、2、3 秒:

async with httpx.AsyncClient(timeout=15) as client: await asyncio.gather( fetch_delay(client, 1), fetch_delay(client, 2), fetch_delay(client, 3), )

教科书会告诉你:串行 6 秒,并发 3 秒。

实际跑出来:并发版 5 秒,串行版 8~10 秒。

差距没有教科书那么漂亮,因为多了 TLS 握手、跨境网络、服务端处理这些开销。但这恰恰是真实生产环境的样子——调用大模型 API 永远是"理论值 + 网络抖动"的组合。

把这两个截图并排放一下,价值就出来了:

• 串行 8 秒 vs 并发 5 秒
• 省下来的 3 秒就是异步的真实收益

为什么 AI 应用里异步不是可选项?因为用户能直接感受到 5 秒和 10 秒的差距。等待大模型生成回复本来就慢,如果背后还串行调多个 API,体验直接崩。

第 3 节:5 分钟,用 Python 调通大模型

里程碑在这里。

我的环境是 阿里云 Coding Plan——一个把 Qwen、GLM、Kimi、MiniMax 等国产模型打包按月订阅的服务,同时提供 OpenAI 兼容 和 Anthropic 兼容 两套 endpoint。我之前用 Claude Code 时,key 其实就是它(sk-sp-开头)。

这里有个值得讲的工程认知:2024 年之后,主流 LLM 调用基本只有两套协议——OpenAI 兼容 和 Anthropic 兼容。任何模型提供商(阿里、DeepSeek、Moonshot、本地 Ollama)都会兼容这两套中的至少一套。学会其中一套,换栈成本极低——这是为什么我不焦虑"今天用了 Claude,明天要换 Qwen"。

装包

uv add openai python-dotenv

注意——用openaiSDK 不代表用 OpenAI 的模型。它只是 OpenAI 兼容协议的客户端,换个base_url就能接任何兼容服务。这种"协议互认"是当下 LLM 生态的标准玩法。

三行调通

from openai import OpenAI from dotenv import load_dotenv import os load_dotenv() client = OpenAI( api_key=os.getenv("DASHSCOPE_API_KEY"), base_url="https://coding.dashscope.aliyuncs.com/v1", # ← 关键:指到阿里云 Coding Plan ) response = client.chat.completions.create( model="qwen3-max", max_tokens=200, messages=[{"role": "user", "content": "用一句话解释什么是 RAG,面向前端工程师。"}], ) print(response.choices[0].message.content)

跑一次,qwen3-max 给我吐出一段完整回复。

第一次用 Python 调通大模型那一刻的感觉:模型调用真没那么高深。装包、给 key、改个 base_url、发条 message——和前端调 REST API 区别不大。和过去几年想象中的"AI 工程师"光环对比,这里更像是"普通的 HTTP 客户端,只是回复内容是模型生成的"。

但有一点不舒服:这种一次性等模型把答案全吐完再打印,体感比较慢——不像 Claude Code 里那种打字机效果。

流式输出,几行的事

把stream=True开起来:

stream = client.chat.completions.create( model="qwen3-max", stream=True, messages=[{"role": "user", "content": "给前端工程师 3 条转 AI 应用开发的建议,每条一句话。"}], ) for chunk in stream: delta = chunk.choices[0].delta.content if delta: print(delta, end="", flush=True)

回复瞬间变成一个字一个字冒出来。所有面向用户的 AI 应用都用流式输出——这是后面 SSE / WebSocket 工程化的基础。

几句可以摘走的结论

f-string 忘加f,输出就长得像科学计数法的怪东西。 —— JS 党转 Python 的开张第一坑

前端转 Python,80% 的语法是免费的。 —— 真正要重新适应的,是那 20% 的运行时模型差异(协程对象、显式事件循环、阻塞 sleep)

模型调用没那么复杂,也没那么高深。 —— 主流就 OpenAI 兼容 + Anthropic 兼容两套协议,会一套就够

结尾

门槛没有想象中那么高,动手那一刻就破了。

这是「前端转 AI 应用开发」系列的第 2 篇。下一篇我会写 LangChain Python 官方 quickstart,对照原生 SDK 看 LangChain 到底多做了什么——这是大多数 AI 应用面试题的基础。

如果你也在转 AI,评论区告诉我你卡在哪一步——我会挑高频问题专门写一篇。

这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！

👇👇扫码免费领取全部内容👇👇

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

4. 2026行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5. 大模型项目实战

学以致用，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

7. 资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇