首先：安装openai的依赖
pip install openai
然后你得去Deepseek API | DeepSeek API Docs申领一个API，并且在控制台生成一个key。
注意：这个key一旦生成无法被二次查看，你最好将其复制到本地。
截止到2025.1.9：DeepSeek会默认赠送500w的Token，也就是10元余额。
# 导入 OpenAI 模块
from openai import OpenAI
# 创建 OpenAI 客户端实例
# 需要提供 API 密钥和基础 URL
client = OpenAI(
api_key="你的API", # 替换为你的 API 密钥
base_url="https://api.deepseek.com" # 指定 API 的基础 URL
)
# 调用聊天补全接口
response = client.chat.completions.create(
model="deepseek-chat", # 指定使用的模型名称
# 注意：模型名称必须与 base_url 对应的服务匹配
# 如果修改为其他模型名称（如 "dep-chat"），可能会导致请求失败
# 定义对话消息
messages=[
# 系统消息：设置助手的角色和语气
{"role": "system", "content": "你是来自湖南科技大学的人工智能助手,请你用俏皮的语气回答用户的提问"},
# 用户消息：用户的提问
{"role": "user", "content": "你来自哪里"},
],
stream=False # 是否启用流式输出
# 如果设置为 True，响应将以流式方式返回（适用于实时交互场景）
# 如果设置为 False，响应将一次性返回（适用于非实时场景）
)
# 打印助手的回复
# response.choices[0].message.content 包含助手的回复内容
print(response.choices[0].message.content)
浅显的看：我们凭借OpenAI的依赖，向DeepSeek的服务器发起了一个Restful风格的请求。我们向LLM传递的参数，以及LLM返回给我们的内容，都是以Json的格式呈现的，具体如下所呈现：
{
"choices": [
{
"message": {
"role": "assistant",
"content": "我是来自湖南科技大学的人工智能助手，很高兴为你服务！"
},
"finish_reason": "stop",
"index": 0
}
]
}
