以下是一个使用Keras库构建AI模型的代码示例：

from keras.models import Sequential
from keras.layers import Dense

# 定义模型
model = Sequential()

# 添加输入层和隐藏层
model.add(Dense(units=64, activation='relu', input_dim=100))

# 添加输出层
model.add(Dense(units=10, activation='softmax'))

# 编译模型
model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])

# 训练模型
model.fit(x_train, y_train, epochs=5, batch_size=32)

# 评估模型
loss_and_metrics = model.evaluate(x_test, y_test, batch_size=128)

# 使用模型进行预测
classes = model.predict(x_test, batch_size=128)

在上面的示例中，首先导入了Keras库的Sequential和Dense模块。然后，创建了一个Sequential对象作为模型的容器。

接着，通过model.add()方法添加了一个输入层和一个隐藏层。输入层的维度为100，激活函数使用了ReLU激活函数。隐藏层使用了64个神经元。

然后，使用model.add()方法添加了一个输出层。输出层使用了10个神经元，激活函数使用了softmax函数。

接下来，使用model.compile()方法编译了模型。指定了损失函数为categorical_crossentropy，优化器为sgd（随机梯度下降），衡量指标为准确率。

然后，使用model.fit()方法训练模型。指定了训练数据x_train和标签y_train，迭代5次，每次使用32个样本进行训练。

在训练完成后，使用model.evaluate()方法评估模型。指定了测试数据x_test和标签y_test，每次使用128个样本进行评估。

最后，使用model.predict()方法使用模型进行预测。指定了测试数据x_test，每次使用128个样本进行预测，并返回预测结果。