第一步：把首跑目标缩小到命令行对话
第一个聊天机器人不需要网页、数据库或复杂框架。先完成一条最短闭环：输入问题，调用模型，显示回答，再继续追问。只要机器人能记住上一轮内容，这次首跑就算通过。
准备好已安装的解释器、终端和一个空文件夹。下面每段代码都是一个独立的物理行；按顺序复制到同一个脚本文件中，不要复制段落之间的说明文字。
第二步：准备密钥和模型标识
可以使用 SwiftRelay 作为模型接入入口，按实际使用的词元量计费。注册 SwiftRelay 后，在控制台创建密钥并查看可用模型标识；新账户有少量赠送额度，适合验证第一轮请求。
本次只选一个模型即可，例如 DeepSeek V4 Flash。代码中填写的应是控制台提供的准确接口标识，而不是自行猜测的展示名称。
把密钥保存到当前终端的环境变量中，变量名设为下面代码使用的名称。不要把密钥写进脚本、截图或版本仓库；如果已经泄露，应立即撤销并重新创建。
第三步：安装依赖并连接接口
先在终端执行安装命令。使用解释器调用安装工具，可以减少依赖被装进另一个环境的问题。
python -m pip install openai
新建一个以标准脚本扩展名结尾的文件，依次加入以下三行。这里使用兼容接口客户端，因此地址需要带上版本路径，而不是只填写主机地址。
import os; from openai import OpenAI
客户端 = OpenAI(api_key=os.environ["SWIFTRELAY_API_KEY"], base_url="https://api.fastapirelay.com/v1", timeout=60.0, max_retries=0)
模型 = input("粘贴控制台中的模型标识：").strip()
示例关闭了自动重试，方便初学者确认每次请求的结果。运行前还要确认：启动脚本的终端能够读取刚才设置的环境变量。
第四步：给机器人一条明确的行为指令
接着加入历史消息列表。第一条消息规定机器人怎样回答，后续消息则保存用户问题与模型回答。连续对话依靠的是每次请求携带历史，而不是模型自动记住上次调用。
历史 = [{"role": "system", "content": "你是一名耐心的中文助手，请用简体中文回答，先给结论，再给必要步骤。"}]
先保持指令简单。不要在首次运行时同时加入角色切换、文件读取和外部工具，否则排查问题时很难判断故障出在哪一层。
第五步：加入输入、回答和退出循环
把下面整段作为一行加入文件。引号内的反斜杠与字母表示换行，运行时会展开为循环代码。输入“退出”即可结束程序；请求失败时，本轮问题不会写入历史。
exec('while True:\n 问题 = input("你：").strip()\n if 问题 == "退出":\n break\n if not 问题:\n continue\n try:\n 结果 = 客户端.chat.completions.create(model=模型, messages=历史 + [{"role": "user", "content": 问题}])\n 回答 = 结果.choices[0].message.content\n if not 回答:\n print("助手：本次没有收到文本回答。")\n continue\n print("助手：", 回答)\n 历史.extend([{"role": "user", "content": 问题}, {"role": "assistant", "content": 回答}])\n except Exception as 错误:\n print("请求失败，请检查密钥、模型标识、额度和网络。错误类型：", type(错误).__name__)')
保存文件后，在终端用解释器运行它。先粘贴模型标识，再输入问题。这个版本只在内存中保存记录，关闭程序后历史会消失。
第六步：用三项检查确认首跑成功
- 检查连续对话：先说“我正在学习做饭”，再问“给我安排一个入门练习”，确认回答能利用上一轮信息。
- 检查退出行为：输入空白不应发送请求；输入“退出”应结束程序。
- 检查失败路径：遇到鉴权、模型或额度问题，先对照控制台核查，不要连续重复发送相同请求。
第七步：在增加功能前控制历史长度
历史越长，每轮发送的内容通常也越多。下一步可以保留最初的行为指令，并只携带最近几轮完整问答；更早的内容需要时再做摘要。注意成对保留用户问题和助手回答，避免留下断裂的上下文。
等这条命令行链路稳定后，再考虑增加聊天界面或本地记录。首个机器人最值得掌握的不是界面，而是密钥留在环境中、历史由程序管理、失败能够识别这三个基本习惯。