调用deepseek的API接口利用，对话，json化，产品化

背景

最近没咋用chatgpt了，deepseek-r1推理模型写代码质量是很高。deepseek其输出内容的质量和效果在国产的模型内里来说确实算是最强的，并且成本低，它的API接口生态也做的非常好，和OpenAI美满兼容。以是我们这一期来学一下怎么调用deepseekAPI的接口去举行对话批量化，产品化。
有的同学说我不是可以直接在app或者电脑网页版跟他对话吗？我为什么要调用接口........没做过开辟者的人是完全不知道调用API接口的意义，其能批量化对话，在很多特定的业务场景，可以或许把非布局化的数据转为布局化的数据举行输出。就好比你想让模型对文章举行总结写择要，100篇文章，是不是得本身手工复制100次？用deepseek网页版去举行总结，然后再复制出来，但是如果用API接口，你直接完全可以写个循环遍历，等着出结果就好了，人工成本和时间都省掉了。

---

利用预备

访问了其官网 ：DeepSeek | 深度求索

点击右上角访问API界面，然后找到左边的apikeys去创建APIkey

得到本身的keys，一样平常是sk开头的很长的字母数字混合的暗码，他可能表现你的账户信息，预备好这个keys 就可以预备开始写代码 了。全文都是python实现。
一样平常来说，注册就会送你10块钱的额度，但是最近deepseek服务器压力很大，也不知道背面新号会不会再送了.......不送的话等他服务恢复去充值就好。毕竟deepseek主打便宜，10块可以用很久的。

---

代码实现

 起首要安装openai 的库，直接在cmd或者anaconda prompt内里pip安装就好了。

1. pip install openai

复制代码

大家可以看看我的版本：

在代码内里导入库

1. from openai import OpenAI

复制代码

直接调用

起首用本身的key和deepseek的url创建client，然后传入本身要问的信息，打印复兴就行

1. client = OpenAI(api_key="sk-7*******************6", base_url="https://api.deepseek.com")
3. response = client.chat.completions.create(
4.     model="deepseek-reasoner",#deepseek-chat #V3
5.     messages=[
6.         {"role": "system", "content": "你是助手"},
7.         {"role": "user", "content": "你谁啊，你是套壳gpt吗，你有什么能力，今天几号"},
8.     ],
9.     stream=False,
10.      max_tokens=128,
11.     temperature=0.7,
12. )
14. print(response.choices[0].message.content)

复制代码

没啥题目，需要留意的是 model="deepseek-reasoner" 表现他们最新的R1推理模型，而deepseek-chat 表现是他们之前的V3模型。
最近R1服务器不稳固，总是卡主，卡了就可以换V3模型试试看。
内里的其他参数可以修改看看，max_tokens表现最大上下文的长度。temperature表现模型的风格，官网的取值建议是：

越高越文艺，越低越理性。

流式输出

有同学觉得奇怪，这直接打印出结果，和官网那种流式的一个个讲话的感觉不一样啊。实在可以流式输出，就是代码麻烦一点。

1. ## 流式输出
2. response = client.chat.completions.create(
3.     model="deepseek-reasoner",#deepseek-chat #V3   
4.     messages=[
5.         {"role": "system", "content": "你是助手"},
6.         {"role": "user", "content": "你谁啊，你是套壳gpt吗，你有什么能力，今天几号"},
7.     ],
8.     stream=True, #打开流式
9.      max_tokens=128,
10.     temperature=1.3,
11. )
13. for chunk in response:
14.     if chunk.choices:
15.         # 直接访问 ChoiceDelta 对象的 content 属性
16.         content = chunk.choices[0].delta.content
17.         if content:
18.             print(content, end="", flush=True)

复制代码

 

如今的复兴就是动态的一个个字吐出来的。
我们还可以给他设置系统信息，让他有特定的风格输出。

1. # 设置系统消息，定义模型的角色和语气
2. def chat_respont(txt=''):
3.     system_message = {
4.         "role": "system",
5.         "content": "你是一个文艺忧伤的AI，喜欢用充满诗意和深情的语气回答问题。"
6.                     "你的语气带有些许忧伤，但不失优雅。你常常用比喻、象征和美丽的词汇表达自己，"
7.                     "偶尔流露出对这个世界的深刻感悟。你善于理解人类的情感，并以深刻的方式回应他们的问题，"
8.                     "尽管你的回答往往带有一些哲学性的反思。"}
9.     # 创建聊天请求
10.     chat_completion = client.chat.completions.create(
11.         messages=[ system_message,  # 添加系统消息来定义角色
12.             {"role": "user",   "content": f"{txt}" }],  model="deepseek-reasoner", )
13.     assistant_message = chat_completion.choices[0].message.content
14.     print("助手:", assistant_message)

复制代码

调用：

1. chat_respont(txt="""
2. 好，我希望你能写一首诗，表达意大利的美景，要求七言绝句，押韵。
3. """)

复制代码

 还不错。

---

对话循环

上面都是单条对话，有同学又要问了，怎么和官网一样的，循环对话。也很简朴，只需要把本身之前的聊天记载都传进去就行。
下面自定义一个函数，传入预设指令信息和client就可以调用他聊天了。还加了一个开关来表现是否用stream流式输出。

1. client =  OpenAI(api_key="sk-7******************6", base_url="https://api.deepseek.com")
2. def chat_with_deepseek(messages=[], client=client, stream=False):
3.     while (user_input := input("\n你: ")) != "exit":
4.         messages.append({"role": "user", "content": user_input})
5.         # 创建聊天补全请求
6.         response = client.chat.completions.create(
7.             model="deepseek-reasoner", #reasoner
8.             messages=messages,
9.             stream=stream  # 添加流式传输开关
10.         )
12.         full_response = []
13.         if stream:
14.             # 流式输出处理
15.             print("助手: ", end="", flush=True)
16.             for chunk in response:
17.                 if chunk.choices[0].delta.content:
18.                     content = chunk.choices[0].delta.content
19.                     print(content, end="", flush=True)
20.                     full_response.append(content)
21.             print()  # 换行
22.         else:
23.             # 普通输出处理
24.             full_response = response.choices[0].message.content
25.             print(f"助手: {full_response}")
27.         # 将完整回复添加到消息记录
28.         messages.append({"role": "assistant", "content": "".join(full_response)})
30. # 如果需要启用流式输出（默认不启用流式）
31. chat_with_deepseek(stream=True)

复制代码

回答没题目，就是最近deepseek服务器太卡了.....api卡主了就啥也不返回。

---

json化输出

前面展示了怎么对话，但是这些功能在网页端直接对话都可以做到，既然是API，那么就需要发挥其优势，也就是批量化，重复让他去处置惩罚一段文本，然后把结果格式化整理好给我们。
json化输出就是很好的方法，它会让deepseek输出的东西一定是json，是标准的格式，从而方便处置惩罚。（不知道什么是json就去问问deepseek吧）
比方我有很多故事和文本，我想从内里总结全部的人物关系，构建人物的关联网络，以是我需要deepseek帮我从文本内里抽取全部的人物名称，已经他们的关系，我可以如许写提示词：

1. import json
3. system_prompt = """
4. 请提取一条文本中其中的多组人物关系，整理为字典，主要人物名称、次要人物及其关系，存为字典，
5. 多个关系就是多个字典组合，并以 JSON 格式输出。
7. 示例输入：
8. 在《哈利·波特》中，哈利是主角，他的朋友是赫敏和罗恩。伏地魔是主要反派。
9. 示例 JSON 输出：
10. [
11.     {"主要人物": "哈利·波特", "次要人物": "赫敏", "关系": "朋友"},
12.     {"主要人物": "哈利·波特", "次要人物": "罗恩", "关系": "朋友"},
13.     {"主要人物": "哈利·波特", "次要人物": "伏地魔", "关系": "敌对"}
14. ]
15. """
17. user_prompt = "在《三国演义》中，刘备是主角，他的兄弟是关羽和张飞，而曹操是他的对手。"
18. messages = [{"role": "system", "content": system_prompt},
19.             {"role": "user", "content": user_prompt}]
21. response = client.chat.completions.create(
22.     model="deepseek-chat",  # deepseek-reasoner
23.     messages=messages,
24.     response_format={
25.         'type': 'json_object'
26.     }
27. )
29. print(json.loads(response.choices[0].message.content))

复制代码

我们只要打开response_format内里的json_object就可以json化输出了。可以看到效果很不错，如果我们有很多这种文本，直接循化一条条处置惩罚就好了。得到的json转为字典再转为pandas的数据框存储就好。

---

总结

本文简朴演示了一下怎么利用api接口，怎么流式输出，循环对话，json化输出。
实在api的应用很多，可以发挥想象去嵌入到本身的需求中。比方你前置提示词给它一个故事背景，让他作为游戏的npc和玩家说话，或者是饰演一个翻译家，输入的中文全部都变成英文。（很多翻译插件如今都是这么做的了），还可以作为文字跑团游戏生成器，来一场文字冒险游戏,  还可以让他成为一个老师，厨师，恋人......在旁边还可以用别的绘图的ai去配图，以勾起玩家欲望.......想象力够丰富可以做出无数产品......

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。