pip install openai python-dotenv

OPENROUTER_API_KEY=your_key_here

import os
from openai import OpenAI
from dotenv import load_dotenv

# 从 .env 文件加载 API 密钥
load_dotenv()

# 配置客户端指向 OpenRouter
client = OpenAI(
   base_url="https://openrouter.ai/api/v1",
   api_key=os.getenv("OPENROUTER_API_KEY")
)

# 测试调用 K2 Thinking
response = client.chat.completions.create(
   model="moonshotai/kimi-k2-thinking",
   messages=[
       {"role": "user", "content": "15 * 24 等于多少?"}
   ]
)

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

response = client.chat.completions.create(
   model="moonshotai/kimi-k2-thinking",
   messages=[
       {"role": "user", "content": "一台笔记本电脑 850 美元，今天有 20% 的折扣，折扣后的价格还要再加 8% 的消费税。我最终要付多少钱？"}
   ],
   temperature=1.0 # 推荐为推理模式设置高一些的温度
)

print("最终答案:")
print(response.choices[0].message.content)
print("\n推理过程:")
# 注意：OpenAI 官方 SDK 可能没有直接的 .reasoning 属性，
# 这取决于 OpenRouter 的具体实现。通常需要访问原始响应体。
# 假设这里是理想情况，如果不行，可能需要打印 response.choices[0].message 的全部内容查看。
# 在实际的 OpenRouter 响应中，它可能位于 extra_body 或类似字段。
# 为简化，我们这里假设 SDK 已适配。
# 实际代码可能需要这样： print(response.choices[0].message.model_extra.get('reasoning'))

# 假设可以直接访问
print(response.choices[0].message.reasoning)

最终答案:
你最终需要支付的金额是 **$734.40**。

计算步骤如下：
1. 折扣金额: 20% of $850 = $170
2. 折扣后价格: $850 - $170 = $680
3. 消费税: 8% of $680 = $54.40
4. 最终金额: $680 + $54.40 = $734.40

推理过程:
用户想知道笔记本电脑打折并加税后的最终价格。
第一步：计算折扣金额。$850 * 0.20 = $170
第二步：计算折扣后价格。$850 - $170 = $680
第三步：计算消费税金额。$680 * 0.08 = $54.40
第四步：计算最终支付金额。$680 + $54.40 = $734.40
我再检查一下计算... [核对步骤省略]
最终金额是 $734.40

import csv
import os
import json

tools = [
   {
       "type": "function",
       "function": {
           "name": "analyze_csv",
           "description": "读取并分析 CSV 文件的前几行。返回列名、样本行、总行数和文件大小。",
           "parameters": {
               "type": "object",
               "properties": {
                   "filepath": {
                       "type": "string",
                       "description": "CSV 文件的路径"
                   },
                   "num_rows": {
                       "type": "integer",
                       "description": "要读取的行数",
                       "default": 10
                   }
               },
               "required": ["filepath"]
           }
       }
   }
]

def analyze_csv(filepath: str, num_rows: int = 10) -> dict:
   if not os.path.exists(filepath):
       return {"error": f"文件未找到: {filepath}"}
   try:
       with open(filepath, 'r') as f:
           reader = csv.DictReader(f)
           columns = reader.fieldnames
           sample_rows = [dict(row) for i, row in enumerate(reader) if i < num_rows]
           f.seek(0)
           # 跳过表头
           next(f) 
           total_rows = sum(1 for line in f)

       return {
           "columns": list(columns),
           "sample_rows": sample_rows,
           "total_rows": total_rows,
           "file_size_kb": round(os.path.getsize(filepath) / 1024, 2)
       }
   except Exception as e:
       return {"error": str(e)}

# 假设 client 已经初始化
messages = [
   {"role": "user", "content": "分析一下 sample_employees.csv，告诉我工程部门员工的平均薪资。"}
]

# 先创建一个假的 CSV 文件用于测试
with open("sample_employees.csv", "w", newline="") as f:
    writer = csv.writer(f)
    writer.writerow(["name", "department", "salary"])
    writer.writerow(["Alice", "Engineering", "95000"])
    writer.writerow(["Bob", "Marketing", "75000"])
    writer.writerow(["Carol", "Engineering", "110000"])
    writer.writerow(["David", "Sales", "82000"])

while True:
   response = client.chat.completions.create(
       model="moonshotai/kimi-k2-thinking",
       messages=messages,
       tools=tools,
       temperature=1.0
   )

   message = response.choices[0].message
   messages.append(message) # 把 assistant 的回复也加入历史

   if message.tool_calls:
       for tool_call in message.tool_calls:
           function_name = tool_call.function.name
           arguments = json.loads(tool_call.function.arguments)

           if function_name == "analyze_csv":
               result = analyze_csv(**arguments)

           messages.append({
               "role": "tool",
               "tool_call_id": tool_call.id,
               "name": function_name,
               "content": json.dumps(result)
           })
   else:
       # 当没有工具调用时，表示任务完成
       print(message.content)
       break