下面这份清单把大模型 API 调用拆成可勾选的动作，按阶段检查即可。调用大模型 API 是通过编程接口把 AI 能力接入你自己的脚本、工具或应用，例如批量处理文本、给内部系统加上自动摘要。把 AI 接入日常工作流时，最重要的是明确哪一步由 AI 起草、哪一步由人把关。分工清楚，效率和质量才能兼顾。

这些时候尤其要用

  • 把 AI 功能集成到内部工具或业务系统中。
  • 需要控制输出格式，便于程序解析。

为什么要用清单？对话中出了问题，你会看到并重新提问；程序中出了问题，可能悄悄写入错误的结果。

使用前

  • 选择 API 服务商，阅读官方文档，了解计费方式和使用限制。
  • 创建 API 密钥，并安全保存，不要写在代码或公开仓库中。
  • 先用官方示例代码完成一次最简单的调用。
  • 确认材料中不包含银行账户、工资明细、发票信息和公司财务数据，必要时先脱敏。

使用中

  • 设计系统提示词和输出格式，用少量数据测试。
  • 加入错误处理、重试和速率控制。
  • 先用少量数据测试，确认效果和成本。
  • 网络和限流问题很常见，需要重试和记录错误。

使用后

  • 上线前评估成本，记录调用日志，定期检查结果质量。
  • 遵守公司的数据政策，必要时先脱敏。
  • 对外发出前已由自己通读并确认。
  • 财务特别注意：让 AI 写公式和处理步骤，而不是把含真实金额的表格整份上传。

不要这样做

  • 把 API 密钥写在代码里。
  • 不先小规模测试就跑全量。
  • 没有错误处理。
  • 不估算成本。

配套模板

清单配合下面的模板使用效果更好：

请帮我写一段 Python 脚本，调用大模型 API 批量处理费用报销中的文本：
- 输入：CSV 文件，包含“费用类别”和一列待处理文本；
- 处理：对每条文本生成一句话摘要和一个分类标签（限定：[类别列表]）；
- 输出：在原 CSV 基础上新增两列；
- 要求：API 密钥从环境变量读取；单条失败时记录错误并继续处理；每次请求之间加入适当间隔；
- 请在代码中用注释标出需要我根据所用服务商文档修改的地方。

按清单完成后，结果大致会是这样（虚构示例）：

示例（虚构）：一位数据分析师需要给 5000 条用户评论打标签。她用 AI 写了一个调用 API 的脚本，先用 50 条测试，调整提示词后再跑全量。脚本把失败的 12 条记录到单独的文件中，她手动处理了这些异常，整个任务在一个下午内完成。

让清单更好用的两个习惯

  • 把提示词单独存放在文件中，便于调整和版本管理。
  • 定期抽查结果，防止模型更新带来的效果变化。

清单之外

需要很强的编程能力吗？ 基础的脚本编写能力就够了，也可以让 AI 帮你写代码，但要理解代码的作用。

数据会被服务商使用吗？ 不同服务商的数据政策不同，使用前阅读相关条款，必要时选择企业服务或本地模型。

把清单变成习惯

不必追求每次都完美勾满。更实际的做法是：重要任务全量检查，日常小任务只看标星的几项。财务在准备费用分析报告或参加月度财务分析会前用一次，就能感受到差别。

相关阅读