從零開始學 AI 工程（四）：
Phase 0-4 APIs & Keys

本文作者是 AI 工程的初學者，正透過《AI Engineering from Scratch》課程自學，並全程搭配 AI 輔助：一步步照著課程開發者的進度動手執行，卡關時就向 AI 提問、請它引導。這篇文章，是把作者與 AI 互動的完整過程與學習歷程，先交由 AI 記錄、統整成初稿，再由作者親自逐段審視、修改、優化而成。AI 負責整理，最終判斷與文字由作者把關。

寫下它有兩個用意：替後來的讀者鋪一條能照著走的路徑，也幫作者自己複習、把學過的東西沉澱下來。

這篇怎麼讀

格式跟前幾課一樣，每一步分三塊：

• 作者要你做什麼 — 原始指令
• 背後的道理 — 我問 AI 之後理解的白話版
• 走到這裡才會知道的事 — 按著課程走、但作者沒明說的補充

這一課的課程原文用 Anthropic（Claude）的 API 當範例。我手上有 OpenAI 的 API key，所以實作時改用 OpenAI 來跑。概念完全一樣，只是網址和套件名稱不同。

我的規則還是同一條：每一個指令，都要問到懂為止，才往下走。

這一課導覽框

• 課名：Phase 0 · Lesson 4 — APIs & Keys
• 目標：學會安全存放 API key、用 Python 發出第一次 API 呼叫、理解 SDK 背後的 Raw HTTP
• 時間：課程標約 30 分鐘，我含理解和除錯大概花了一個多小時
• 偏離課程的地方：課程用 Anthropic SDK，我用 OpenAI SDK。四個零件的邏輯完全相同
• 完課驗證：用 SDK 呼叫 AI 拿到回答、用 Raw HTTP 呼叫同一個 API 拿到回答

先看懂作者的地圖：每次 API 呼叫都長一樣

課程開頭有個API概念可以記著：

Every AI API works the same way: send a request, get a response. The details change, the pattern doesn’t.

每個 AI API 的運作方式都一樣：送出請求，拿到回應。細節會變，模式不會。

課程用一張流程圖描述這個模式：

你的程式帶著 API key 發一個 HTTP 請求到 API 伺服器，伺服器處理完後回傳一個 JSON 格式的回應。每次都是這個來回，不會有第三種走法。

接著課程把每次 API 呼叫拆成四個零件：

這四個零件從頭到尾不會變。不管你呼叫 Claude、GPT、還是 Gemini，都是帶著 key、發一個 HTTP 請求到某個網址、收一個 JSON 回來。課程後面的 Phase 11 到 16 全部都在做這件事的各種變形。

步驟 1：安全存放 API Key

作者要你做什麼

課程給了兩條路：

路線 A — 直接在終端機設環境變數：

export ANTHROPIC_API_KEY="sk-ant-..."
export OPENAI_API_KEY="sk-..."

路線 B — 用 .env 檔存起來，然後加到 .gitignore：

ANTHROPIC_API_KEY=sk-ant-...
OPENAI_API_KEY=sk-...

課程只說了這些，選一條做就好。

背後的道理

API key 就是密碼。程式碼可能會推到 GitHub 讓別人看到，所以 key 不能寫在程式碼裡面，要另外存。

兩條路的差別：

路線 A（export） 是直接把 key 放進終端機的記憶體裡。好處是一行搞定，程式馬上讀得到。壞處是關掉終端機就消失了，下次要重打。

路線 B（.env 檔） 是把 key 存成一個文字檔。關掉終端機也不會消失，因為是檔案。然後用 .gitignore 告訴 Git「假裝這個檔案不存在」，這樣推程式碼的時候 key 不會跟著上去。

我走了路線 B。

走到這裡才會知道的事

.env 檔本身不會自動生效。 課程只說「用 .env 存 key」，但沒有教你怎麼把 .env 的內容載入到環境變數。.env 就是一個純文字檔，Python 程式不會自己去讀它。你要自己把裡面的內容載入到終端機的記憶體裡，程式才讀得到。

我的做法是在終端機打 export $(cat .env)，這行指令會讀出 .env 的內容，然後設成環境變數。效果等同於你自己手打 export OPENAI_API_KEY="sk-..."。

環境變數是什麼？ 就是終端機在記憶體裡存的一組「名稱＝值」的資料。你用 export 把 key 放進去之後，在這個終端機裡跑的任何程式都可以讀到它。Python 用 os.environ["OPENAI_API_KEY"] 讀，Node.js 用 process.env.OPENAI_API_KEY 讀。關掉終端機，記憶體清空，下次開要重新載入。

.env 不只存 API key。 任何不想寫死在程式碼裡的設定值都可以放：資料庫帳號密碼、伺服器網址、開發模式的開關。共同點是這些值會因為環境不同而改變（你的電腦用一組，公司伺服器用另一組），而且有些是機密。

AI 帶我多做了幾步課程沒要求的事。 比如用 grep '.env' .gitignore 去驗證 .gitignore 有沒有寫好、用 echo '...' > .env 建檔。這些不是課程的步驟，是 AI 補充的操作細節。課程假設你知道怎麼建檔案、怎麼確認設定，如果你跟我一樣是初學者，可能需要這些額外的步驟。但要知道哪些是課程要求的、哪些是額外補的，才不會搞混。

步驟 2：第一次 API 呼叫（Python）

作者要你做什麼

課程原文用 Anthropic SDK，我改用 OpenAI SDK。結構一樣：

import openai

client = openai.OpenAI()

response = client.chat.completions.create(
    model="gpt-4o",
    max_tokens=256,
    messages=[{"role": "user", "content": "What is a neural network in one sentence?"}]
)

print(response.choices[0].message.content)

每行在做什麼

import openai — 載入 openai 這個套件。之前用 uv pip install openai 裝進 .venv 的就是它。裝是裝在資料夾裡，import 是載入到目前這次 Python 的執行環境。兩步，缺一不可。

client = openai.OpenAI() — 建立一個客戶端物件。這行做了一件重要的事：自動去環境變數裡找 OPENAI_API_KEY。所以你不需要在程式碼裡寫出 key，它自己去記憶體找。為什麼要先建一個 client 而不是直接呼叫？因為你可能同時用兩組不同的 API key，或連不同的伺服器。建成物件，每個物件有自己的設定，互不干擾。

client.chat.completions.create(...) — 發出請求。三個參數：

• model="gpt-4o" — 指定要哪個 AI 模型回答。不同 model 能力不同、收費不同
• max_tokens=256 — 回答最多用 256 個 token。token 是計費單位，也控制回答長度
• messages=[{"role": "user", "content": "..."}] — 你要問的問題。是一個 list（[]），裡面放 dict（{}）。"role": "user" 代表這是你說的話，"content" 是內容

print(response.choices[0].message.content) — 從回應裡取出 AI 回的文字。choices 是一個 list，因為 API 設計上可以一次回多個答案。[0] 取第一個，.message.content 是那個答案的文字。

我的實測

跑完之後 GPT-4o 回了一段英文解釋 neural network 的句子。看到回應印出來的那一刻，才意識到這跟平常在 ChatGPT 網頁上打字聊天走的是同一條路，只是這次是我的程式碼在發請求。

走到這裡才會知道的事

不是每個 model 你都有權限用。 我一開始照 AI 的建議用 gpt-4o-mini，結果報了 403 錯誤，說我的 project 沒有權限存取這個 model。換成 gpt-4o 就通了。如果你遇到 model_not_found 的錯誤，不一定是程式寫錯，可能是你的 OpenAI 帳號或 project 沒有開通那個 model 的權限。

步驟 3：TypeScript SDK 呼叫

課程提供了 Python 和 TypeScript 兩個版本，做的事完全一樣，只是語法不同。我目前走 Python 路線，所以跳過 TypeScript 版。不是用不到，是對我來說重複了。

步驟 4：Raw HTTP 呼叫（不用 SDK）

作者要你做什麼

課程原文用 Anthropic 的 API，我改用 OpenAI：

import os, urllib.request, json

url = "https://api.openai.com/v1/chat/completions"
headers = {
    "Content-Type": "application/json",
    "Authorization": "Bearer " + os.environ["OPENAI_API_KEY"],
}
body = json.dumps({
    "model": "gpt-4o",
    "max_tokens": 256,
    "messages": [{"role": "user", "content": "What is a neural network in one sentence?"}],
}).encode()

req = urllib.request.Request(url, data=body, headers=headers, method="POST")
with urllib.request.urlopen(req) as resp:
    result = json.loads(resp.read())
    print(result["choices"][0]["message"]["content"])

每行在做什麼

url = "https://api.openai.com/v1/chat/completions" — API 的地址。https://api.openai.com 是 OpenAI 伺服器的位置，/v1/chat/completions 是伺服器上「處理聊天」的那個入口。

headers = {...} — 附在請求上的標頭資訊，告訴伺服器兩件事：

• "Content-Type": "application/json" — 我送過去的資料格式是 JSON
• "Authorization": "Bearer " + os.environ["OPENAI_API_KEY"] — 我的身份證明。Bearer 是 HTTP 認證的一種標準格式，後面接你的 API key。os.environ["OPENAI_API_KEY"] 從環境變數讀出 key

body = json.dumps({...}).encode() — 這裡有三層操作：

1. 最裡面的 {...} 是一個 Python dict，內容跟步驟 2 一樣：model、max_tokens、messages
2. json.dumps(...) 把 Python dict 轉成 JSON 字串。HTTP 傳輸不認得 Python 的 dict，只認純文字。dumps 是 dump string 的意思
3. .encode() 把字串再轉成 bytes。網路傳輸的最底層是 bytes

req = urllib.request.Request(url, data=body, headers=headers, method="POST") — 把 URL、headers、body 組裝成一個完整的 HTTP 請求。method="POST" 是 HTTP 的動詞，表示「我要送資料給你處理」。相對的 GET 是「我要拿資料」。呼叫 AI 是送問題過去，所以用 POST。

with urllib.request.urlopen(req) as resp: — 把請求發出去，拿到回應。with ... as resp: 是 Python 的寫法，意思是「開這個連線，用完自動關掉」。

result = json.loads(resp.read()) — resp.read() 讀回應的原始 bytes，json.loads(...) 把它解析回 Python dict。loads 是 load string，跟前面的 dumps 相反。

print(result["choices"][0]["message"]["content"]) — 從 dict 裡取出 AI 回的文字，跟步驟 2 一樣。

步驟 2 跟步驟 4 的差別

做的事完全一樣。差別在於步驟 2 用 SDK（openai 套件），四行搞定；步驟 4 自己處理所有細節，寫了十幾行。

*SDK 做的事就是把 Raw HTTP 的那些步驟（組 URL、帶 header、打包 JSON、發請求、解析回應）包成幾個函式。除此之外，SDK 還會幫你處理錯誤重試（網路斷了自動重試）、型別檢查（參數寫錯提早告訴你）、版本管理（API 改版時處理相容問題）。

課程說了一句話：Understanding the raw HTTP call helps when debugging. 懂原始 HTTP 呼叫，之後 debug 的時候才知道問題出在哪一層。

什麼時候需要哪個 API

課程列了一張表，重點是不用現在全部申請，到了那個 Phase 再弄就好：

四個關鍵詞

這一課做完之後，我覺得收穫最大是理解了一件事：所有 AI API 都是同一個模式。送一個帶著身份證明的 HTTP 請求到某個網址，收一個 JSON 回來，而SDK 就是把這件事打包起來方便API呼叫。

另一個體會是關於環境變數和 .env 檔。課程寫得很簡潔，對有經驗的人來說夠了，但對我這種從零開始的人，「建好 .env 檔之後要怎麼讓程式讀到裡面的 key」這細節課程並沒有明確說明，但可以利用AI協助了解一下。