最近MiniMax M2模型上线了，惊叹于他的代码和Agent能力，从官网介绍来看，MiniMax M2专为Agent和代码而生，并且目前还是限时免费的，它的编程、使用工具和深度搜索的能力在国内也是首屈一指。
MiniMax M2的研发，主要聚焦于Agent场景的核心需求，在关键能力上实现突破：
-
1. 顶级代码能力：针对端到端开发工作流打造，在Claude Code、Cursor、Cline、Kilo Code、Droid等多款应用中表现卓越，为开发者提供高效编程支持。
-
2. 强大Agentic表现：能出色规划并稳定执行复杂长链条工具调用任务，可协同调用Shell、Browser、Python代码执行器及各类MCP工具，轻松应对多步骤工作需求。
-
3. 极致性价比&速度：通过高效的激活参数设计，在智能、速度与成本之间找到最佳平衡，打破传统模型的性能瓶颈。
对于我们数据分析师来说，推荐下面两种方式使用，第一种是登录官网直接使用，https://agent.minimaxi.com直接访问即可，勾选这里的专业模型，使用agent的能力。
第二种方式是使用MiniMax M2模型的API，通过调用API的形式来打造自己专属的数据分析Agent，现在是限时免费，可以试试，下面是API密钥获取链接，限时免费，可以试试。
https://platform.minimaxi.com/user-center/basic-information
通过使用API的方式与直接登录官网进行智能问答是没有什么区别的，这是API的用途，下面我用实例介绍如何调用MiniMax M2模型的API，首先是初始化客户端，没有安装openai包的话，需要先安装这个包，使用下面的命令。
!pip install openai -i https://pypi.tuna.tsinghua.edu.cn/simple
接着初始化客户端，在api_key这里填入你获取的API Key即可。
from openai import OpenAI
import time
# 初始化客户端
# 这里是限时免费的，过段时间就失效了
api_key = "eyJhbGciOiJSUzI1NiIsInR5cCI6IkpXVCJ9.eyJHcm91cE5hbWUiOiLmpZrmoaQiLCJVc2VyTmFtZSI6IualmuahpCIsIkFjY291bnQiOiIiLCJTdWJqZWN0SUQiOiIxOTgyOTg2NTgzNzQ1MjQxNjUyIiwiUGhvbmUiOiIxNTExNzA0NTM0NSIsIkdyb3VwSUQiOiIxOTgyOTg2NTgzNzM2ODUzMDQ0IiwiUGFnZU5hbWUiOiIiLCJNYWlsIjoiIiwiQ3JlYXRlVGltZSI6IjIwMjUtMTAtMjggMTc6MDM6MTIiLCJUb2tlblR5cGUiOjEsImlzcyI6Im1pbmltYXgifQ.UnUoSlFtvJ7fnbR1zor2P7XdiY78tLvU_KkatPJo7S2vaMDcIuukEZ4FcoiW4SPJAZQIxiUaJlbms6UCcU2xzm2teP6p5Vcx-vttkt_2eex9qHTayilYriBiNG_YS57bE-HZN2GLphrkqWiiaRMGMr09haGRbb3_MIRLuIr0OflrMiKKr1dZtcTIp2K4FYF_uHdbvGy4TeXZRD4MrPissKebsu17M6i6_YpO5btiTMgjWluWOkizol9Z434N0dmJ1NOupiohcJ3pzA6hD13RlYmZ-FA4XHpQrZrFDyMdy2J1N9jJpA4rgEJEPf-ZAyrSw4f6bSIHAKQ5avynxNiHEg"
client = OpenAI(
base_url="https://api.minimaxi.com/v1",
api_key=api_key
)
print("MiniMax M2 客户端已初始化成功！")
接着就可以实现基础对话功能了，在user_message 这里输入问题 "数据分析分为哪几个步骤？用一句话总结"，就可以返回答案了，两个标签内容的内容就是这个Agent思考的过程。
# 基础对话示例
def chat(message, max_tokens=1024, temperature=1.0):
"""基础对话功能"""
print("思考中...", end="", flush=True)
response = client.chat.completions.create(
model="MiniMax-M2",
max_tokens=max_tokens,
temperature=temperature,
messages=[
{
"role": "user",
"content": message
}
]
)
# 清除思考提示
print("\r" + " " * 20 + "\r", end="", flush=True)
return response.choices[0].message.content
# 测试基础对话
user_message = "数据分析分为哪几个步骤？用一句话总结"
print(f"问题: {user_message}")
response = chat(user_message)
print(f"MiniMax M2: {response}")
为了增加多轮对话的这种效果，我还增加了交互式对话界面，用于解决常见的同一个问题多轮对话的需求，在交互式对话框中不仅可以提出问题进行多轮对话，还可以按上下键来回溯历史提问，很便捷。
# 交互式对话界面
print("MiniMax M2 模型对话程序")
print("输入 'quit' 或 'exit' 退出程序")
print("输入 'stream' 切换到流式模式")
print("-" * 50)
stream_mode = False
while True:
user_input = input("\n问题: ")
if user_input.lower() in ['quit', 'exit']:
print("再见!")
break
if user_input.lower() == 'stream':
stream_mode = not stream_mode
mode = "流式" if stream_mode else "普通"
print(f"已切换到{mode}模式")
continue
if not user_input.strip():
continue
print("\nMiniMax M2: ", end="", flush=True)
if stream_mode:
# 流式响应
for text in stream_chat(user_input):
print(text, end="", flush=True)
print() # 换行
else:
# 普通响应
response = chat(user_input)
print(response)
可以看到，第一轮对话以后，可以继续进行追问，从而得出回答，对于多轮对话比较友好。
如果要退出多轮对话进程，就输入exit命令，可以退出该进程，重新运行该命令可以继续多轮对话。
这种方式可轻松调用 MiniMax M2 模型能力来辅助代码编程，无论是 Python 数据处理比如生成数据清洗代码、修改 Python 代码报错，还是完成数据分析任务、撰写报告，都能通过这种方法高效实现。
关注和星标『大话数据分析』
和作者一起学习数据分析！
👆点击关注｜设为星标｜干货速递👆
前蚂蚁金服数据运营，现京东经营分析，公众号、知乎、头条「大话数据分析」主理人，专注于数据分析的实践与分享，掌握Python、SQL、PowerBI、Excel等数据分析工具，擅长运用技术解决企业实际问题。
