python fastapi调用本地部署的deepseek
创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
Python内容推荐
智能体全栈实战(Python × DeepSeek/智谱AI)
智能体实战手册系列文章配套源代码
基于React前端框架与Python_FastAPI后端框架构建的集成DeepSeek_AI大模型能力的现代化智能时间管理与任务规划Web应用程序_该项目深度融合了DeepSeek.zip
基于React前端框架与Python_FastAPI后端框架构建的集成DeepSeek_AI大模型能力的现代化智能时间管理与任务规划Web应用程序_该项目深度融合了DeepSeek.zip
基于Python + FastAPI + DeepSeek LLM 开发的智能刷题工具 可以把乱糟糟的复习资料(文本)一键转换成可以交互的题库(单选、多选、填空),助你考试轻松过关!(源码)
基于Python + FastAPI + DeepSeek LLM 开发的智能刷题工具。可以把乱糟糟的复习资料(文本)一键转换成可以交互的题库(单选、多选、填空),助你考试轻松过关!(源码) 功能特点 AI 智能解析: 只要粘贴题目文本,AI 自动识别单选、多选、填空题。 三种题型支持: 单选题: 自动判断对错。 多选题: 支持多项选择验证。 填空题: 支持多个空的自动比对。 本地题库管理: 解析后的题目会自动保存,随时回顾。 沉浸式刷题体验: 简洁美观的界面,支持“偷看答案”模式。 简单登录系统: 保护你的私人题库。 技术栈 Backend: Python, FastAPI AI: OpenAI SDK (DeepSeek V3) Frontend: HTML5, Tailwind CSS, JavaScript (SPA)
复现遗传算法考虑储能和可再生能源消纳责任制的售电公司购售电策略(Python代码实现)
内容概要:通过复现基于遗传算法的优化模型,深入研究在同时引入储能系统与满足可再生能源消纳责任制的双重约束下,售电公司购售电策略的制定与优化问题。该资源提供了完整的Python代码实现,旨在帮助读者掌握如何运用智能优化算法解决电力市场中的复杂多约束决策问题,涵盖了从问题建模、目标函数与约束条件设计、遗传算法核心流程实现,到结果可视化与分析的全流程,重点体现了对购电成本最小化、收益最大化及合规性等多重目标的协同优化。; 适合人群:具备一定电力系统基础知识或优化算法基础,对能源经济、智能优化算法在电力市场中应用感兴趣的科研人员、研究生及工程师。; 使用场景及目标:①学习遗传算法在电力市场复杂决策场景中的具体建模与实现方法;②掌握售电公司在多重物理与政策约束条件下购售电策略的完整优化流程;③复现、验证并在此基础上改进相关优化模型,用于自身的科研课题或实际项目研究。; 阅读建议:此资源以代码复现为核心,建议读者在学习过程中务必结合所提供的Python代码与相关的理论背景知识,逐步调试和运行程序,深入理解算法的设计逻辑、参数设置技巧以及模型的构建思路,并尝试在不同场景或参数设置下进行拓展性实验,以巩固学习成果。
【微信小程序毕业设计】Python微信小程序鲜花商城(花店)管理系统(FastAPI+Vue3) 适合python毕业设计 微信小程序毕业设计 完整版 源码+sql脚本+论文 完整版
这个是完整源码 python FastAPI实现 vue 【微信小程序毕业设计】Python微信小程序鲜花商城(花店)管理系统(FastAPI+Vue3) 适合python毕业设计 微信小程序毕业设计 完整版 源码+sql脚本+论文 完整版 数据库是mysql 鲜花消费已经从节日礼品延伸到日常探望、毕业纪念和商务拜访。传统花店依赖店员记库存、手工开单,订单状态不容易同步给顾客,节假日还容易出现超卖和漏单。微信小程序适合作为会员侧入口,管理后台则需要在浏览器中完成商品、订单和经营统计。本文设计并实现微信小程序鲜花商城(花店)管理系统,形成“小程序购物、Vue3运营、FastAPI服务、MySQL存储”的完整方案。 系统使用Python语言和FastAPI框架实现统一接口。会员端采用微信小程序,完成注册登录、分类浏览、购物车、下单支付、收货地址、收藏、浏览记录、评价和个人中心。管理端采用Vue3、Vite、Element Plus、Pinia和ECharts,完成数据统计、分类与鲜花维护、会员启停、订单发货、评价回复、公告发布以及管理员个人中心。身份认证使用JWT,角色分为管理员和会员。数据库名为db_flower_shop,业务表以t_开头,界面日期统一显示为2026-11-02,日期时间统一显示为2026-11-02 17:25:17。 论文按软件工程过程组织。先分析花店业务和两种角色的需求,再给出功能结构、总体架构、实体属性图、实体联系图和关键时序图,然后列出十二张数据表的字段名、字段类型、长度、是否为空和备注,并在系统实现中给出注册登录、购物车、下单、发货和统计等核心代码。测试表明,会员可以从浏览走到确认收货,管理员可以完成日常运营和首页图表查看。系统结构清楚,适合作为本科毕业设计,也可作为中小花店的信息化原型。
【软件测试】Python自动化测试示例
内容概要:本文介绍了基于Python的自动化测试实践,按照单元测试、接口测试到UI测试的层次递进,提供了可直接运行的代码示例。重点推荐使用pytest作为测试框架,并结合requests进行接口请求、Playwright进行UI自动化测试。文章详细展示了如何编写基础单元测试、使用参数化测试覆盖多种输入情况、通过fixture管理测试前置与后置条件,以及利用mock技术模拟外部依赖,如网络请求等,从而提升测试的稳定性和效率。; 适合人群:具备一定Python编程基础,从事软件测试或开发工作的人员,尤其是工作1-3年希望提升自动化测试能力的研发人员。; 使用场景及目标:①掌握pytest框架的核心功能,如断言、参数化、fixture使用;②学会在测试中管理共享资源和模拟外部服务;③构建从单元到UI层的完整自动化测试思路与实践能力; 阅读建议:此资源强调动手实践,建议读者在本地环境中配置相应依赖,逐项运行并调试示例代码,深入理解自动化测试的设计逻辑和技术实现。
DeepSeek-GUI/CodeWhaleSetup
DeepSeek-GUI/CodeWhaleSetup VC2015-2022 安装的时候先安装vc运行库
Claude+Deepseek一键部署脚本
一键部署!避免复杂的安装和环境配置步骤,方便小白极速入门Claude+Deepseek
DeepSeek API 使用指南[可运行源码]
本文介绍了如何通过第三方平台稳定调用 DeepSeek AI 的 API,解决官方服务不稳定的问题。作者程序员鱼皮分享了使用硅基流动和火山引擎两个平台的详细步骤,包括 API 密钥的获取、代码示例的修改和运行。文章还提供了多个主流平台的对比表格,帮助用户根据需求选择合适的服务。此外,作者推荐了更多编程学习资源和 AI 知识库,供读者进一步学习和探索。
Codex接入DeepSeek排障[项目源码]
本文记录了将OpenAI Codex接入DeepSeek API时遇到的502 Bad Gateway错误及其完整排查过程。作者首先尝试通过CC Switch工具配置代理,但发现协议不兼容问题。随后通过抓包分析发现Codex实际发送的模型名与配置不符,导致DeepSeek API无法识别。最终解决方案包括部署一个桥接代理进行协议翻译和模型名映射,成功解决了问题。文章详细介绍了排查步骤、关键发现和最终解决方案,为遇到类似问题的开发者提供了宝贵参考。
Ollama本地大模型部署[可运行源码]
本文详细介绍了如何使用Ollama在本地部署开源大模型(如Llama 3.3、Qwen 2.5等),并结合Python实现API调用、流式输出、多轮对话等功能。文章从为什么要在本地部署大模型开始,分析了数据隐私与安全、成本优势、定制化能力和离线可用等核心优势。随后详细讲解了Ollama的安装方法(包括Windows、macOS和Linux系统),特别提供了针对国内网络环境的加速方案。文章还包含了Python集成Ollama的完整示例代码,涵盖基础对话、流式输出、多轮对话管理和高级参数调整等实用功能。最后通过一个实战项目演示了如何构建功能完整的本地AI助手,并提供了常见问题的解决方案。
Ollama本地大模型指南[源码]
本文详细介绍了Ollama作为本地大模型的“平替神器”,从入门到实战的全面指南。Ollama的设计理念类似于Docker,用户只需一句命令即可在本地运行大模型,无需复杂的环境配置。文章涵盖了Ollama的安装方法、支持的模型类型(如Llama3、Qwen、DeepSeek等)、Python API调用方式以及如何自定义模型(Modelfile)。此外,还提供了三分钟安装与运行方法(Windows/Mac/Linux)、一行命令拉取并启动本地模型的技巧,以及Python如何调用Ollama进行推理的示例代码。对于进阶用户,文章还介绍了如何通过Modelfile对模型进行微调,使其更符合特定需求。
本地AI知识库搭建[项目源码]
本文详细介绍了如何从零开始搭建一个本地AI知识库系统,使用DeepSeek大模型和ChromaDB向量数据库。文章首先解释了本地AI知识库的必要性,如解决公司内部文档搜索困难、学习笔记分散等问题。接着详细讲解了技术选型,包括DeepSeek大模型、ChromaDB向量数据库、LangChain框架和bge-large-zh-v1.5中文向量模型。然后分步骤指导了环境准备、依赖安装、本地DeepSeek模型部署、向量数据库搭建和文档处理。最后实现了问答功能,并提供了交互式命令行界面。文章还包含进阶优化建议、常见问题解答和项目结构总览,为读者提供了一个完整的本地AI知识库解决方案。
这是一个自动化的AI开源项目新闻汇报工具,可以抓取GitHub和Hugging Face上的热门和最新项目,使用DeepSeek.zip
这是一个自动化的AI开源项目新闻汇报工具,可以抓取GitHub和Hugging Face上的热门和最新项目,使用DeepSeek.zip
DeDeClaw 可以雇佣多个AI员工帮你打工!24小时给你疯狂干活!支持自定义Agent。可以和AI拉群,吩咐他们自动工作,并.zip
2026 年编程导航 AI 编程实战新项目,基于 Vue 3 + FastAPI + yt-dlp + DeepSeek + Stripe 的 AI 万能视频下载总结器,支持 1800+ 平台视频下载、AI 视频总结摘要、思维导图生成、AI 问答、字幕导出、Stripe 国…
重要提示:目前还很不完善,仅能保证在 mac 上通过手动运行 main.py 来运行程序。您必须主动安装 requirement.zip
2026 年编程导航 AI 编程实战新项目,基于 Vue 3 + FastAPI + yt-dlp + DeepSeek + Stripe 的 AI 万能视频下载总结器,支持 1800+ 平台视频下载、AI 视频总结摘要、思维导图生成、AI 问答、字幕导出、Stripe 国…
ToonFlow部署使用指南[源码]
ToonFlow是一款由HBAI Ltd开发的免费开源AI短剧创作工具,采用AGPL-3.0协议,定位为全流程自动化短剧工厂,支持从小说到剧本、分镜再到视频的一站式生成。该工具依托多Agent协作技术,确保角色一致性及工业化量产效率,兼容Windows、macOS和Linux系统。部署方法包括直接安装和Docker部署两种方式,适合不同用户需求。使用前需配置文本、图像和视频三类AI模型,支持多种主流模型如豆包大模型、Stable Diffusion等。使用流程涵盖项目创建、小说导入、故事线生成、角色设定、分镜生成和视频合成等步骤。ToonFlow具有全流程自动化、角色一致性好、成本效益高等优势,但也存在硬件要求高、学习曲线陡峭等局限性。2026年实测数据显示,ToonFlow在生成速度、角色一致性和成本控制方面表现优异。最佳实践建议包括硬件配置推荐、模型选择策略和工作流优化。ToonFlow适合个人创作者和小型工作室使用,大型影视公司可将其作为辅助工具。
AIPrescribe3.0_智能体学习报告.md
AIPrescribe3.0_智能体学习报告.md
结合MySQL数据库的RAG知识问答系统
这个是结合了MySQL数据库的一个RAG知识问答系统,用milvus向量数据库储存RAG所需知识,先通过MySQL查找,若无答案,进入RAG系统,具体流程里面有readme文件,使用流程也在里面
BuildingAI 是一款面向AI开发者、AI创业者和先进组织打造的企业级开源智能体搭建平台
BuildingAI 是一款面向AI开发者、AI创业者和先进组织打造的企业级开源智能体搭建平台。通过可视化配置界面(Do It Yourself)零代码搭建具备智能体、MCP、RAG管道、知识库、大模型聚合、上下文工程等原生AI能力,以及用户注册、会员订阅、算力计费等商业闭环能力的原生企业智能体应用。
最新推荐



