腾讯云DeepSeek API对接微信小程序完全指南

最新推荐文章于 2025-04-14 13:30:00 发布

全栈若城

最新推荐文章于 2025-04-14 13:30:00 发布

阅读量4k

点赞数 60

分类专栏：腾讯云文章标签：腾讯云微信小程序 deepseek api

本文链接：https://blog.csdn.net/qq_33681891/article/details/146493362

版权

腾讯云专栏收录该内容

6 篇文章

订阅专栏

腾讯云DeepSeek API对接微信小程序完全指南

1. 开发环境准备

在开始开发微信小程序与腾讯云DeepSeek API的对接之前，我们需要做好必要的环境准备工作。本章将指导你完成开发环境的搭建，包括安装最新版本的微信开发者工具（IDE），配置小程序的基本信息，如果你习惯于wxml语法的开发，本教程中也会有关于腾讯云AI代码助手插件的安装，需要注意的是本教程对于腾讯云AI代码助手插件 仅停留在安装的的这一步骤，因为我还是习惯于uniapp 的使用。让我们按照以下步骤，一步步完成开发环境的准备工作。

系统架构

1.1 微信开发者工具安装

注意：第一次使用微信开发者工具时，第一步并不是下载微信开发者工具哦! 而是前往小程序后台, 进行注册并完成小程序开发者认证,这一内容本篇不会详细讲解。

关于：微信开发者工具，我们需要点链接选择符合自己电脑版本的ide 进行下载

下载完成之后按照提示进行安装即可

当开发工具安装完成之后，我们首先创建一个空的项目模板如下图所示

1.2 腾讯云AI代码助手配置

腾讯云AI代码助手现已完全集成到微信开发者工具中，配置过程变得更加简便。具体步骤如下：

如上图所示三步帮你安装腾讯云AI 代码助手

点击图中所示的 1(扩展)。
在2(输入框)中输入腾讯云 即可
点击 3 （安装），等待安装完成之后我们就可以体验啦

如下所示，腾讯AI代码助手目前已整合了tencent-deepseek R1模型。开发者可以尽情的体验tencent-deepseek R1模型带来的便捷开发体验了喽~~

1.3 文案生成流程

2. 小程序界面设计

温馨提示：由于本人习惯于uniapp 项目的开发因此本项目使用的是uniapp 来打包运行我们的小程序项目

UI界面如下图所示：

2.1 搭建基础UI界面

我们的UI界面设计简洁，主要包含以下四个核心组件：

关键词输入区：用户通过输入关键词，来觉得接下来文案的主要风格。
类型选择区：用户通过选择公众号，小红书等类型，来觉得文案生成的类型。
结果展示区：用于展示腾讯云DeepSeek API 返回的结果。

运行效果图如下

3. 腾讯云DeepSeek API集成

下面是腾讯云DeepSeek API 最新计费标准，注意自己的token使用哦！

📢 腾讯云DeepSeek API 最新计费标准
🕒 生效时间：2025年2月26日 0时起
DeepSeek 模型价格表

模型类型输入价格输出价格
DeepSeek-R1 0.004元/千token 0.016元/千token
DeepSeek-V3 0.002元/千token 0.008元/千token

📚 详细文档：腾讯云DeepSeek API调用指南

模型类型	输入价格	输出价格
DeepSeek-R1	0.004元/千token	0.016元/千token
DeepSeek-V3	0.002元/千token	0.008元/千token

3.1 API接入配置

关于 DeepSeek API 接口的相关文档可以点击链接进行查看，接下来我们将逐步实现如和配置腾讯云DeepSeek 为我们接下来的开发作准备

创建API KEY

API 使用前提是需要用于一个API KEY ，访问地址：https://console.cloud.tencent.com/lkeap/api 来创建我们的API KEY 如下图所示，点击按钮 创建API KEY 即可，点击查看时可以看到已经创建的 API KEY

编写py代码进行本地请求

我这里用的是Flask 框架，为我们小程序调用DeepSeek API提供接口服务，代码如下：

import os
import logging
from flask import Flask, request, jsonify
from flask_cors import CORS
from openai import OpenAI
from typing import Dict, Any

# 初始化Flask应用
app = Flask(__name__)
CORS(app)  # 启用跨域支持

# 配置日志记录
logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)

# 环境变量配置
OPENAI_CONFIG = {
    "api_key": os.getenv("OPENAI_API_KEY", "sk-pXLyNnk8bdl8zkmFkBIi7KBRiaLTATlmGsr8QfTwek7Zawfk"),
    "base_url": os.getenv("OPENAI_BASE_URL", "https://api.lkeap.cloud.tencent.com/v1")
}

# 初始化OpenAI客户端
client = OpenAI(**OPENAI_CONFIG)


def validate_request(data: Dict[str, Any]) -> tuple:
    """请求参数验证"""
    if not data.get('content'):
        logger.warning("Missing content parameter")
        return False, "Content parameter is required"

    if len(data['content']) > 1000:
        logger.warning("Content length exceeds limit")
        return False, "Content exceeds maximum length of 1000 characters"

    return True, ""


def process_stream_response(stream) -> dict:
    """处理流式响应数据"""
    result = {"reasoning_content": "", "answer_content": ""}

    for chunk in stream:
        if not chunk.choices:
            continue

        delta = chunk.choices[0].delta

        # 使用getattr安全获取属性
        if reasoning := getattr(delta, 'reasoningcontent', None):
            result["reasoning_content"] += reasoning

        if content := getattr(delta, 'content', None):
            result["answer_content"] += content

    return result


@app.route('/deepseekapi', methods=['POST'])
def generate_content():
    """
    处理生成请求
    ---
    parameters:
      - name: body
        in: body
        required: true
        schema:
          type: object
          properties:
            content:
              type: string
    responses:
      200:
        description: 生成结果
      400:
        description: 无效请求
      500:
        description: 服务器错误
    """
    # 请求验证
    data = request.get_json()
    print(data)
    is_valid, message = validate_request(data)
    if not is_valid:
        return jsonify({"error": message}), 400

    try:
        # 创建流式请求
        stream = client.chat.completions.create(
            model="deepseek-r1",
            messages=[{"role": "user", "content": data['content']}],
            stream=True,
            temperature=0.7,  # 添加生成参数
            max_tokens=1000
        )

        # 处理流式响应
        processed_data = process_stream_response(stream)

        # 结果后处理
        processed_data["answer_content"] = processed_data["answer_content"].strip()

        return jsonify(processed_data)

    except Exception as e:
        logger.error(f"API请求失败: {str(e)}", exc_info=True)
        return jsonify({"error": "服务暂时不可用，请稍后再试"}), 500


if __name__ == "__main__":
    app.run(
        host=os.getenv("FLASK_HOST", "0.0.0.0"),
        port=int(os.getenv("FLASK_PORT", 5001)),
        debug=os.getenv("FLASK_DEBUG", "false").lower() == "true"
    )

验证

我们的Flask 框架暴露出来的请求信息如下：

curl --location --request POST 'http://192.168.31.134:5001/deepseekapi' \
--header 'User-Agent: Apifox/1.0.0 (https://apifox.com)' \
--header 'Content-Type: application/json' \
--header 'Accept: */*' \
--header 'Host: 192.168.31.134:5001' \
--header 'Connection: keep-alive' \
--data-raw '{
   content: "请根据以下内容生成500字小红书种草文案：↵关键词：三亚,海边,游泳,拍照↵"
}'

我么通过postman 来测试其连通性，如下图所示

运行服务

postman 数据返回

postman 接口配置示例

我们输入的content内容是：请根据以下内容生成500字小红书种草文案：↵关键词：三亚,海边,游泳,拍照↵, 发送请求查看结果
此时我们的DeepSeek接口的本地调用就已经完成了。

整体来说整个过程还是蛮丝滑的，接下来我们分析一下如和实现小程序的对接。

4. 小程序代码实现

ui 代码层

<template>
    <view class="content">
        <!--   <view class="upload-section">
            <uv-upload
                :fileList="fileList"
                @afterRead="afterRead"
                @delete="deletePic"
                :maxCount="1"
                name="1"
            ></uv-upload>
        </view> -->
        <view class="txtArea">
            <uv-textarea
                v-model="textArea"
                placeholder="请输入关键词,以逗号隔开"
                :height="150"
                :border="'surround'"
                :count="true"
                :maxlength="500"
            ></uv-textarea>
        </view>
        <view class="type-section">
            <uv-radio-group
                v-model="typeValue"
                placement="row"
                @change="handleChangeType"
                :wrap="false"
            >
                <uv-radio
                    v-for="(item, index) in typeOptions"
                    :key="index"
                    :name="item.value"
                    :label="item.text"
                ></uv-radio>
            </uv-radio-group>
        </view>

        <view class="button-section">
            <uv-button
                type="primary"
                text="开始生成"
                @click="startGenerate"
            ></uv-button>
            <uv-button type="info" text="重置" @click="resetForm"></uv-button>
        </view>

        <view class="result-section">
            <uv-loading-icon
                v-if="loading"
                text="文案生成中..."
                mode="circle"
                size="28"
            ></uv-loading-icon>
            <uv-text v-if="resultText" :text="resultText"></uv-text>
        </view>
    </view>
</template>

tip: 关于注释地方会在最下面的附录项进行讲解说明

接口调用方法

     startGenerate() {
            // 1. 判断用户是否上传图片或输入关键词
            if (!this.textArea) {
                uni.showToast({
                    title: "请输入关键词",
                    icon: "none",
                });
                return;
            }

            // 2. 配置prompt提示词
            let prompt = `请根据以下内容生成500字${this.typeText}文案：\n`;

            // 添加关键词内容
            if (this.textArea) {
                prompt += `关键词：${this.textArea}\n`;
            }

            // 添加图片信息
            // if (this.fileList.length > 0) {
            //     prompt += `${this.fileList[0].url}\n`;
            // }

            // 3. 设置加载状态
            this.loading = true;

            // 4. 接口调用
            request({
                url: "/deepseekapi",
                method: "POST",
                data: {
                    content: prompt,
                },
            })
                .then((res) => {
                    console.log("生成成功:", res);
                    this.loading = false;
                    this.resultText =
                        res.answer_content || "文案生成失败,请稍后重试...";
                })
                .catch((err) => {
                    console.error("生成失败:", err);
                    this.loading = false;
                });
        },

此处我们主要实现的事对于提示词的拼接，然后进行接口的调用，需要注意的是，我进行的提示词拼接可能并不是最完美的，具体应用到业务层时还需要微调哦！！

效果演示

如下图所示:

附录

该小程序其实最初的设计是有个图片识别功能，通过识别图片来生成对应的文案，但是目前如果仅使用腾讯云DeepSeek API 是无法实现该功能的，需要结合 大模型知识引擎 中的图片对话或文件对话(实时文档解析+对话) 的接口，通过识别图片内容之后再次调用腾讯云DeepSeek API 来获取对应的文案。

总结

通过本教程，开发者可以快速搭建一个基于腾讯云DeepSeek API的文案生成小程序，为内容创作提供AI助手支持。后续还可以扩展更多功能，如图片识别等高级特性，进一步提升应用的实用性。
uniapp源码访问地址： https://gitcode.com/qq_33681891/txDeepseek