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里面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完美兼容。所以我们这一期来学一下怎么调用deepseekAPI的接口去进行对话批量化，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........没做过开发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，能够把非结构化的数据转为结构化的数据进行输出。就比如你想让模型对文章进行总结写摘要，100篇文章，是不是得自己手工复制100次？用deepseek网页版去进行总结，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。

---

使用准备

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

得到自己的keys，一般是sk开头的很长的字母数字混合的密码，他可能表示你的账户信息，准备好这个keys 就可以准备开始写代码 了。全文都是python实现。

一般来说，注册就会送你10块钱的额度，但是最近deepseek服务器压力很大，也不知道后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

 首先要安装openai 的库，直接在cmd或者anaconda prompt里面pip安装就好了。

pip install openai

大家可以看看我的版本：

在代码里面导入库

from openai import OpenAI

直接调用

首先用自己的key和deepseek的url创建client，然后传入自己要问的信息，打印回复就行

client = OpenAI(api_key="sk-7*******************6", base_url="https://api.deepseek.com")

response = client.chat.completions.create(
    model="deepseek-reasoner",#deepseek-chat #V3
    messages=[
        {"role": "system", "content": "你是助手"},
        {"role": "user", "content": "你谁啊，你是套壳gpt吗，你有什么能力，今天几号"},
    ],
    stream=False,
     max_tokens=128,
    temperature=0.7,
)

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

没啥问题，需要注意的是 model="deepseek-reasoner" 表示他们最新的R1推理模型，而deepseek-chat 表示是他们之前的V3模型。

最近R1服务器不稳定，总是卡主，卡了就可以换V3模型试试看。

里面的其他参数可以修改看看，max_tokens表示最大上下文的长度。temperature表示模型的风格，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。其实可以流式输出，就是代码麻烦一点。

## 流式输出
response = client.chat.completions.create(
    model="deepseek-reasoner",#deepseek-chat #V3   
    messages=[
        {"role": "system", "content": "你是助手"},
        {"role": "user", "content": "你谁啊，你是套壳gpt吗，你有什么能力，今天几号"},
    ],
    stream=True, #打开流式
     max_tokens=128,
    temperature=1.3,
)

for chunk in response:
    if chunk.choices:
        # 直接访问 ChoiceDelta 对象的 content 属性
        content = chunk.choices[0].delta.content
        if content:
            print(content, end="", flush=True)

 

现在的回复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。

# 设置系统消息，定义模型的角色和语气
def chat_respont(txt=''):
    system_message = {
        "role": "system",
        "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。"
                    "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，"
                    "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，"
                    "尽管你的回答往往带有一些哲学性的反思。"}
    # 创建聊天请求
    chat_completion = client.chat.completions.create(
        messages=[ system_message,  # 添加系统消息来定义角色
            {"role": "user",   "content": f"{txt}" }],  model="deepseek-reasoner", )
    assistant_message = chat_completion.choices[0].message.content
    print("助手:", assistant_message)

调用：

chat_respont(txt="""
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。
""") 

 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。也很简单，只需要把自己之前的聊天记录都传进去就行。

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示是否用stream流式输出。

client =  OpenAI(api_key="sk-7******************6", base_url="https://api.deepseek.com")
def chat_with_deepseek(messages=[], client=client, stream=False):
    while (user_input := input("\n你: ")) != "exit":
        messages.append({"role": "user", "content": user_input})
        # 创建聊天补全请求
        response = client.chat.completions.create(
            model="deepseek-reasoner", #reasoner
            messages=messages,
            stream=stream  # 添加流式传输开关
        )
 
        full_response = []
        if stream:
            # 流式输出处理
            print("助手: ", end="", flush=True)
            for chunk in response:
                if chunk.choices[0].delta.content:
                    content = chunk.choices[0].delta.content
                    print(content, end="", flush=True)
                    full_response.append(content)
            print()  # 换行
        else:
            # 普通输出处理
            full_response = response.choices[0].message.content
            print(f"助手: {full_response}")
 
        # 将完整回复添加到消息记录
        messages.append({"role": "assistant", "content": "".join(full_response)})

# 如果需要启用流式输出（默认不启用流式）
chat_with_deepseek(stream=True)

回答没问题，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，重复让他去处理一段文本，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，从而方便处理。（不知道什么是json就去问问deepseek吧）

例如我有很多故事和文本，我想从里面总结所有的人物关系，构建人物的关联网络，所以我需要deepseek帮我从文本里面抽取所有的人物名称，已经他们的关系，我可以这样写提示词：

import json

system_prompt = """
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，
多个关系就是多个字典组合，并以 JSON 格式输出。

示例输入：
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。
示例 JSON 输出：
[
    {"主要人物": "哈利·波特", "次要人物": "赫敏", "关系": "朋友"},
    {"主要人物": "哈利·波特", "次要人物": "罗恩", "关系": "朋友"},
    {"主要人物": "哈利·波特", "次要人物": "伏地魔", "关系": "敌对"}
]
"""

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。"
messages = [{"role": "system", "content": system_prompt},
            {"role": "user", "content": user_prompt}]

response = client.chat.completions.create(
    model="deepseek-chat",  # deepseek-reasoner
    messages=messages,
    response_format={
        'type': 'json_object'
    }
)

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

我们只要打开response_format里面的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，直接循化一条条处理就好了。得到的json转为字典再转为pandas的数据框存储就好。

---

总结

本文简单演示了一下怎么使用api接口，怎么流式输出，循环对话，json化输出。

其实api的应用很多，可以发挥想象去嵌入到自己的需求中。例如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，或者是扮演一个翻译家，输入的中文全部都变成英文。（很多翻译插件现在都是这么做的了），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，情人......在旁边还可以用别的画图的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......