<think>我们使用Python来编写一个调用DeepSeek API的接口。DeepSeek是一家提供AI模型服务的公司，我们假设其API类似于OpenAI的API。 由于DeepSeek的具体API文档可能有所不同，这里我们以通用的方式实现。通常，我们需要以下几个步骤： 1. 导入必要的库，如`requests`用于发送HTTP请求。 2. 设置API密钥和端点（URL）。 3. 构建请求的头部（headers）和载荷（payload）。 4. 发送POST请求并处理响应。 假设DeepSeek的API调用方式如下： - 端点：https://api.deepseek.com/v1/chat/completions - 请求头：需要包含Authorization（Bearer + API Key）和Content-Type - 请求体：JSON格式，包含模型名称、消息列表等。 我们按照这个假设来编写代码。注意：你需要替换成你自己的API密钥。 我们将创建一个函数，它接受用户的消息，并返回模型的回复。 由于我们不知道DeepSeek API的详细参数，这里参考OpenAI的格式，一般包括： - model: 模型名称，比如"deepseek-chat" - messages: 一个消息列表，每个消息是一个字典，包含"role"和"content" 步骤： 1. 设置API密钥和URL。 2. 构建请求头。 3. 构建请求数据。 4. 发送请求。 5. 解析响应并返回内容。 注意：异常处理也很重要，我们会添加基本的异常处理。 下面我们来实现这个接口： </think> 下面我将为您实现一个调用 DeepSeek API 的 Python 接口。DeepSeek 是一个提供 AI 模型服务的平台，其 API 调用方式与 OpenAI API 类似。 ### 解决方案 #### 1. 准备工作 1. 获取 DeepSeek API 密钥：登录 [DeepSeek 官网](https://platform.deepseek.com/) 创建账户并获取 API Key 2. 安装必要依赖：`pip install requests` #### 2. 接口实现代码 ```python import requests import json class DeepSeekAPI: def __init__(self, api_key, model="deepseek-chat", base_url="https://api.deepseek.com/v1"): """ 初始化 DeepSeek API 客户端 参数: api_key: DeepSeek API 密钥 model: 使用的模型 (默认: deepseek-chat) base_url: API 基础地址 """ self.api_key = api_key self.model = model self.base_url = base_url self.headers = { "Authorization": f"Bearer {api_key}", "Content-Type": "application/json" } def chat_completion(self, messages, temperature=0.7, max_tokens=2000, stream=False): """ 调用聊天补全接口 参数: messages: 消息列表，格式示例: [ {"role": "system", "content": "你是一个编程助手"}, {"role": "user", "content": "解释Python的装饰器"} ] temperature: 生成文本的随机性 (0-2) max_tokens: 生成的最大 token 数 stream: 是否使用流式响应 返回: API 响应 (字典格式) """ endpoint = f"{self.base_url}/chat/completions" payload = { "model": self.model, "messages": messages, "temperature": temperature, "max_tokens": max_tokens, "stream": stream } try: response = requests.post( endpoint, headers=self.headers, data=json.dumps(payload) ) response.raise_for_status() # 检查HTTP错误 return response.json() except requests.exceptions.RequestException as e: print(f"API请求失败: {e}") return None def extract_response_content(self, api_response): """ 从API响应中提取内容 参数: api_response: chat_completion 返回的响应 返回: 助手回复内容 (字符串) """ if not api_response or "choices" not in api_response: return "未获取到有效响应" return api_response["choices"][0]["message"]["content"].strip() # 使用示例 if __name__ == "__main__": # 替换为你的实际API密钥 API_KEY = "sk-your-api-key-here" # 创建客户端 deepseek = DeepSeekAPI(api_key=API_KEY) # 构建对话消息 messages = [ {"role": "system", "content": "你是一个编程专家"}, {"role": "user", "content": "解释Python中的生成器表达式"} ] # 调用API response = deepseek.chat_completion(messages) if response: # 提取并打印回复 reply = deepseek.extract_response_content(response) print("DeepSeek 回复:") print(reply) else: print("API调用失败") ``` ### 代码解释 #### 1. 类结构 `DeepSeekAPI` - **`__init__` 方法**: - 初始化 API 密钥、模型和请求头 - 设置默认模型为 `deepseek-chat` - 自动生成包含认证信息的请求头 #### 2. 核心方法 `chat_completion` - **功能**：发送聊天请求到 DeepSeek API - **参数**: - `messages`: 对话历史列表（包含角色和内容） - `temperature`: 控制生成随机性（0=确定性，2=高随机性） - `max_tokens`: 限制生成内容长度 - `stream`: 是否使用流式传输（适合长内容） - **实现**: - 构建符合 DeepSeek API 规范的 JSON 负载 - 发送 POST 请求并处理异常 - 返回原始 JSON 响应 #### 3. 辅助方法 `extract_response_content` - **功能**：从 API 响应中提取助手的文本回复 - **处理逻辑**: - 检查响应有效性 - 提取第一个选择中的消息内容 #### 4. 使用示例 1. 替换 `API_KEY` 为实际密钥 2. 构建对话消息（系统指令 + 用户问题） 3. 调用 API 并打印结果 ### 注意事项 1. **API 密钥安全**：不要将密钥硬编码在代码中，建议使用环境变量 ```python import os API_KEY = os.getenv("DEEPSEEK_API_KEY") ``` 2. **错误处理**：实际生产环境需要更完善的错误处理 3. **速率限制**：DeepSeek API 可能有请求限制，需要处理 429 错误 4. **模型选择**：可尝试不同模型（如 `deepseek-coder` 用于编程任务） ### 高级功能扩展建议 1. 添加异步支持（使用 `aiohttp`） 2. 实现流式响应处理 3. 添加对话历史管理 4. 支持函数调用（如果 API 支持） --- ###