不用任何 SDK我用 curl 和 Python 裸调了蓝耘元生代 MaaS 的 API不装框架、不引依赖、不开 IDE——只开一个终端用最原始的 HTTP 请求把国内外主流大模型全部调一遍。这篇文章的每一行输出都是终端里真实跑出来的。引言被 SDK 宠坏了的我们还记得 HTTP 长什么样吗现在做 AI 应用标配姿势是装个openaiSDKfrom openai import OpenAI三行代码搞定。方便是方便但久而久之很多人已经不知道请求到底发给了谁、返回的 JSON 里都有什么、流式输出到底是怎么流的。所以我给自己出了个返璞归真的挑战只用终端 原生 HTTP 客户端curl / Python requests不用任何 AI SDK完整走一遍大模型 API 的核心能力——查模型、对话、多模型对比、流式输出、错误处理、成本核算。平台我选了蓝耘元生代 MaaS。原因很简单它采用OpenAI 兼容协议并且是统一网关——Kimi、GLM、DeepSeek、Qwen、MiniMax 全在一个端点后面。用原生方式调用时这个特性会被无限放大你甚至感觉不到自己在切换模型。一、准备一个 Key一个端点开始前只需要两样东西端点: https://maas-api.lanyun.net/v1/chat/completions 鉴权: Authorization: Bearer sk-你的KEY在蓝耘控制台创建 API Key 后先做个健康检查——万事开头curl一下curlhttps://maas-api.lanyun.net/v1/models\-HAuthorization: Bearer sk-你的KEY这就是本文的第一张终端截图——一个请求拉出全部可用模型kimi-k3、glm-5.3、deepseek-v4-flash、qwen3.7-max、minimax-m2.7……二十多个模型整整齐齐躺在返回的 JSON 里。这个接口的价值经常被低估它能让你在写代码之前就确认模型 ID 是否正确省掉后面一堆莫名其妙的 404别问我怎么知道的后面会讲。二、第一次对话看清一个请求的解剖结构裸调chat/completions核心就是往messages数组里塞对话。用 Python 原生requests写没有任何遮掩importrequests resprequests.post(https://maas-api.lanyun.net/v1/chat/completions,headers{Authorization:Bearer sk-你的KEY},json{model:deepseek-v4-flash,messages:[{role:user,content:用一句话解释什么是 MaaS}],max_tokens:200},timeout60)跑起来的真实终端输出不用 SDK 的好处在这里显现了——你能完整看到响应里的每一个字段choices[0].message.content正文没什么意外usage.prompt_tokens: 89提示词消耗usage.completion_tokens: 299其中235 个是reasoning_tokens——这是 DeepSeek 的思维链模型在给出答案前先想了 235 个 token如果用 SDKreasoning_tokens这种细节字段很容易被封装吞掉。裸调 HTTP模型的行为对你完全透明。三、多模型对比改一个字符串的事这是统一网关最爽的时刻。同一道题问三个模型代码差异只有一个model参数formodelin[deepseek-v4-flash,qwen3.7-max,glm-5.3]:rrequests.post(URL,headersH,json{model:model,messages:[{role:user,content:量子计算为什么能威胁 RSA 加密80字以内}]})问题我故意选了个有点硬核的看看三个模型的真实表现终端里的对比一目了然模型耗时Tokens风格deepseek-v4-flash2.8s192一句话点破 Shor 算法最利落qwen3.7-max13.8s1442“秀尔算法”复杂度分析最学术思考最多glm-5.35.1s274结构最完整教科书式表述注意 qwen3.7-max 的 1442 tokens——它内部进行了大量的推理思考答案也确实更有学术味。同一个网关下模型的性格差异清晰可见要速度选 flash要深度选 max要均衡选 GLM。这种对比实验在蓝耘上就是一个for循环的成本。四、流式输出亲眼看 token 一个个蹦出来stream: true这五个字符是大模型 API 里最有魅力的参数。裸调时你需要手动解析 SSEServer-Sent Events协议rrequests.post(URL,headersH,json{model:deepseek-v4-flash,messages:[{role:user,content:数1到5每个数字一行}],stream:True},streamTrue)forlineinr.iter_lines():ifline.startswith(bdata:)andb[DONE]notinline:objjson.loads(line[5:])deltaobj[choices][0][delta]print(delta.get(content,),end,flushTrue)真实运行效果关键点每个分片都是data: {...}开头的一行文本最后以data: [DONE]结束增量内容藏在choices[0].delta.content里——注意是delta不是message这是流式和非流式的核心区别分片粒度很细数 1 到 5 收到了 9 个分片意味着首字延迟极低——这就是为什么 ChatGPT 们能打字机式输出用过 SDK 的流式回调吗它底下就是这个循环。亲手写一遍以后再遇到流式 bug 就知道去哪找问题了。五、错误处理一个 404 的自我修养裸调当然要看看出错时长什么样。我故意传了个不存在的模型名gpt-100-turbo{error:{message:model \gpt-100-turbo\ not found,type:api_error}}错误信息直接告诉你问题是什么——模型名不存在。配合第 1 节的/v1/models接口排查路径非常短先查列表再改参数完事。顺便坦白一个我踩过的坑写本文的对比实验前我凭印象写了qwen3-max结果就是这个 404。跑一遍/v1/models才发现平台上的正确 ID 是qwen3.7-max。经验教训模型名别靠记靠查询。六、成本核算这一场裸调花了多少钱所有演示跑完去蓝耘控制台拉了个账单deepseek-v4-flash 4 次调用 968 tokens ¥0.03 qwen3.7-max 1 次调用 1442 tokens ¥0.03 glm-5.3 1 次调用 274 tokens ¥0.01 ───────────────────────────────────────────── 合计 6 次调用 2684 tokens ¥0.07调了三个不同厂商的旗舰模型总共花了 7 分钱。而且每次调用的 token 消耗在后台实时可查——裸调的好处再次体现usage字段里的数字和控制台账单严丝合缝没有黑盒。七、复盘裸调教会我的三件事7.1 OpenAI 兼容协议是裸调友好的基石正因为蓝耘用的就是标准的chat/completions协议我才能用任何能发 HTTP 请求的东西调用它——curl、requests、Invoke-WebRequest甚至单片机上的 HTTP 库。协议的标准化程度决定了生态的广度。7.2 去掉抽象层才能理解抽象层亲手解析过 SSE 分片你才真正理解 SDK 流式回调的每一次触发亲眼看过reasoning_tokens你才知道为什么推理模型更贵、更慢。这些认知是三层封装之下的 SDK 用户很难获得的。7.3 统一网关让模型对比成为默认动作三个模型跑同一个问题代码只是一个循环。当切换成本趋近于零多模型对比就从一次谨慎的调研变成了随手就能做的默认动作——这可能是统一 MaaS 网关带给开发者最深远的行为改变。结语终端里没有魔法这篇文章没有一行代码依赖 AI SDK所有请求都是最朴素的 HTTP POST。但正是这种朴素把大模型 API 的每个细节都摊在了阳光下SSE 怎么流、token 怎么算、错误怎么报、模型怎么换。如果你也想做这个实验门槛低到令人发指一个蓝耘账号、一个 API Key、一个终端。有时候理解一项技术最好的方式就是剥掉所有便利的封装直接面对它的本来面目。终端里没有魔法只有协议。实验环境Windows 11 curl 8 Python 3.11 requests平台蓝耘元生代 MaaS全部 6 次 API 调用的输出均为终端真实运行结果总成本 ¥0.07。