从Python基础到LLM接口实战：在Notebook上完成AI自动生成亚马逊电商文案

从Python基础语法到大模型接口实战，本教程将引导您在Jupyter Notebook中实现AI自动生成亚马逊电商文案，全程无需复杂配置，新手也能轻松上手。

从Python基础到LLM接口实战：在Notebook上实现AI自动生成亚马逊电商文案

当前，大模型应用日益普及。Python凭借其语法简洁和生态丰富的优势，已成为对接大模型和实现自动化任务的首选编程语言。

本文整合了Python列表、切片、自定义函数等基础语法，并结合阿里ModelScope与DeepSeek大模型接口，构建了一套能够自动生成亚马逊英文商品标题、卖点和价格区间的实战案例。全程无需繁琐环境配置，即使新手也能顺利操作！

---

️ 一、开发环境：Notebook 交互式文档

本次所有代码与笔记均基于 Jupyter Notebook（后缀.ipynb）编写，这是数据分析、AI实验和编程学习的主流工具。

核心特点：

1. 融合代码、文字、Markdown、公式、图表，可以一边编码一边记录笔记，实现一站式调试和复盘。
2. 代码可分段运行，无需整体执行，提升排错和学习效率。
3. ️ 搭配阿里 ModelScope（魔搭社区）使用体验极佳：该平台不仅汇聚了海量开源大模型和数据集，其在线Notebook还预装了主流AI开发库（如PyTorch、Transformers、OpenAI SDK等）。这意味着您无需在本地进行任何复杂的环境依赖安装，打开网页即可直接调用大模型接口，非常适合NLP和AI入门实验。

---

二、Python 核心基础：列表与切片

在Python中，List（列表） 是使用频率最高的数据结构，其灵活性远超数组，也是本次实战的基础。

1. 列表基础认知

1. 无需提前定义容量，元素类型不做强制约束，与JavaScript的Array特性高度相似。
2. 对比JS：JS仅有Number单一数值类型，不适合高精度计算，其强项在于页面交互与前端展示；而Python则天然适配机器学习、数据分析、爬虫和大模型对接等场景。

基础示例与取值演示：

# 定义列表
L = ["Alice", "Bob", "Charlie", "David", "Eve"]# 拿到前三项的传统写法
[L[0]],[L[1]],[L[2]]# python特性 十分简洁
r = []
n = 3
# range(n)生成了 0 到 n-1 的整数序列
for i in range(n):
    r.append(L[i])
r
# 输出：['Alice', 'Bob', 'Charlie']

2. 切片 Slice（Python 核心语法） 切片能够快速截取列表或字符串的部分内容，语法简洁，可替代繁琐的循环操作。 通用格式： [起始索引:结束索引:步长]，遵循左取右不取的规则，缺省参数则使用默认值。

基础用法演示：

L = list(range(100))  # 生成 0~99 的数字列表L[:10]       # 从开头取前10个元素
L[-10:]      # 取最后10个元素
L[:10:2]     # 前10个元素，步长为2，隔位取值
L[::5]       # 全列表，步长为5取值

拓展：字符串切片同样适用：

'ABCDEFG'[:3]   # 截取前3个字符
'ABCDEFG'[::2]  # 全字符串，步长为2取值

3. 实战练习：手动实现去首尾空格（双指针+切片） 不使用内置方法，通过双指针与切片手动实现字符串去除首尾空格，巩固切片与循环逻辑：

def trim(s):
    left = 0
    # 左指针：找到第一个非空格位置
    while left < len(s) and s[left] == ' ':
        left += 1
        
    right = len(s)
    # 右指针：找到最后一个非空格的下一位
    while right > left and s[right - 1] == ' ':
        right -= 1
        
    return s[left:right]print(trim("  hello world  "))  # 输出：hello world

关键点解析：

1. 终止条件 right > left：用于防止指针越界，兼容全空格、无空格等边界场景。
2. s[right-1] ：由于切片采用左闭右开规则，right指向的是有效内容的下一位。

4. 拓展：内置去空格神器 strip() 在实际开发中，如果只是为了去除字符串首尾的空格或换行符，Python提供了极其高效的内置方法 .strip()，无需手写双指针循环。

text = "  hello world  n"
print(text.strip())   # 默认去除首尾所有空白字符（空格、n、t等），输出: hello world
print(text.lstrip())  # 仅去除左侧（开头）空白，输出: hello world  
print(text.rstrip())  # 仅去除右侧（结尾）空白，输出:   hello world

进阶用法中，.strip() 还支持传入指定字符集，在清洗数据中的特殊符号时非常方便：

url = "www.example.com///"
print(url.strip("/"))  # 去除首尾的斜杠，输出: www.example.comlog = "***System Error***"
print(log.strip("*"))  # 去除首尾的星号，输出: System Error

---

三、大模型（LLM）接口前置知识

本次项目的核心是对接国产大模型DeepSeek，以下先梳理行业主流模型与接口规范：

主流大模型厂商

1. OpenAI：基于Google开源的Transformer架构，掀起了生成式AI浪潮，其接口已成为行业通用标准。
2. DeepSeek：完全兼容OpenAI接口格式，迁移代码零成本。
3. Gemini(谷歌)、Claude(Anthropic) ：接口存在部分差异，需要单独适配。

核心概念

1. Completion 接口：这是主流的对话补全接口，用于接收用户指令并返回模型回答。
2. Prompt（提示词） ：发送给大模型的指令，其质量直接决定输出效果。

优质 Prompt 编写规范（电商场景必备）：

1. 目标清晰：明确使用平台和输出要求（如亚马逊英文标题、单词数量限制）。
2. 任务拆分：用序号分步骤下达指令，降低模型理解成本。
3. 格式约束：强制指定返回格式（如JSON），方便后续代码解析和二次处理。

---

四、完整实战：Python 调用 DeepSeek 生成亚马逊电商文案

需求：针对PVC充气发光青蛙玩具，让AI生成亚马逊英文标题、5条卖点和价格区间，结果以JSON格式返回。

1. 环境准备 得益于ModelScope Notebook强大的预装环境，我们无需手动安装任何依赖包，直接导入OpenAI SDK即可开始编码。

2. 完整可运行代码

# 导入OpenAI客户端（Notebook已预装，可直接import）
from openai import OpenAI# 实例化客户端：对接DeepSeek接口
client = OpenAI(
    api_key="你的API密钥", 
    base_url="https://api.deepseek.com/v1"
)# 指定使用的模型
COMPLETION_MODEL = "deepseek-chat"# 编写标准Prompt：明确商品、任务、格式约束
prompt = """
Consideration product: 
工厂现货PVC充气青蛙也是地摊热卖充气玩具发光蛙儿童水上玩具
1.Compose human readable product title used on Amazon in english within  20 words.
2.Write 5 selling points for the products in Amazon
3.Evaluate a price range for this product in AmazonOutput the result in json format with three properties called title,selling_point and price_range
"""# 封装请求函数
def get_response(prompt):
    response = client.chat.completions.create(
        model = COMPLETION_MODEL,
        messages = [
            {"role":"user","content":prompt }
        ]
    )
    # 提取模型返回的内容
    return response.choices[0].message.content# 执行并打印结果
print(get_response(prompt))

3. 代码逐段解析

1. 客户端实例化：Python无需像JS一样使用 new 关键字，直接调用类名即可完成实例化；通过 base_url 指向DeepSeek接口地址，实现接口复用。
2. Prompt 设计：严格按照「商品介绍 + 分步任务 + 格式约束」编写，强制输出JSON，便于程序自动化解析。
3. 请求与结果提取：通过 chat.completions.create 发起对话请求，从返回体中提取模型回答内容。

4. 运行效果示例 模型会直接返回标准JSON结果，示例如下：

{
  "title": "PVC Glow Inflatable Frog Toy Kids Water Play Toy",
  "selling_point": [
    "Safe and durable PVC material",
    "Built-in glow design for fun",
    "Perfect for pool and bath play",
    "Factory direct supply, stable stock",
    "Great gift for children"
  ],
  "price_range": "6.99 - 12.99"
}

---

五、总结与拓展

本文知识点汇总：

1. ️ 工具：Jupyter Notebook 的免配置优势、ModelScope魔搭社区定位。
2. Python 基础：列表特性、切片语法、双指针算法、自定义函数。
3. AI 应用：主流大模型生态、通用接口规范、电商场景Prompt编写技巧。
4. 实战落地：基于OpenAI SDK对接国产大模型，实现自动化文案生成。

拓展方向：

1. 批量处理：读取Excel中的多款商品，循环调用接口批量生成文案。
2. 结果解析：用Python json库解析返回数据，自动写入文档。
3. 模型切换：仅修改 base_url 和模型名，即可无缝对接其他兼容OpenAI接口的大模型。

Python与LLM自动化已成为当下高效办公和业务提效的主流组合。从基础语法到接口实战循序渐进，既能巩固编程功底，又能掌握AI落地能力，非常适合编程新手、电商从业者和AI入门开发者学习。