通过python连接Ollama服务，调用本地部署Deepseek模型的API接口，方法步骤详细教学，简单实用，一起来学习吧！！！

前言

本篇文章我将教会大家如何使用python代码调用Deepseek的API接口，实现AI模型的自动化启动，并进行交互式对话。通过该方法大家可以搭建属于自己的AI问答网站或开发AI软件，当然在教学前，我们首先需要在本地部署Deepseek模型，操作非常简单，大家都能学会，这里可以参考下面这篇文章：

windows使用Ollama本地部署Deepseek详细教学

1、基础API调用方法及演示

1.1 环境准备

• 1、启动Ollama服务
  在运行代码前，我们需要保证Ollma处于运行状态，可以通过任务栏图标或任务管理器查看Ollama是否正在运行，若Ollama服务未启动，打开CMD命令行窗口，随意输入一个Ollama命令即可，如下：

  ollama list  # 查看已下载模型
  

• 2、安装requests模块

  pip install requests
  

1.2 同步请求方法

该方法通过同步请求的方式获取模型响应信息，运行代码后程序会暂停，这是因为模型正在生成回答，根据所提问题难度，模型生成回答的时间有所不同，程序运行完毕后，才会显示回答信息。

# 调用模块
import requests

def deepseek_chat(prompt, model):
    # deepseek的API接口链接
    url = "http://localhost:11434/api/generate"
    # 基本请求参数
    payload = {
        "model": model, # 调用的AI模型
        "prompt": prompt, # 输入的对话文本或指令
        "stream": False  # 非流式响应
    }
    print('模型正在生成回复,请稍等...')
    # 向Deepseek模型的API接口发起请求
    response = requests.post(url, json=payload)
    # 获取响应信息，得到模型回复的答案
    answer = response.json()["response"]
    return answer

# 1、向AI进行提问，写出需要询问的问题
prompt = "如何学习Python编程？"
# 2、需要调用的AI模型，根据本地下载的模型，写入模型名称即可
model = 'deepseek-r1:1.5b'
# 3、调用函数，与Deepseek建立响应
answer = deepseek_chat(prompt,model)
# 4、输出模型回复的答案
print("模型回复：\n", answer)

效果演示：

1.2 流式响应方法

该方法的好处就是在运行程序后，可以实时显示模型回复的信息，可以给用户更好的体验。

# 调用模块
import requests
import json

def deepseek_chat(prompt, model):
    # # deepseek的API接口链接
    url = "http://localhost:11434/api/generate"
    # 基本请求参数
    payload = {
        "model": model,  # 调用的AI模型
        "prompt": prompt,  # 输入的对话文本或指令
        "stream": True  # 启用流式响应
    }
    # 向Deepseek模型的API接口发起请求，并实时显示回复信息
    with requests.post(url, json=payload, stream=True) as res:
        for line in res.iter_lines():
            if line:
                chunk = json.loads(line.decode('utf-8'))
                print(chunk.get("response",""),end="", flush=True)

# 1、向AI进行提问，写出需要询问的问题
prompt = "如何学习Python编程？"
# 2、需要调用的AI模型，根据本地下载的模型，写入模型名称即可
model = 'deepseek-r1:1.5b'
# 3、调用函数，与Deepseek建立响应
deepseek_chat(prompt,model)

效果演示：

---

1.3 核心参数说明及效果演示

在前面两个方法中我们使用了三个基本请求参数：model、prompt、stream，这三个参数是必须携带的。除此之外，我们还可以携带一些其它参数，通过调整携带的参数信息，可以使模型的回复富有多样性。

1、参数展示及说明：

参数	类型	说明
model	str	Ollama 中加载的模型名称（必须与部署时使用的名称一致）
prompt	str	输入的提示文本/问题
stream	bool	是否启用流式传输（默认为False，为True 时逐块返回结果，适合实时显示）
temperature	float	控制生成随机性：（0.1-2.0）
num_predict	int	限制生成内容的最大长度（根据模型上下文窗口调整）
top_p	float	核采样参数：（0-1）仅保留累计概率超过此值的候选词（影响输出多样性）
system	str	(可选) 系统级提示，用于定义模型行为（如角色设定）

2、核心参数组合效果

参数组合	适用场景	示例值
低temperature + 低num_predict	事实性回答	temp=0.3, num_predict=512
高temperature + 高num_predict	创意写作	temp=1.2, num_predict=2048
中temperature + 流式传输	实时对话	temp=0.7, stream=True

3、案例演示

案例1：添加高级参数进行对话：

# 调用模块
import requests
import json

def deepseek_chat(prompt, model):
    # # deepseek的API接口链接
    url = "http://localhost:11434/api/generate"
    # 基本请求参数
    payload = {
        "model": model,  # 调用的AI模型
        "prompt": prompt,  # 输入的对话文本或指令
        "stream": True , # 启用流式响应
        # 高级参数（可选）
        "options": {
            "temperature": 1.2, # 生成随机性
            "num_predict": 100, # 最大生成长度
            "top_p": 0.1 # 核采样概率阈值
        },
    }
    # 向Deepseek模型的API接口发起请求，并实时显示回复信息
    with requests.post(url, json=payload, stream=True) as res:
        for line in res.iter_lines():
            if line:
                chunk = json.loads(line.decode('utf-8'))
                print(chunk.get("response",""),end="", flush=True)

# 1、向AI进行提问，写出需要询问的问题
prompt = "如何学习Python编程？"
# 2、需要调用的AI模型，根据本地下载的模型，写入模型名称即可
model = 'deepseek-r1:1.5b'
# 3、调用函数，与Deepseek建立响应
deepseek_chat(prompt,model)

效果展示：（可以看到模型回复的长度限制为了100字）

案例2：添加角色设定，进行对话

# 调用函数
import requests
import json


def deepseek_chat(prompt, system_role):
    # deepseek的API请求链接，注意这里链接相比前面的案例有所不同，后缀为chat
    url = "http://localhost:11434/api/chat"

    # 请求参数
    data = {
        "model": "deepseek-r1:1.5b", # 调用的AI模型
        # 存放角色设定信息的参数
        "messages": [
            {"role": "system", "content": system_role}, # system：表示系统角色，content为角色设定信息
            {"role": "user", "content": prompt} # user：表示用户自己，content为用户输入的问题
        ],
        "stream": False,  # 非流式响应
    }
    print('模型正在生成回复，请稍等...')
    # 发送请求，获取响应信息
    response = requests.post(url,headers={"Content-Type": "application/json"},data=json.dumps(data))
    # 得到响应结果
    result = response.json()
    # 返回模型回复的答案
    return result['message']['content']


if __name__ == "__main__":
    # 1、定义角色设定（示例：程序员角色）
    system_prompt = """你是一个资深程序员，回答需要满足以下要求：
    1. 使用中文回复
    2. 保持专业但易懂的语气
    3. 包含具体实现步骤
    4. 必要时给出代码示例"""

    # 2、用户输入问题
    user_input = "请详细解释如何在Python中实现异步网络请求"

    # 3、调用函数，返回答案
    answer = deepseek_chat(prompt=user_input,system_role=system_prompt,)
    print("模型回复：\n",answer)

效果演示：

---

2、常见问题处理及总结

1. 连接失败：

   • 检查Ollama服务是否运行

   • 确认防火墙允许本地11434端口通信

   • 验证模型名称是否正确

2. 响应质量优化：

   • 调整temperature参数（0.3-0.7适合技术问答）

   • 增加num_predict获取更长回复

   • 在system_prompt中明确格式要求

3. 模型未找到

   • 现象：Error: model ‘deepseek’ not found

   • 解决：确认模型已下载，执行 ollama pull deepseek模型名称

4. 中文输出不稳定

   • 在system_prompt中明确要求：“请始终使用中文回答，避免使用其他语言”

---

总结：
通过以上方法，您可以灵活调用本地DeepSeek模型，建议从简单查询开始逐步尝试高级功能。实际使用时请注意硬件资源限制，复杂任务建议设置num_predict参数控制输出长度。