【Python】OpenAI：调用深度求索（DeepSeek）API

最新推荐文章于 2025-04-17 10:08:13 发布

T0uken

最新推荐文章于 2025-04-17 10:08:13 发布

阅读量8k

点赞数 8

文章标签： python 数据库服务器

本文链接：https://blog.csdn.net/2303_80346267/article/details/145014322

版权

本教程将帮助你快速入门 DeepSeek API 的文本生成和多轮对话功能。以下是最简洁且实用的步骤，帮助你通过 DeepSeek 实现智能对话。

快速入门

安装 OpenAI SDK

首先需要安装 openai SDK，这是与 DeepSeek API 进行交互的关键库。运行以下命令来安装：

pip3 install openai

配置 API 密钥和 Base URL

通过以下代码配置你的 DeepSeek API 密钥和 Base URL（请替换为你的实际 API 密钥）。

from openai import OpenAI

client = OpenAI(api_key="<DeepSeek API Key>", base_url="https://api.deepseek.com")

简单文本生成

使用以下代码生成简单的文本：

response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Hello"},
    ],
    stream=False
)

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

这段代码将生成基于用户输入 “Hello” 的模型回应，并输出结果。

多轮对话示例

你可以通过保存历史对话来实现多轮对话。以下是一个简单的两轮对话示例：

# Round 1
messages = [{"role": "user", "content": "What's the highest mountain in the world?"}]
response = client.chat.completions.create(
    model="deepseek-chat",
    messages=messages
)

messages.append(response.choices[0].message)
print(f"Messages Round 1: {messages}")

# Round 2
messages.append({"role": "user", "content": "What is the second?"})
response = client.chat.completions.create(
    model="deepseek-chat",
    messages=messages
)

messages.append(response.choices[0].message)
print(f"Messages Round 2: {messages}")

输出对话内容

在每一轮对话后，模型会根据历史上下文生成新的响应，并附加到 messages 中。最终，你可以打印出每轮对话的内容。

面向对象封装

下面是使用面向对象思想设计的一个 Chatter 类，包含简单文本生成、支持多轮对话（自动保存和发送历史对话）以及清空记忆功能。这个类利用 DeepSeek 的 API 完成这些功能：

`Chatter` 类设计

from openai import OpenAI

class Chatter:
    def __init__(self, api_key, base_url="https://api.deepseek.com"):
        """初始化 Chatter 类，配置 DeepSeek API。"""
        self.client = OpenAI(api_key=api_key, base_url=base_url)
        self.messages = []  # 用于存储多轮对话的历史消息

    def generate_text(self, prompt):
        """进行简单文本生成，根据给定的提示生成文本。"""
        response = self.client.chat.completions.create(
            model="deepseek-chat",
            messages=[{"role": "user", "content": prompt}],
            stream=False
        )
        return response.choices[0].message.content

    def chat(self, user_input):
        """进行多轮对话。将用户输入与历史对话一起发送。"""
        # 添加用户输入到历史对话
        self.messages.append({"role": "user", "content": user_input})

        # 发送整个对话历史给 DeepSeek，获取模型回应
        response = self.client.chat.completions.create(
            model="deepseek-chat",
            messages=self.messages,
            stream=False
        )

        # 获取模型的回应
        assistant_message = response.choices[0].message.content

        # 将模型回应添加到历史对话
        self.messages.append({"role": "assistant", "content": assistant_message})

        return assistant_message

    def clear_memory(self):
        """清空历史对话记忆。"""
        self.messages = []

类功能说明

1. `generate_text(prompt)`:

这个方法接收一个提示 prompt，并返回生成的文本。它用于进行简单的文本生成。

2. `chat(user_input)`:

这个方法实现了多轮对话。它会将用户输入的对话与历史对话一起发送给模型，然后返回模型的回答。历史对话会保存在类的实例中，因此每次调用 chat 时，模型都能基于之前的对话生成合理的响应。

3. `clear_memory()`:

这个方法会清空保存的历史对话，使模型在下次对话时不再记得之前的内容。可以用来重置对话的记忆状态。

示例用法

以下是如何使用 Chatter 类进行文本生成和多轮对话的示例：

if __name__ == '__main__':
    # 初始化 Chatter 类
    chatter = Chatter(api_key="<你的 DeepSeek API Key>")

    # 生成简单文本
    response = chatter.generate_text("给我讲一个关于编程的笑话。")
    print("生成的文本:", response)

    # 多轮对话
    response1 = chatter.chat("世界上最高的山是哪座？")
    print("助手:", response1)

    response2 = chatter.chat("它有多高？")
    print("助手:", response2)

    # 清空记忆
    chatter.clear_memory()

    # 新的一轮对话，记忆已清空
    response3 = chatter.chat("美国的第一任总统是谁？")
    print("助手:", response3)