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......
