DeepSeek API接入教程：从零开始调用大模型接口
DeepSeek作为国产大模型中的佼佼者，以其出色的推理能力和极具竞争力的价格吸引了大量开发者。今天我将手把手教你完成DeepSeek API的接入，并在实战中展示如何使用Python调用其强大的语言模型能力。
## 准备工作：获取API密钥
在开始编码之前，你需要完成两件事：
1. 访问DeepSeek官方平台注册账号 2. 在开发者中心创建一个API密钥
获取API密钥后，建议将其保存为环境变量，避免直接硬编码在代码中：
```bash export DEEPSEEK_API_KEY="your-api-key-here" ```
## 安装必要的库
我们使用最流行的`requests`库来进行API调用，如果尚未安装，可以通过pip快速安装：
```bash pip install requests ```
对于更高级的开发体验，也可以考虑使用`openai`库，因为DeepSeek的API接口与OpenAI兼容。
## 基础调用：文本生成
以下是一个最基础的对话补全示例，使用了DeepSeek的V2模型：
```python import requests import json import os
# 从环境变量获取API密钥 api_key = os.getenv("DEEPSEEK_API_KEY")
# DeepSeek API端点 url = "https://api.deepseek.com/v1/chat/completions"
headers = { "Authorization": f"Bearer {api_key}", "Content-Type": "application/json" }
data = { "model": "deepseek-chat", "messages": [ {"role": "system", "content": "你是一个有帮助的AI助手。"}, {"role": "user", "content": "请用Python写一个斐波那契数列函数"} ], "temperature": 0.7, "max_tokens": 500 }
response = requests.post(url, headers=headers, json=data)
if response.status_code == 200: result = response.json() print(result["choices"][0]["message"]["content"]) else: print(f"请求失败: {response.status_code}") print(response.text) ```
## 流式输出：实现打字机效果
对于需要实时响应的场景，流式输出至关重要。DeepSeek API原生支持SSE（Server-Sent Events）：
```python import requests import json
api_key = os.getenv("DEEPSEEK_API_KEY") url = "https://api.deepseek.com/v1/chat/completions"
headers = { "Authorization": f"Bearer {api_key}", "Content-Type": "application/json" }
data = { "model": "deepseek-chat", "messages": [ {"role": "user", "content": "讲一个关于程序员的笑话"} ], "stream": True # 启用流式输出 }
response = requests.post(url, headers=headers, json=data, stream=True)
for line in response.iter_lines(): if line: line = line.decode('utf-8') if line.startswith('data: '): json_str = line[6:] if json_str.strip() != '[DONE]': chunk = json.loads(json_str) content = chunk['choices'][0]['delta'].get('content', '') if content: print(content, end='', flush=True) ```
## 高级用法：函数调用与多轮对话
DeepSeek支持函数调用（Function Calling），这使得它可以与外部工具集成：
```python # 定义可用函数 functions = [ { "name": "get_weather", "description": "获取指定城市的天气信息", "parameters": { "type": "object", "properties": { "city": { "type": "string", "description": "城市名称" } }, "required": ["city"] } } ]
response = requests.post(url, headers=headers, json={ "model": "deepseek-chat", "messages": [ {"role": "user", "content": "今天北京天气怎么样？"} ], "functions": functions })
print(response.json()["choices"][0]["message"]) ```
## 性能优化建议
1. **设置合理的超时时间**：对于非流式请求，建议设置`timeout=30` 2. **使用连接池**：如果并发请求多，使用`requests.Session()`保持连接复用 3. **控制Token消耗**：通过`max_tokens`限制输出长度，避免意外开销
## 接入中的常见问题
- **认证失败**：检查API密钥是否正确，注意Bearer令牌的格式 - **配额超限**：免费账户有速率限制，建议升级或通过中转站使用 - **模型不存在**：确认使用的模型名称（deepseek-chat、deepseek-coder等）是否最新
## 推荐API中转站
如果你希望以更灵活的方式使用DeepSeek及Qwen等大模型，强烈推荐试试 **TokenPocket API中转站** (https://tokenpocket.site)。它聚合了多个主流模型的API，支持按量计费，新用户注册即送免费额度。无需担心单一平台的价格波动或服务中断，一个密钥即可调用多种模型，特别适合开发初期快速验证和原型迭代。
通过本教程，你应该已经掌握了DeepSeek API的基本接入方法。从简单的文本生成到流式输出和函数调用，这些技能将帮助你快速构建基于大模型的应用。动手试试吧，AI的力量就在指尖！