DeepSeek API 的调用方法与使用示例如下，涵盖了从基础配置到实际应用的全流程。 ## 一、API 调用基础配置 ### 1. 获取 API Key 首先需要在 DeepSeek 平台注册并获取 API 密钥。注册流程通常包括邮箱验证和身份认证，成功后可在控制台找到 API Key [ref_3]。 ### 2. 环境准备与安装 使用 Python 进行 API 调用，需要安装必要的库： ```python # 安装 OpenAI SDK（DeepSeek 兼容 OpenAI 格式） pip install openai # 或者使用 requests 库直接调用 pip install requests ``` ### 3. API 基础信息 DeepSeek API 通常基于 RESTful 设计，使用 HTTP/HTTPS 协议进行通信 [ref_2]。关键参数包括： | 参数 | 说明 | 示例值 | |------|------|--------| | API 端点 | 服务地址 | `https://api.deepseek.com/v1/chat/completions` | | 模型版本 | 指定使用的模型 | `deepseek-chat`、`deepseek-coder` 等 | | API Key | 身份验证密钥 | `sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx` | | Content-Type | 请求格式 | `application/json` | ## 二、Python 调用示例 ### 1. 使用 OpenAI SDK 方式 DeepSeek 兼容 OpenAI API 格式，可直接使用 OpenAI SDK： ```python from openai import OpenAI # 初始化客户端 client = OpenAI( api_key="your-deepseek-api-key", base_url="https://api.deepseek.com/v1" ) # 调用聊天补全接口 response = client.chat.completions.create( model="deepseek-chat", messages=[ {"role": "system", "content": "你是一个专业的助手"}, {"role": "user", "content": "请解释什么是机器学习"} ], temperature=0.7, max_tokens=1000 ) # 提取回复内容 print(response.choices[0].message.content) ``` ### 2. 使用 requests 库直接调用 如果需要更灵活的控制，可以使用 requests 库直接发送 HTTP 请求： ```python import requests import json # API 配置 api_key = "your-deepseek-api-key" api_url = "https://api.deepseek.com/v1/chat/completions" # 请求头 headers = { "Content-Type": "application/json", "Authorization": f"Bearer {api_key}" } # 请求体 payload = { "model": "deepseek-chat", "messages": [ {"role": "user", "content": "写一个Python函数计算斐波那契数列"} ], "temperature": 0.7, "max_tokens": 500 } # 发送请求 response = requests.post(api_url, headers=headers, json=payload) # 处理响应 if response.status_code == 200: result = response.json() content = result['choices'][0]['message']['content'] print(f"AI回复：{content}") # 查看 token 使用情况 usage = result.get('usage', {}) print(f"Token 使用：{usage.get('prompt_tokens')} 输入 + {usage.get('completion_tokens')} 输出") else: print(f"请求失败：{response.status_code}, {response.text}") ``` ## 三、高级参数配置 ### 1. 常用参数说明 下表列出了 DeepSeek API 的核心参数及其作用： | 参数 | 类型 | 默认值 | 说明 | |------|------|--------|------| | `model` | string | 必填 | 指定模型版本，如 `deepseek-chat`、`deepseek-coder` | | `messages` | array | 必填 | 对话消息列表，包含角色和内容 | | `temperature` | float | 0.7 | 控制输出的随机性（0-2），值越高越随机 | | `max_tokens` | integer | 4096 | 生成的最大 token 数 | | `top_p` | float | 1.0 | 核采样参数，控制输出的多样性 | | `stream` | boolean | false | 是否启用流式输出 | | `frequency_penalty` | float | 0.0 | 频率惩罚，降低重复内容 | | `presence_penalty` | float | 0.0 | 存在惩罚，鼓励新话题 | ### 2. 流式输出示例 对于长文本生成，可以使用流式输出以提高响应速度： ```python from openai import OpenAI client = OpenAI( api_key="your-api-key", base_url="https://api.deepseek.com/v1" ) response = client.chat.completions.create( model="deepseek-chat", messages=[ {"role": "user", "content": "详细说明深度学习的基本原理"} ], stream=True, max_tokens=2000 ) # 逐块接收响应 for chunk in response: if chunk.choices[0].delta.content: print(chunk.choices[0].delta.content, end="", flush=True) ``` ## 四、实际应用场景示例 ### 1. 代码生成与解释 ```python def generate_code_explanation(api_key, code_snippet): """生成代码解释""" client = OpenAI(api_key=api_key, base_url="https://api.deepseek.com/v1") response = client.chat.completions.create( model="deepseek-coder", messages=[ {"role": "system", "content": "你是一个专业的编程助手"}, {"role": "user", "content": f"请解释以下代码的功能和工作原理：\n\n{code_snippet}"} ], temperature=0.3 # 较低温度确保解释的准确性 ) return response.choices[0].message.content # 使用示例 code = """ def quicksort(arr): if len(arr) <= 1: return arr pivot = arr[len(arr) // 2] left = [x for x in arr if x < pivot] middle = [x for x in arr if x == pivot] right = [x for x in arr if x > pivot] return quicksort(left) + middle + quicksort(right) """ explanation = generate_code_explanation("your-api-key", code) print(explanation) ``` ### 2. 多轮对话管理 ```python class DeepSeekChatBot: def __init__(self, api_key): self.client = OpenAI(api_key=api_key, base_url="https://api.deepseek.com/v1") self.conversation_history = [] def add_message(self, role, content): """添加消息到对话历史""" self.conversation_history.append({"role": role, "content": content}) def get_response(self, user_input): """获取AI回复""" self.add_message("user", user_input) response = self.client.chat.completions.create( model="deepseek-chat", messages=self.conversation_history, temperature=0.7, max_tokens=1000 ) ai_response = response.choices[0].message.content self.add_message("assistant", ai_response) return ai_response def clear_history(self): """清空对话历史""" self.conversation_history = [] # 使用示例 bot = DeepSeekChatBot("your-api-key") print(bot.get_response("你好，我是小明")) print(bot.get_response("我刚才说了什么？")) # AI会记住上下文 ``` ### 3. 文件上传与处理 某些 DeepSeek API 版本支持文件上传功能 [ref_3]： ```python import base64 def process_file_with_deepseek(api_key, file_path): """处理文件内容""" # 读取并编码文件 with open(file_path, 'rb') as f: file_content = base64.b64encode(f.read()).decode('utf-8') client = OpenAI(api_key=api_key, base_url="https://api.deepseek.com/v1") response = client.chat.completions.create( model="deepseek-chat", messages=[ { "role": "user", "content": f"请分析以下文件内容：{file_content[:5000]}..." # 限制长度 } ] ) return response.choices[0].message.content ``` ## 五、错误处理与最佳实践 ### 1. 完善的错误处理 ```python import time from openai import OpenAI, APIError, RateLimitError def safe_api_call(api_key, prompt, max_retries=3): """带重试机制的API调用""" client = OpenAI(api_key=api_key, base_url="https://api.deepseek.com/v1") for attempt in range(max_retries): try: response = client.chat.completions.create( model="deepseek-chat", messages=[{"role": "user", "content": prompt}], timeout=30 # 设置超时时间 ) return response.choices[0].message.content except RateLimitError: wait_time = 2 ** attempt # 指数退避 print(f"速率限制，等待 {wait_time} 秒后重试...") time.sleep(wait_time) except APIError as e: print(f"API错误：{e}") if attempt == max_retries - 1: raise time.sleep(1) except Exception as e: print(f"未知错误：{e}") return None return None ``` ### 2. Token 使用监控 ```python def calculate_token_cost(usage, price_per_million=0.002): """计算API调用成本""" total_tokens = usage.get('total_tokens', 0) cost = (total_tokens / 1_000_000) * price_per_million return { 'prompt_tokens': usage.get('prompt_tokens', 0), 'completion_tokens': usage.get('completion_tokens', 0), 'total_tokens': total_tokens, 'estimated_cost': f"${cost:.6f}" } # 在API调用后使用 usage = response.usage cost_info = calculate_token_cost(usage) print(f"Token 使用详情：{cost_info}") ``` ### 3. 性能优化建议 1. **批量处理**：对于多个独立请求，考虑批量发送 2. **缓存结果**：对重复查询进行缓存 3. **合理设置参数**：根据需求调整 `temperature` 和 `max_tokens` 4. **监控使用量**：定期检查 token 消耗和费用 [ref_1] ## 六、与其他平台集成 ### 1. 在 N8N 中集成 DeepSeek N8N 作为自动化平台，可以通过 HTTP Request 节点调用 DeepSeek API [ref_6]： ```javascript // N8N 中的 HTTP Request 节点配置示例 const options = { method: 'POST', url: 'https://api.deepseek.com/v1/chat/completions', headers: { 'Authorization': 'Bearer {{$credentials.deepseekApiKey}}', 'Content-Type': 'application/json' }, body: { model: 'deepseek-chat', messages: [ { role: 'user', content: '{{$input.first().json.prompt}}' } ], temperature: 0.7, max_tokens: 500 }, json: true }; return await this.helpers.request(options); ``` ### 2. 本地部署选项 除了云端 API，还可以通过 Ollama 在本地部署 DeepSeek 模型 [ref_5]： ```bash # 安装 Ollama curl -fsSL https://ollama.com/install.sh | sh # 拉取 DeepSeek 模型 ollama pull deepseek-r1:latest # 运行模型 ollama run deepseek-r1 ``` 这种本地部署方式适合对数据隐私要求高或需要离线使用的场景 [ref_5]。 通过上述方法和示例，您可以灵活地在不同场景下调用 DeepSeek API，从简单的对话到复杂的应用集成，都能找到合适的实现方案。