Deepseek api接口调用（deepseek接口）（笔记3）——API 指南（对话前缀续写Beta、FIM 补全Beta、JSON Output、Function Calling、提示库）

已于 2025-02-28 11:51:46 修改
阅读量1.4k 收藏 28
点赞数 26
分类专栏： 大模型LLM 人工智能 文章标签： 笔记 json 数据库
于 2025-02-28 11:46:44 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Dontla/article/details/145904120
版权

https://api-docs.deepseek.com/zh-cn/

Deepseek api接口调用（deepseek接口）（笔记1）——概览（deepseek实用应用、deepseek api文档、base_url与api_key、测试调用、非流式请求、错误码）

Deepseek api接口调用（deepseek接口）（笔记2）——API 文档（调用示例）（Authentication、对话补全Chat、FIM 补全Beta单回合聊天、列出模型、查询余额）

Deepseek api接口调用（deepseek接口）（笔记3）——API 指南（对话前缀续写Beta、FIM 补全Beta、JSON Output、Function Calling、提示库）

文章目录

20250227

推理模型 (deepseek-reasoner)

API 参数

在这里插入图片描述

上下文拼接

在下一轮对话中，之前轮输出的思维链内容不会被拼接到上下文中。
在这里插入图片描述

访问样例
非流式
from openai import OpenAI
client = OpenAI(api_key="<DeepSeek API Key>", base_url="https://api.deepseek.com")

# Round 1
messages = [{"role": "user", "content": "9.11 and 9.8, which is greater?"}]
response = client.chat.completions.create(
    model="deepseek-reasoner",
    messages=messages
)

reasoning_content = response.choices[0].message.reasoning_content
content = response.choices[0].message.content

# Round 2
messages.append({'role': 'assistant', 'content': content})
messages.append({'role': 'user', 'content': "How many Rs are there in the word 'strawberry'?"})
response = client.chat.completions.create(
    model="deepseek-reasoner",
    messages=messages
)
# ...
流式
from openai import OpenAI
client = OpenAI(api_key="<DeepSeek API Key>", base_url="https://api.deepseek.com")

# Round 1
messages = [{"role": "user", "content": "9.11 and 9.8, which is greater?"}]
response = client.chat.completions.create(
    model="deepseek-reasoner",
    messages=messages,
    stream=True
)

reasoning_content = ""
content = ""

for chunk in response:
    if chunk.choices[0].delta.reasoning_content:
        reasoning_content += chunk.choices[0].delta.reasoning_content
    else:
        content += chunk.choices[0].delta.content

# Round 2
messages.append({"role": "assistant", "content": content})
messages.append({'role': 'user', 'content': "How many Rs are there in the word 'strawberry'?"})
response = client.chat.completions.create(
    model="deepseek-reasoner",
    messages=messages,
    stream=True
)
# ...

多轮对话

在每次请求时，需将之前所有对话历史拼接好后，传递给对话 API。

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

# 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}")

对话前缀续写（Beta）

沿用：https://api-docs.deepseek.com/zh-cn/api/create-chat-completion

注意事项

  1. 使用对话前缀续写时，用户需确保 messages 列表里最后一条消息的 role 为 assistant，并设置最后一条消息的 prefix 参数为 True。
  2. 用户需要设置 base_url=“https://api.deepseek.com/beta” 来开启 Beta 功能。

样例代码

下面给出了对话前缀续写的完整 Python 代码样例。
在这个例子中，
我们设置 assistant 开头的消息为 "```python\n" 来强制模型输出 python 代码，
并设置 stop 参数为 ['```'] 来避免模型的额外解释。

from openai import OpenAI

client = OpenAI(
    api_key="<your api key>",
    base_url="https://api.deepseek.com/beta",
)

messages = [
    {"role": "user", "content": "Please write quick sort code"},
    {"role": "assistant", "content": "```python\n", "prefix": True}
]
response = client.chat.completions.create(
    model="deepseek-chat",
    messages=messages,
    stop=["```"],
)
print(response.choices[0].message.content)

FIM 补全（Beta）

在 FIM (Fill In the Middle) 补全中，用户可以提供前缀和后缀（可选），模型来补全中间的内容。FIM 常用于内容续写、代码补全等场景。

注意事项

  1. 模型的最大补全长度为 4K。
  2. 用户需要设置 base_url="https://api.deepseek.com/beta" 来开启 Beta 功能。

样例代码

下面给出了 FIM 补全的完整 Python 代码样例。在这个例子中，我们给出了计算斐波那契数列函数的开头和结尾，来让模型补全中间的内容。

from openai import OpenAI

client = OpenAI(
    api_key="<your api key>",
    base_url="https://api.deepseek.com/beta",
)

response = client.completions.create(
    model="deepseek-chat",
    prompt="def fib(a):",
    suffix="    return fib(a-1) + fib(a-2)",
    max_tokens=128
)
print(response.choices[0].text)

配置 Continue 代码补全插件

Continue 是一款支持代码补全的 VSCode 插件，您可以参考这篇文档来配置 Continue 以使用代码补全功能。

JSON Output

在很多场景下，用户需要让模型严格按照 JSON 格式来输出，以实现输出的结构化，便于后续逻辑进行解析。

DeepSeek 提供了 JSON Output 功能，来确保模型输出合法的 JSON 字符串。

注意事项

  1. 设置 response_format 参数为 {'type': 'json_object'}。
  2. 用户传入的 system 或 user prompt 中必须含有 json 字样，并给出希望模型输出的 JSON 格式的样例，以指导模型来输出合法 JSON。
  3. 需要合理设置 max_tokens 参数，防止 JSON 字符串被中途截断。
  4. 在使用 JSON Output 功能时，API 有概率会返回空的 content。我们正在积极优化该问题，您可以尝试修改 prompt 以缓解此类问题。

样例代码

这里展示了使用 JSON Output 功能的完整 Python 代码：

import json
from openai import OpenAI

client = OpenAI(
    api_key="<your api key>",
    base_url="https://api.deepseek.com",
)

system_prompt = """
The user will provide some exam text. Please parse the "question" and "answer" and output them in JSON format. 

EXAMPLE INPUT: 
Which is the highest mountain in the world? Mount Everest.

EXAMPLE JSON OUTPUT:
{
    "question": "Which is the highest mountain in the world?",
    "answer": "Mount Everest"
}
"""

user_prompt = "Which is the longest river in the world? The Nile River."

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

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

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

模型将会输出：

{
    "question": "Which is the longest river in the world?",
    "answer": "The Nile River"
}

Function Calling

Function Calling 让模型能够调用外部工具，来增强自身能力。

提示

当前版本 deepseek-chat 模型 Function Calling 功能效果不稳定，会出现循环调用、空回复的情况。我们正在积极修复中，预计将在下一个版本中得到修复。

样例代码

这里以获取用户当前位置的天气信息为例，展示了使用 Function Calling 的完整 Python 代码。

Function Calling 的具体 API 格式请参考对话补全文档。

from openai import OpenAI

def send_messages(messages):
    response = client.chat.completions.create(
        model="deepseek-chat",
        messages=messages,
        tools=tools
    )
    return response.choices[0].message

client = OpenAI(
    api_key="<your api key>",
    base_url="https://api.deepseek.com",
)

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "Get weather of an location, the user shoud supply a location first",
            "parameters": {
                "type": "object",
                "properties": {
                    "location": {
                        "type": "string",
                        "description": "The city and state, e.g. San Francisco, CA",
                    }
                },
                "required": ["location"]
            },
        }
    },
]

messages = [{"role": "user", "content": "How's the weather in Hangzhou?"}]
message = send_messages(messages)
print(f"User>\t {messages[0]['content']}")

tool = message.tool_calls[0]
messages.append(message)

messages.append({"role": "tool", "tool_call_id": tool.id, "content": "24℃"})
message = send_messages(messages)
print(f"Model>\t {message.content}")

这个例子的执行流程如下：

  • 用户：询问现在的天气
  • 模型：返回 function get_weather({location: ‘Hangzhou’})
  • 用户：调用 function get_weather({location: ‘Hangzhou’})，并传给模型。
  • 模型：返回自然语言，“The current temperature in Hangzhou is 24°C.”

注：上述代码中 get_weather 函数功能需由用户提供，模型本身不执行具体函数。

上下文硬盘缓存（略）

提示库

提供了一些场景样例，对编码参考有帮助：

在这里插入图片描述
在这里插入图片描述

deepseek实战教程-第四篇开放平台接口文档使用
极客栈
03-24 359
通过上面的介绍，我们就基本掌握了deepseek提供的基础的开发api功能，我们可以通过学习掌握这些api接口，来在自己的项目中调用所需接口，完成我们自己的业务功能，实现和我们的项目的嵌入。当然这是程序员的工作，并不是没有编程基础的人做的事情，希望我们能够尽快掌握并进入大模型的业务开发中，实现工作效率和业务效率的双重提升通过本章我们已经可以完成deepseek的应用开发了。
DeepSeek 2.5本地部署的实战教程
热门推荐
herosunly的博客
09-22 16万+
本文主要介绍了DeepSeek 2.5本地部署的实战教程，希望对学习大语言模型的同学们有所帮助。 文章目录 1. 介绍 2. 配置环境 2.1 安装虚拟环境 2.2 安装依赖库 2.3 下载模型文件 3. 运行DeepSeek 2.5 3.1 简单测试 3.2 启动API服务
调用DeepSeek官方的API接口
weixin_42966151的博客
02-11 4756
1、注册deepseek官网账号点击进入右上角【】，并进行账号注册。2、注册完成后，依次点击【】-【】，记住自己保存好API keys，他只会显示一次，如果忘了，就要重新生成了！然后点击【】，就可以看到官方API文档了！3、在接口文档中，点击【】，然后选择对应的语言，就可以看到示例代码了。
DeepSeek接口调用
mcband的博客
02-11 2386
整个对接过程很简单，就四步，获取key，找到接口文档，接口测试，代码对接。
如何调用deepseek的接口
hunter206的博客
01-22 1万+
获取 API 密钥。阅读 API 文档。构建并发送 HTTP 请求。处理响应并提取数据。注意错误处理和使用限制。如果你有具体的 DeepSeek 接口文档或需求，可以提供更多细节，我可以帮助你进一步优化代码！
Deepseek官网接口文档
风一样
02-18 1161
参数应包含一个字典，其中包含 safetensors 模型的文件，包括文件名和每个文件的 SHA256 摘要。在调用此 API 之前，请使用 [/api/blobs/:digest](#推送一个 blob) 将每个文件推送到服务器。在调用此 API 之前，请使用 [/api/blobs/:digest](#推送一个 blob) 将 GGUF 文件推送到服务器。取消的拉取操作将从上次中断的地方继续，多次调用将共享相同的下载进度。此示例设置了所有可用选项，但您可以单独设置其中任何一个，并省略您不想覆盖的选项。
简话 DeepSeek 本地部署及接口调用
捉虫客 de 博客
02-05 1万+
Windows 11 + Ollama + DeepSeek R1 本地部署，简话，感性认识
DEEPSEEK api
03-14
接下来，我应该回忆之前提供的引用内容，特别是引用[1]和[2]，其中提到了API的不同功能，比如对话前缀续写、FIM补全、JSON输出、函数调用等，还有样例脚本。 用户的问题主要集中在文档和使用示例上，所以需要分步骤...
DeepSeek Coder 填空任务在代码生成和补全中具体是如何实现的？
百态老人的博客
01-23 1301
DeepSeek Coder 在代码生成和补全中的实现主要依赖于其强大的预训练机制和特定的训练任务设计。综上所述，DeepSeek Coder 通过大规模预训练、特定的填空任务设计以及NLP技术的集成，实现了高效的代码生成和补全能力，显著提升了开发效率和代码质量。DeepSeek Coder 的预训练数据集构建过程涉及多个步骤，特别是如何平衡代码数据和自然语言数据的比例。
人工智能LangChain与DeepSeek大模型开发应用：NLP2SQL及强化学习算法优化设计两个项目进行阐述
最新发布
04-11
LangChain部分，重点讲述了利用LangChain和GPT-4o实现自然语言转SQL查询的功能，包括环境配置、API调用、数据库连接及SQL查询执行等步骤。DeepSeek-R1部分，介绍了R1-Zero的架构思路，即通过纯粹的强化学习训练模型...
DeepSeek本地部署及接口调用
m18066975852的博客
02-14 4216
最近国产大模型 DeepSeek 非常火，DeepSeek 是一个开源模型，我们可以通过本地部署在自己的终端上随时使用，而且部署到本地后无需联网即可直接使用，以windows为例。
DeepSeek 本地部署及接口调用
fcclzydouble的博客
02-14 3153
操作步骤：官网首页 → 左上角 → Models → deepseek-r1。成功后出现 “>>>” 的提示符，在此处输入你的问题回车就可以了。通过代码调用 Ollama 提供的 API 接口，实现模型的能力。命令：ollama run deepseek-r1:8b。如果需要，可以安装一个简易界面来使用模型。
Deepseek的API调用使用(自用)
qq_64296768的博客
01-13 5万+
Deepseek的API调用使用(自用)
Deepseek Api Function Calling解析（tools、tool_calls）Deepseek函数调用流程图、Python代码示例
Dontla的博客
02-28 4371
根据官方文档和搜索结果，DeepSeek的Function Calling（函数调用）功能允许模型通过调用外部工具来增强其能力。核心原理。
DeepSeek API 文档介绍
qq_38027465的博客
02-08 4048
DeepSeek API 提供了强大的自然语言处理和代码生成能力，适用于多种场景。以下是 API 的使用说明。*，涵盖 API 的基本信息、请求参数、响应格式和示例代码。DeepSeek API 文档。
WPS文档中接入DeepSeek接口的方法，用wps自带的JS宏实现。
lupiqian的博客
02-07 1万+
2.更改代码中POST的构造数据，可以实现各种自定义功能，基本原理就是更改AI的提示词。WPS文档中接入DeepSeek接口的方法，用wps自带的JS宏实现。最近deepseek比较火，捣鼓了wps接入其接口的方法，记录如下。这样基本上就完成了功能，选中文字，运行宏就行了。1.给宏添加快捷方式，入口在“文件——选项”
如何调用 DeepSeek API？一份详细指南
weixin_45017726的博客
02-05 4万+
登录 Deepseek 开放平台后，注册用户可免费获赠 10 元 tokens，并创建 API Key 保存至安全位置。通过 Apifox 集成 Deepseek API，可快速完成 API 调试。配置环境变量后，将 Deepseek 提供的 cURL 导入 Apifox，并设置 Authorization 为。随后，切换至正式环境发送请求，根据需要修改参数即可实现对话，支持流式或整体输出，提升开发效率。
五、OpenAi之函数调用(Function Calling)(一)
挑大梁的专栏
02-16 2738
在API调用中，您可以描述函数规范，让模型智能地选择输出包含参数的JSON对象，过程中你以调用一个或多个函数。聊天补全API自身不能调用函数；而是，让模型生成JSON，使用它调用函数代码最新的模型(gpt-3.5-turbo-0125和gpt-4-turbo-preview)已通过训练，可以检测何时应该调用函数(取决于输入)，并使用模型对符合函数签名的JSON进行响应。拥有这项能力的同时也伴随着风险。我们强烈建议在采取可能影响世界范围内的用户行为之前建立用户确认流程（例如：发邮件、发布网络、购物等待）
deepseek AIP调用
02-13
### 调用 DeepSeek AIP API 的方法 为了调用 DeepSeek AIP API，通常需要遵循特定的流程来设置请求并处理响应。以下是详细的指南： #### 准备工作 确保已获取API密钥以及必要的认证凭证[^1]。 #### 发送HTTP请求 大多数情况下，通过发送 HTTP 请求到指定端点可以实现对 API 的访问。对于 Python 用户来说，`requests` 库是一个非常方便的选择。 ```python import requests url = "https://api.deepseek.com/v1/endpoint" headers = { &#39;Authorization&#39;: &#39;Bearer YOUR_API_KEY&#39;, &#39;Content-Type&#39;: &#39;application/json&#39; } data = {} # 将查询参数放入此字典中 response = requests.post(url, headers=headers, json=data) if response.status_code == 200: result = response.json() else: print(f"Error {response.status_code}: {response.text}") ``` 上述代码展示了如何构建 POST 请求，并包含了基本的身份验证机制和数据格式化方式。 #### 解析返回的数据 一旦接收到服务器发回的信息，则需解析这些信息以便进一步利用。JSON 是一种常见的用于网络传输的数据交换格式，在这里也被广泛采用。 ```python try: parsed_data = response.json() # 假设服务端返回的是 JSON 数据 except ValueError as e: print(&#39;Failed to parse the returned data:&#39;, str(e)) finally: pass ``` 这段脚本尝试将来自服务器的回答转换成易于操作的形式，如果遇到错误则会给出提示。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Dontla

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值