### 如何通过 Python 接入 DeepSeek 的 API 要通过 Python 调用 DeepSeek 的本地模型 API，可以按照以下方式操作。以下是具体的实现方法以及注意事项。 #### 安装依赖库 为了能够成功调用 DeepSeek 或其他类似的本地模型 API，通常需要安装 `requests` 库来发送 HTTP 请求[^1]。如果尚未安装该库，可以通过运行以下命令完成安装： ```bash pip install requests ``` --- #### 配置 API 地址和参数 DeepSeek 模型通常是基于 Ollama 提供的服务接口运行的。Ollama 默认监听地址为 `http://localhost:11434`，因此可以直接向此 URL 发送请求[^2]。下面是一个基本配置示例： ```python import requests url = "http://localhost:11434/api/generate" headers = {"Content-Type": "application/json"} model_name = "deepseek-r1:8b" # 使用指定的 DeepSeek 模型名称 prompt_text = "你好，世界！" # 输入提示文本 data = { "model": model_name, "prompt": prompt_text, } ``` 上述代码定义了一个基础的 JSON 数据结构用于传递给服务器端处理。 --- #### 实现单次推理请求 对于简单的单次推理任务，只需将数据打包并通过 POST 方法提交到目标 API 即可获得响应结果。如下所示： ```python response = requests.post(url, headers=headers, json=data) if response.status_code == 200: result = response.json() generated_text = result.get("response", "") print(f"生成的结果：{generated_text}") else: error_message = f"请求失败，状态码 {response.status_code}" raise Exception(error_message) ``` 这段代码实现了与 DeepSeek 模型交互的过程，并打印出了由模型生成的内容。 --- #### 多轮对话支持 当希望构建一个多回合对话系统时，则需利用 Ollama 所提供的会话记忆功能。这可通过额外设置参数 `context_id` 来保持上下文一致性。例如： ```python # 初始化第一个请求时不带 context_id 参数 first_data = data.copy() # 基础数据副本 del first_data["context_id"] # 删除可能存在的旧 ID 字段 initial_response = requests.post(url, headers=headers, json=first_data).json() # 获取返回的新创建的 context_id new_context_id = initial_response.get("context_id") # 后续请求携带相同的 context_id 维持连续性 subsequent_data = data.copy() subsequent_data.update({"context_id": new_context_id}) next_prompt = "继续我们的讨论..." subsequent_data["prompt"] = next_prompt second_response = requests.post(url, headers=headers, json=subsequent_data).json() print(second_response.get("response")) ``` 以上展示了如何维持多轮对话中的历史记录以便更自然流畅地交流。 --- #### 注意事项 - **环境准备**：确保已经正确设置了 DeepSeek 和 Ollama 环境，并启动了服务进程。 - **性能优化**：针对大规模应用考虑缓存机制减少重复计算开销。 - **错误处理**：增加异常捕获逻辑提高程序健壮性。 ---