6.5 DeepSeek模型API调用与国内大模型适配指南6.5 DeepSeek模型API调用与国内大模型适配指南一

6.5 DeepSeek模型API调用与国内大模型适配指南

本节内容基于《大模型应用开发极简入门：基于GPT-4和ChatGPT（第2版）》第6章「国内模型适配」中的DeepSeek模型开发编写，涵盖API调用、提示适配与实战案例。书中指出，国内用户可替换为DeepSeek等兼容API的模型。

一、国内模型适配背景（书6.4）

书中第6章新增国内模型适配内容，指出：

国内开发者可能因网络访问或合规要求使用国产大模型；书中第6章「国内模型适配」将 DeepSeek 与 Dify 并列，本节侧重 DeepSeek API，6.6 节侧重 Dify 低代码平台
DeepSeek等模型提供与OpenAI兼容的API接口，便于迁移
书中所有模板均兼容GPT-3.5/4，使用前需配置API密钥，国内用户可替换为DeepSeek等兼容API的模型

本节将系统讲解DeepSeek的API调用方式、与OpenAI的差异、提示适配要点及完整实战代码。

二、DeepSeek API与OpenAI的兼容性

2.1 接口兼容

DeepSeek提供与OpenAI Chat Completions 兼容的接口，主要差异为：

项目	OpenAI	DeepSeek
base_url	默认 api.openai.com	api.deepseek.com/v1
api_key	OpenAI Key	DeepSeek Key
model	gpt-3.5-turbo 等	deepseek-chat 等

2.2 参数兼容

messages、temperature、max_tokens等参数与OpenAI一致，多数场景无需修改调用逻辑，仅需切换base_url与api_key。

三、DeepSeek API调用（书6.4 实战）

3.1 基础调用

"""
DeepSeek API 调用示例（基于书6.4国内模型适配）
运行: pip install openai python-dotenv
在.env中配置 DEEPSEEK_API_KEY=your-key
"""

import os
from dotenv import load_dotenv
from openai import OpenAI

load_dotenv()

# 关键：指定 base_url
client = OpenAI(
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    base_url="https://api.deepseek.com/v1"
)

response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[{"role": "user", "content": "你好，请用一句话介绍你自己"}],
    temperature=0.7,
    max_tokens=500
)
print(response.choices[0].message.content)

3.2 多轮对话

与OpenAI相同，维护messages列表即可：

messages = [
    {"role": "system", "content": "你是一个有帮助的AI助手"},
    {"role": "user", "content": "什么是机器学习？"},
]
response = client.chat.completions.create(
    model="deepseek-chat",
    messages=messages,
    temperature=0.7
)
reply = response.choices[0].message.content
messages.append({"role": "assistant", "content": reply})
messages.append({"role": "user", "content": "能举个例子吗？"})
# 继续调用...

四、提示适配（书6.4）

4.1 通用性

书中提示工程模板（角色+上下文+示例+要求）对DeepSeek同样适用。DeepSeek对中文支持良好，多数场景无需特殊调整。

4.2 可能的差异

模型能力：DeepSeek与GPT-4在复杂推理、多模态等方面存在差距，复杂任务可适当简化或增加示例
格式偏好：部分模型对JSON、Markdown等格式的遵循程度不同，可通过少样本强化
敏感内容：不同模型的内容策略不同，需根据实际输出调整

4.3 统一封装便于切换

可将模型调用封装为统一接口，通过配置切换OpenAI/DeepSeek：

def get_client(provider: str = "openai"):
    if provider == "deepseek":
        return OpenAI(
            api_key=os.getenv("DEEPSEEK_API_KEY"),
            base_url="https://api.deepseek.com/v1"
        )
    return OpenAI(api_key=os.getenv("OPENAI_API_KEY"))

def get_model(provider: str) -> str:
    return "deepseek-chat" if provider == "deepseek" else "gpt-3.5-turbo"

client = get_client("deepseek")
model = get_model("deepseek")
response = client.chat.completions.create(model=model, messages=[...])

五、完整实战：基于书中模板的DeepSeek版本

以下代码将书中基础调用、多轮对话、Function Calling思路迁移至DeepSeek（需确认DeepSeek是否支持Function Calling，以官方文档为准）：

"""
DeepSeek 实战：基础调用与多轮对话（基于书6.4与书中代码模板）
运行: pip install openai python-dotenv
"""

import os
from dotenv import load_dotenv
from openai import OpenAI

load_dotenv()
client = OpenAI(
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    base_url="https://api.deepseek.com/v1"
)

def gpt_basic_completion(prompt: str, model: str = "deepseek-chat") -> str:
    """基础调用（与书中gpt_basic_completion结构一致）"""
    try:
        response = client.chat.completions.create(
            model=model,
            messages=[
                {"role": "system", "content": "你是一个专业的AI助手，回答简洁准确"},
                {"role": "user", "content": prompt}
            ],
            temperature=0.7,
            max_tokens=1000
        )
        return response.choices[0].message.content.strip()
    except Exception as e:
        print(f"API调用失败：{e}")
        return None

# 测试
if __name__ == "__main__":
    result = gpt_basic_completion("解释一下什么是RAG技术")
    print(result)

六、其他国内模型

除DeepSeek外，通义千问、文心一言、智谱ChatGLM等也提供兼容或类OpenAI的API。迁移思路类似：

查阅官方文档获取base_url、model、认证方式
替换客户端初始化参数
根据实际效果调整提示与参数

书中 6.4 节「国内模型适配」将 DeepSeek 与 Dify 并列：DeepSeek 侧重 API 级调用与迁移，Dify 侧重低代码搭建。本节完成 API 层适配后，若需快速搭建应用可再结合 6.6 节 Dify；若需代码级控制，则保持本节封装即可。

八、国内部署与合规注意

在国内使用 DeepSeek 等国产模型时，通常无需考虑数据出境问题，适合对数据本地化有要求的场景。部署时注意：（1）API 密钥与请求日志的存储与访问权限需符合企业安全规范；（2）若需与书中第 3 章密钥管理、第 6 章生产部署结合，可将 get_client 与 get_model 的配置收口到统一配置中心或环境变量，便于多环境切换与审计。书中 6.4「国内模型适配」与 6.2「生产级部署」的交叉点即在于：国内模型选型确定后，仍要按生产级标准做网关、监控与密钥管理。

七、小结

本节基于书中第6章「国内模型适配」，系统讲解了DeepSeek的API调用、与OpenAI的兼容性、提示适配及统一封装方式。掌握base_url与model的配置，即可实现多模型切换。下一节将介绍Dify低代码平台搭建LLM应用。

九、与第 2、5 章 API 与 LangChain 的衔接

第 2 章：DeepSeek 的 messages、temperature、max_tokens 与 OpenAI 一致，2.5 多轮对话、2.7 成本与重试的写法可直接复用，仅客户端初始化不同。第 5 章 LangChain：LangChain 的 ChatOpenAI 支持通过 openai_api_base 与 model 指定 DeepSeek 等兼容端点，将本节 base_url 与 model 传入即可在 5.2 链、5.4 RAG、5.6 Agent 中使用国内模型。书中「国内用户可替换为 DeepSeek 等兼容 API 的模型」在本节与 LangChain 配置中均已可落地。与 6.6 Dify 配合时，在 Dify 的模型配置中填入 DeepSeek 的 base_url 与 Key，即可在低代码工作流中直接选用，无需改节点逻辑。

下一节预告：6.6 Dify低代码平台搭建LLM应用完整实战教程