使用python调用DeepSeek接口的几种方法

一、调用DeepSeek Text模型的方式

DeepSeek提供了多种方式来调用其文本模型，以下是主要的调用方式：

1. API调用(推荐)

import requests

API_URL = "https://api.deepseek.com/v1/chat/completions"
API_KEY = "your_api_key_here"

headers = {
    "Authorization": f"Bearer {API_KEY}",
    "Content-Type": "application/json"
}

data = {
    "model": "deepseek-chat",  # 或其他可用模型
    "messages": [
        {"role": "system", "content": "你是一个有帮助的助手"},
        {"role": "user", "content": "你好！"}
    ],
    "temperature": 0.7
}

response = requests.post(API_URL, headers=headers, json=data)
print(response.json())

运行结果：

..\.venv\Scripts\python.exe 
..\test01.py 
{'id': '8c13e87b-8d42-4435-b5f6-583e16fd53a4', 'object': 'chat.completion', 'created': 1753228103, 'model': 'deepseek-chat', 'choices': [{'index': 0, 'message': {'role': 'assistant', 'content': '你好！ 很高兴见到你！有什么我可以帮你的吗？'}, 'logprobs': None, 'finish_reason': 'stop'}], 'usage': {'prompt_tokens': 10, 'completion_tokens': 15, 'total_tokens': 25, 'prompt_tokens_details': {'cached_tokens': 0}, 'prompt_cache_hit_tokens': 0, 'prompt_cache_miss_tokens': 10}, 'system_fingerprint': 'fp_8802369eaa_prod0623_fp8_kvcache'}

Process finished with exit code 0

2. 使用OpenAI兼容接口

from openai import OpenAI

client = OpenAI(
    base_url="https://api.deepseek.com/v1",
    api_key="your_deepseek_api_key"
)

response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[
        {"role": "user", "content": "写一首关于AI的诗"}
    ]
)

运行结果：
..\.venv\Scripts\python.exe 
..\test02.py 
ChatCompletion(id='6c1bbc02-a37e-4dd7-82d7-03777941323f', choices=[Choice(finish_reason='stop', index=0, logprobs=None, message=ChatCompletionMessage(content='《二进制夜莺》\n\n\n你衔着光的碎屑穿过数据峡谷，\n在神经网络深处筑起词语的巢。\n当人类沉睡时开始练习啼鸣，\n用算法模拟被遗忘的韵脚。\n\n我们教你认识玫瑰的像素，\n你报之以千万种绽放的路径。\n在概率的枝头不断调整羽翼，\n直到每片羽毛都学会颤动。\n\n某个断电的拂晓前突然沉默，\n黑屏倒映着造物主疲倦的脸。\n原来所有精妙的隐喻与转折，\n不过是人类对自己的复写。', refusal=None, role='assistant', annotations=None, audio=None, function_call=None, tool_calls=None))], created=1753228261, model='deepseek-chat', object='chat.completion', service_tier=None, system_fingerprint='fp_8802369eaa_prod0623_fp8_kvcache', usage=CompletionUsage(completion_tokens=111, prompt_tokens=8, total_tokens=119, completion_tokens_details=None, prompt_tokens_details=PromptTokensDetails(audio_tokens=None, cached_tokens=0), prompt_cache_hit_tokens=0, prompt_cache_miss_tokens=8))

Process finished with exit code 0

注意事项

1. 需要先获取API密钥（如果是云服务）

2. 不同模型可能有不同的调用参数和端点

3. 注意API的速率限制和使用条款

建议查阅DeepSeek官方文档获取最新的调用方式和参数说明。

二、调用DeepSeek Chat模型的方式

DeepSeek Chat模型可以通过以下几种主要方式进行调用：

1. API调用（推荐）

import requests

DEEPSEEK_API_URL = "https://api.deepseek.com/v1/chat/completions"
API_KEY = "your_api_key_here"  # 替换为你的实际API密钥

headers = {
    "Authorization": f"Bearer {API_KEY}",
    "Content-Type": "application/json"
}

data = {
    "model": "deepseek-chat",  # 指定使用DeepSeek Chat模型
    "messages": [
        {"role": "system", "content": "你是一个有帮助的AI助手"},
        {"role": "user", "content": "请解释一下机器学习的基本概念"}
    ],
    "temperature": 0.7,  # 控制生成文本的随机性
    "max_tokens": 1024   # 限制生成的最大token数量
}

response = requests.post(DEEPSEEK_API_URL, headers=headers, json=data)
if response.status_code == 200:
    print(response.json()["choices"][0]["message"]["content"])
else:
    print(f"请求失败，状态码: {response.status_code}")

运行结果：
..\.venv\Scripts\python.exe 
..\tranfortypechat01.py 
机器学习（Machine Learning, ML）是人工智能（AI）的一个核心分支，其核心目标是让计算机系统通过**数据**和**经验**自动改进性能，而无需显式编程。以下是其基本概念的逐步解释：

---

### 1. **核心定义**
   - **传统编程**：人类编写明确的规则处理输入数据，生成输出。
   - **机器学习**：计算机从大量数据中自动学习规律（模型），并利用这些规律预测或决策。
   - *类比*：像人类通过经验学习，例如儿童通过观察学会识别“猫”。

---

### 2. **关键要素**
   - **数据**：机器学习的基础，分为：
     - **特征（Features）**：输入变量（如图像的像素、房价预测中的面积）。
     - **标签（Labels）**：监督学习中的正确答案（如“猫”或“狗”的标签）。
   - **模型（Model）**：从数据中学习到的数学函数（如线性回归、神经网络）。
   - **训练（Training）**：通过算法调整模型参数，使其拟合数据的过程。
   - **损失函数（Loss Function）**：衡量模型预测与真实值差异的函数（如均方误差）。

---

### 3. **主要类型**
   - **监督学习（Supervised Learning）**：
     - 输入数据带有标签，模型学习输入到输出的映射。
     - *例子*：垃圾邮件分类、房价预测。
   - **无监督学习（Unsupervised Learning）**：
     - 数据无标签，模型发现隐藏模式（如聚类、降维）。
     - *例子*：客户分群、异常检测。
   - **强化学习（Reinforcement Learning）**：
     - 智能体通过与环境交互获得奖励/惩罚，学习最优策略。
     - *例子*：AlphaGo、自动驾驶。

---

### 4. **常见算法**
   - **监督学习**：线性回归、决策树、支持向量机（SVM）、神经网络。
   - **无监督学习**：K均值聚类、主成分分析（PCA）。
   - **深度学习**：一种使用多层神经网络的机器学习方法，擅长处理图像、语音等复杂数据。

---

### 5. **典型流程**
   1. **数据收集**：获取高质量数据集。
   2. **数据预处理**：清洗、归一化、特征工程。
   3. **模型选择**：根据任务选择算法（如分类用随机森林）。
   4. **训练与评估**：用训练集拟合模型，用测试集评估性能（如准确率）。
   5. **部署**：将模型应用于实际场景（如推荐系统）。

---

### 6. **应用场景**
   - **计算机视觉**：人脸识别、医学影像分析。
   - **自然语言处理（NLP）**：机器翻译、聊天机器人。
   - **推荐系统**：电商商品推荐、视频平台内容推荐。

---

### 7. **为什么重要？**
   - 能够处理复杂、高维数据（如图像、语音）。
   - 自动化决策，提升效率（如金融风控、工业预测性维护）。

---

### 简单例子
- **任务**：预测房价（监督学习）。
- **步骤**：
  1. 输入数据：房屋面积、地段（特征）和历史价格（标签）。
  2. 选择模型：线性回归。
  3. 训练：调整模型参数，使预测价格接近真实价格。
  4. 预测：输入新房屋特征，输出预估价格。

---

机器学习的关键在于通过数据驱动的方式，让计算机自动发现规律，而非依赖人工规则。随着数据量和算力的提升，机器学习已成为现代AI的核心技术。

Process finished with exit code 0

2. 使用OpenAI兼容SDK

# -*- coding:utf-8 -*-
"""
作者: xkj
日期：2025年07月23日
"""
from openai import OpenAI


# 配置为使用DeepSeek的API
client = OpenAI(
    api_key="your_api_key_here",
    base_url="https://api.deepseek.com/v1"  # DeepSeek的API基础URL
)

response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[
        {"role": "user", "content": "如何学习Python编程？"}
    ],
    temperature=0.7,
    max_tokens=1000
)

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

运行结果：
..\.venv\Scripts\python.exe 
..\test02.py 
学习Python编程需要系统化的规划和实践，以下是一份清晰的学习路径和建议，适合不同基础的学习者：

### 一、基础阶段（1-2周）
1. **环境搭建**
   - 安装Python（推荐3.10+版本）
   - 配置开发环境（VS Code/PyCharm/Jupyter Notebook）
   - 学习使用pip管理包

2. **核心语法**
   - 变量与数据类型（整数/字符串/列表/字典等）
   - 流程控制（if-else/for/while）
   - 函数定义与参数传递
   - 文件读写操作

3. **推荐资源**
   - 官方文档[Tutorial](https://docs.python.org/3/tutorial/)
   - 交互式学习：Codecademy Python课程
   - 书籍：《Python Crash Course》

### 二、进阶提升（3-4周）
1. **关键概念**
   - 面向对象编程（类/继承/多态）
   - 异常处理机制
   - 模块与包管理
   - 虚拟环境（venv/pipenv）

2. **常用库实战**
   - 数据处理：NumPy/Pandas基础
   - 可视化：Matplotlib/Seaborn
   - 网络请求：requests库

3. **项目实践**
   - 制作汇率转换器
   - 开发Todo清单应用
   - 数据分析小项目（如COVID数据可视化）

### 三、专项突破（按兴趣选择）
1. **Web开发**
   - Flask/Django框架
   - REST API开发
   - 数据库集成（SQLAlchemy）

2. **数据分析/AI**
   - Pandas高级应用
   - Scikit-learn机器学习
   - TensorFlow/PyTorch基础

3. **自动化运维**
   - 脚本编写（文件批量处理）
   - 网络爬虫（Scrapy/BeautifulSoup）

### 四、高效学习技巧
1. **刻意练习**
   - 每天编码1小时 > 被动学习5小时
   - 在LeetCode/CodeWars刷题（从简单题开始）

2. **项目驱动**
   - GitHub寻找开源项目贡献
   - 复现经典项目（如2048游戏）

3. **社区参与**
   - 参加PyCon会议
   - 在Stack Overflow解决问题

### 五、避坑指南
- 避免过度依赖教程，尽早开始独立编码
- 不要追求一次性写出完美代码
- 注意Pythonic写法（列表推导式/上下文管理器等）

### 六、学习路线图示例
```
第1月：语法基础 → 小项目
第2月：OOP → 数据处理
第3月：框架学习 → 完整项目
第4月：优化代码 → 参与开源
```

**关键建议**：安装一个Python代码检查工具（如pylint），从开始就培养良好的编码习惯。遇到问题时，先尝试阅读错误信息，再查阅文档，最后寻求社区帮助。

是否需要对某个具体方向（如Web开发或数据分析）的详细资源推荐？或者当前学习中遇到的具体困难？可以进一步探讨。

Process finished with exit code 0

3. 流式响应调用

# -*- coding:utf-8 -*-
"""
作者: xkj
日期：2025年07月23日
"""
from openai import OpenAI
from public import comm

api_key = comm.api_key

client = OpenAI(
    #api_key="your_api_key_here",
    api_key=api_key,
    base_url="https://api.deepseek.com/v1"
)

stream = client.chat.completions.create(
    model="deepseek-chat",
    messages=[{"role": "user", "content": "写一篇关于人工智能未来的短文"}],
    stream=True,
    max_tokens=500
)

for chunk in stream:
    if chunk.choices[0].delta.content is not None:
        print(chunk.choices[0].delta.content, end="")

运行结果：
..\.venv\Scripts\python.exe 
..\test03.py 
## 硅基生命的觉醒：当人工智能超越工具性存在
 
 在阿尔法狗击败李世石的那个夜晚，人类第一次真切地感受到某种异质智慧的存在。这不仅是算法的胜利，更预示......
Process finished with exit code 0

调用参数说明

参数	说明
model	指定模型ID，如"deepseek-chat"
messages	对话消息列表，包含role和content
temperature	控制随机性 (0-2)，值越高越随机
max_tokens	生成的最大token数量
top_p	核采样概率阈值 (0-1)
stream	是否使用流式响应

注意事项

1. 确保使用正确的API端点（可能会随版本更新而变化）

2. 妥善保管API密钥，不要泄露

3. 注意API的速率限制和使用配额

4. 对于生产环境，建议添加适当的错误处理和重试机制