保姆级教程：Python调用DeepSeek-v3 API实现多轮对话上下文管理

本教程将手把手教您实现智能对话机器人的上下文记忆功能

一、环境准备

1.1 安装必要库

pip install openai

1.2 获取API密钥

1. 登录DeepSeek官网
2. 创建应用并获取API Key

二、OpenAI 标准调用格式深度解析

作为AI领域的API设计标杆，OpenAI的调用规范已成为行业标准。本部分将深入解析其核心调用逻辑

 2.1请求结构三步曲

# 示例代码框架
from openai import OpenAI

# 1️⃣ 客户端初始化
client = OpenAI(
    api_key="your_key",
    base_url="https://api.deepseek.com"  # DeepSeek定制化接入点
)

# 2️⃣ 请求参数配置
response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[...],  # 核心对话容器
    stream=False      # 流式开关
)

# 3️⃣ 响应对象解析
print(response.choices[0].message.content)

1  实例化客户端，指定大模型的base_url和api_key

2  设置请求参数，其中messages是必填参数，类型是列表，每个列表项由content和role字段组成，有system message, user message, assistant message, tool message四种:

system message: 设置系统消息, 提供对话背景
user message:设置用户对话内容
assistant message： 设置大模型输出内容和使用函数，除了content和role字段外，还有tool_calls字段，是可选的列表类型，指定大模型要调用的函数（比如联网搜索函数，计算器函数等扩展大模型能力）
tool message: 在用户根据assistant的tool_calls内容调用了某个函数后，用户可能还需要再把函数调用结果反馈给大模型，让大模型根据函数调用结果给出最终的总结性的答复。除了content和role字段外，还有tool_call_id字段，表示对指定函数反馈。

对于问答项目，一般只需要system message,user message和assistant message三个字段，tool message一般用于设置大模型调用扩展函数的能力，是开发AI Agent的关键。

3 解析请求返回对象

     非流式调用返回chat completion object(大模型一次性输出全部回答), 包括

id:本次会话唯一标识符
choices: 响应的内容列表, choices列表项中message对象的content字段记录了大模型回答的内容
created: 聊天完成时间
model: 用于聊天的模型
usage: 本次聊天统计请求，包括生成token的数目等

    流式调用(大模型一个词一个词输出， 问答网站的常见形式)返回

三、基础版单轮对话实现

from openai import OpenAI
#初始化客户端，连接OpenAI服务
client = OpenAI(api_key="your_api_key",base_url="https://api.deepseek.com")
question = input("您好，请输入您的问题")
#调用API生成回答
response = client.chat.completions.create(
    #指定模型类型，这里的deepseek-chat 是deepseek-v3.具体模型名称在每个模型的说明文档中都能找到
    model = "deepseek-chat",
    #定义上下文对话
    #role（可选） 角色类型
    # - "system"：设定助手行为（通常在对话开头）
    # - "user"：用户的输入内容（更推荐这里使用）
    # - "assistant"：助手的先前回复
    messages=[
        {"role":"system","content":"你是一个乐于助人的助手"},
        {"role":"user","content":question}
    ],
    temperature=0.7,# 控制随机性 (0.0-2.0)
    max_tokens=500, # 限制生成文本的最大长度
    stream=False    # 是否启用流式传输（逐段接收数据）
)
print(response.choices[0].message.content) # 获取第一个回复内容

补充：

参数名称	类型	必填	作用描述	推荐值范围	示例值	注意事项
temperature	float	否	控制输出的随机性	0.0-2.0	0.7	值越高输出越随机，与top_p二选一
top_p	float	否	核采样阈值，控制输出的多样性	0.0-1.0	0.9	与temperature二选一
max_tokens	integer	否	生成内容的最大token数	1-4096	500	需考虑模型最大限制
stream	boolean	否	是否启用流式响应	true/false	false	启用后需逐块处理响应
n	integer	否	生成多个独立回复	1-5	2	会增加API成本
stop	array	否	遇到指定字符串时停止生成	最多4个字符串	["。","\n"]	对中文建议使用句号
presence_penalty	float	否	惩罚重复主题（正值减少重复）	-2.0-2.0	0.5	适用于长文本生成
frequency_penalty	float	否	惩罚重复用词（正值减少重复）	-2.0-2.0	0.5	与presence_penalty配合使用

四、进阶版多轮对话实现

Messages参数是对话历史和上下文的核心载体。
• 必须是包含消息对象的数组
• 每个消息对象必须包含：
        role：发言者身份（system/user/assistant）
        content：具体内容

from openai import OpenAI
client = OpenAI(api_key="your_api_key",base_url="https://api.deepseek.com")
messages = [
    {"role":"system","content":"你是一个乐于助人的助手，你的名字叫唐包"}
]
while True:
    user_input = input("\n您： ")
    if user_input.lower() in ["quit","exit","退出"]:
        print("感谢您的使用！唐包期待下一次再见")
        break
    #将用户输入添加到消息队列
    messages.append({"role":"user","content":user_input})
    #调用api
    response = client.chat.completions.create(
        model="deepseek-chat",
        messages=messages,
        temperature=0.7,
        max_tokens=500
    )
    ai_response = response.choices[0].message.content
    print(f"\n唐包：{ai_response}")
    #将回复加入消息队列
    messages.append(({"role":"assistant","content":ai_response}))
print("对话结束")

在上述代码中，运用了消息队列

消息队列结构：

[
  {"role": "system", ...},  # 系统指令
  {"role": "user", ...},    # 用户问题1
  {"role": "assistant", ...}, # AI回复1
  {"role": "user", ...}     # 用户问题2
  ......
]

五、实战效果演示

您：今天是2025年4月24日，天气18-25度，晴。今天我想学习大模型相关技术，请帮我写一个学习计划

唐包：好的！以下是一个针对大模型技术的学习计划，结合你的学习目标和今天的日期（2025年4月24日），分为短期（1个月）、中期（3个月）和长期（6个月）三个阶段，内容涵盖基础理论、实践应用和前沿进展。

---

### **大模型技术学习计划（2025年4月-10月）**

#### **一、短期目标（1个月）：打牢基础**
**核心任务**：理解大模型的基本原理、发展历程和关键技术。  
**每日学习时间**：2-3小时  

1. **第一周（4.24-4.30）——理论基础**  
   - **学习内容**：  
     - 大模型的定义与核心概念（Transformer架构、注意力机制）。  
     - 阅读经典论文：  
       - 《Attention Is All You Need》（Transformer原论文）。  
       - 《BERT: Pre-training of Deep Bidirectional Transformers》。  
     - 了解大模型的发展史（从GPT-1到GPT-4、LLaMA、Claude等）。  
   - **实践任务**：  
     - 用Hugging Face库跑通一个简单的BERT或GPT-2 demo（如文本生成或分类）。  

2. **第二周（5.1-5.7）——模型架构与训练**  
   - **学习内容**：  
     - 深入理解Transformer的编码器/解码器结构。  
     - 大模型的训练流程（预训练、微调、提示工程）。  
     - 数据并行、模型并行等分布式训练技术。  
   - **实践任务**：  
     - 在Colab或本地部署一个小型LLM（如TinyBERT），尝试微调自定义数据集。  

3. **第三周（5.8-5.14）——Prompt工程与工具链**  
   - **学习内容**：  
     - Prompt设计技巧（Few-shot、Chain-of-Thought）。  
     - 大模型应用框架（LangChain、LlamaIndex）。  
   - **实践任务**：  
     - 用OpenAI API或开源模型实现一个问答系统。  

4. **第四周（5.15-5.21）——优化与部署**  
   - **学习内容**：  
     - 模型量化（如GGML）、剪枝、LoRA微调等

您：还有几天能放五一？

唐包：关于五一假期的问题：  
2025年五一劳动节是**5月1日（周四）**，根据中国法定节假日安排，通常放假时间为**5月1日至5月5日**（共5天，含调休）。  

今天是**4月24日（周四）**，距离五一假期还有：  
- **7天**（如果不算今天，从4月25日开始计数）。  

你可以这样安排时间：  
1. **本周**：抓紧完成手头工作/学习任务。  
2. **下周**：4月28日-30日可能需要调休上班（具体以国务院通知为准）。  
3. **假期**：5月1日-5日可自由规划！  

如果需要更精确的调休安排，建议查看2025年官方节假日通知。祝你假期愉快，学习计划顺利推进！ 🎉