做媒体监测的张磊每天要手动读几十篇稿件，再整理情感、提取实体、判断立场，一套流程走完半天就没了。他试过市面上好几款分析工具，不是按字符数计费让长篇文章贵得离谱，就是识别准确度靠不住。直到他撞见Oxlo.ai——一个让他重新看待长文本处理成本的接口方案：按照每一次请求计费，一篇3000字的调查报道和一条只有标题的短讯，调用开销完全相同。这个定价思路一下子抹平了媒体工作流里那些因为篇幅差异带来的费用波动。

下面我们要搭建的，正是一个媒体情报智能代理。它会接收原始的文章文本，返回一份结构清晰的JSON分析结果，然后你可以轻松把它放进批处理和对比分析流水线里。整个过程只需要几行Python代码，而且因为借用了Oxlo.ai与OpenAI兼容的接口，你会感觉像在用一个熟悉的客户端，背后却是专门为长文本场景管理成本的平台。

在动手之前，先把必要的元素凑齐。你的机器上要有Python 3.10或者更高版本。这个版本开始的类型检查能力和库支持都比较稳定，很适合处理JSON解析这类任务。接着，打开终端，安装OpenAI官方的Python库，命令就是 pip install openai 。这个库原本用来调用OpenAI自家的模型，但因为Oxlo.ai的API在设计上兼容了它的调用方式，所以同一个库可以直接指向Oxlo.ai的后端，省去了额外学习新SDK的时间。

有了库，还需要一把钥匙。访问 https://portal.oxlo.ai ，注册并获取你的API密钥。这个密钥用来验证身份和跟踪用量，后面所有请求都会带着它。把它妥善保存在环境变量里是个好习惯，不要在代码里硬编码，避免不小心泄露出去。第一步：建立与Oxlo.ai的连接并做基础探测。实例化OpenAI兼容客户端，指向base_url="https://api.oxlo.ai/v1"，api_key用os.environ.get安全读取，优先从OXLO_API_KEY环境变量取值，失败时退回占位字符串。然后发送一个只回复"ready"的低tokens探测请求，确认密钥和网络通路都正常，再继续推送完整的文章。

第二步：定义媒体分析师的系统提示。系统提示是整个代理唯一需要的“训练”。它把Llama 3.3 70B模型的输出严格约束为JSON格式，并框定分析维度。你要根据自己关注的新闻领域微调这些字段。规则要求只返回有效JSON对象，不带任何markdown格式，schema包含headline_summary、sentiment、key_entities、topics、bias_flag、confidence和actionable_insight。情感分positive、neutral、negative三种，偏见标记分left、center、right或unclear，置信度分high、medium、low。最后还要用一句话给出对媒体监测员有行动价值的洞察。