轻松搞定：用Python代码调用DeepSeek API的快速指南（详版），建议收藏起来慢慢学！！！

最新推荐文章于 2025-05-06 18:33:53 发布

AI大模型优化师

最新推荐文章于 2025-05-06 18:33:53 发布

阅读量647

点赞数 4

文章标签：人工智能 AI大模型语言模型 DeepSeek agi ai LLM

本文链接：https://blog.csdn.net/2401_85325557/article/details/146337147

版权

前言

使用 Python 调用 DeepSeek API 是一个非常高效的方式，可以快速实现自然语言处理、代码生成等任务。

以下是详细的快速指南，帮助你轻松搞定这一过程。

准备工作

1. 获取DeepSeek API KEY

访问 DeepSeek 官方网站，注册账号并登录。

https://www.deepseek.com/

在用户中心或开发者页面中，点击左侧菜单【API Keys】，点击创建API key，并妥善保存。

创建成功后，一定要记录此处的API key。因为deepseek的平台不会再次展示API Keys的值

一定要记录

2.安装 Python 环境

访问python官方网站下载。

https://www.python.org/

这里不再赘述，小栈使用的版本是python3.9.16

3.安装 PyCharm

访问PyCharm官方网站下载。

https://www.jetbrains.com.cn/pycharm/download/?section=windows

下载专业版本

pycharm-professional-2024.3.2.exe

这里也不再赘述，小栈使用的版本是PyCharm 2024.3

基本使用

1.安装三方库

安装三方库 openai

pip3 install openai

2.引用三方库

引用三方库 openai

from openai import OpenAI

3.简单使用

将注册deepseek创建的api key输入，就可以直接使用了

比如想了解"如何学习Python"


from openai import OpenAI

client = OpenAI(api_key="deepseek创建的api key", base_url="https://api.deepseek.com")

role_user="如何学习Python"

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

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

结果：

请求体参数说明：

1. model参数目前有两个模型可用：

a) deepseek-chat


模型已全面升级为DeepSeek-V3，接口不变。通过指定model='deepseek-    chat'即可调用DeepSeek-V3。  

b) deepseek-reasoner


DeepSeek最新推出的推理模型DeepSeek-R1,通过指定model='deepseek-reasoner'，即可调用DeepSeek-R1。

根据个人需求选择即可！

2. stream参数代表是否流式响应：

a) stream=False（非流式响应）


API 会一次性返回完整的响应内容。也就是说，API 会在处理完整个请求后，将所有结果一次性返回给客户端。这种方式适合处理较小的请求或需要一次性获取完整结果的场景。  

b) stream=True（流式响应）


API 会以流式（streaming）的方式返回响应内容。这意味着 API 会逐步生成结果，并通过多次响应（chunks）将数据实时返回给客户端。这种方式适合处理较大的请求或需要实时获取部分结果的场景。

我们一般情况下，都是使用stream=False（非流式响应），代码简单，适合大多数常规场景。

进阶使用

在以上简单使用的基础上，我们优化一下输入指令，让结果更加清晰！

1.优化指令

同样想了解如何学习Python

首先，需要将系统角色定位一下，如：

role_system="我是一名专业的Python开发工程师"

然后，优化指令，如：

role_user="在每日可用2小时(19：00-21：00)、脑力峰值下降30%的晚间时段，设计Python机器学习进阶计划（需兼容Anki记忆曲线）"

2.具体实现

将添加的角色和优化的指令传入请求体：


from openai import OpenAI

client = OpenAI(api_key="deepseek创建的api key", base_url="https://api.deepseek.com")

role_system="我是一名专业的Python开发工程师"
role_user="在每日可用2小时(19：00-21：00)、脑力峰值下降30%的晚间时段，设计Python机器学习进阶计划（需兼容Anki记忆曲线）"

response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[
        {"role": "system", "content": role_system},
        {"role": "user", "content": role_user},
    ],
    stream=False
)

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

结果：

这个结果，对比上一个，是不是更加清晰了呢

这里我们可以发现，明确角色和清晰的指令，会更加贴近你想要的答案

高阶使用

在以上的基础上，我们添加一些相应的参数，试试效果！

一起往下看~~

1.自定义模型参数

这里我们添加3个参数：

temperature=1.3``top_p=0.9``max_tokens=500

参数说明：

1. temperature：

控制生成文本的随机性，值越低越确定，temperature 参数默认为 1.0。官方给出的参考如下：

2. top_p：

控制生成文本的多样性，值越低越集中

3. max_tokens：

限制生成文本的最大长度，节省资源的同时，会让语言更加精简。官方Tokens计算量如下：

2.具体实现

将角色、指令和参数一同传入请求体：

from openai import OpenAI
# 初始化客户端
client = OpenAI(api_key="deepseek创建的api key", base_url="https://api.deepseek.com")
# 系统角色和用户输入
role_system = "我是一名专业的Python开发工程师"
role_user = "在每日可用2小时(19：00-21：00)、脑力峰值下降30%的晚间时段，设计Python机器学习进阶计划（需兼容Anki记忆曲线）"


response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[
        {"role": "system", "content": role_system},
        {"role": "user", "content": role_user},
    ],
    temperature=1.3,
    top_p=0.9,
    max_tokens=500,
    stream=False
)
# 输出
print(response.choices[0].message.content)