Codex 接入 DeepSeek API：一份接地气的实操指南

写在前面

最近有不少开发者朋友在问，能不能把 DeepSeek 的 API 集成到 Codex 里使用？答案是肯定的。这篇文章就跟大家聊聊具体的操作步骤，全程干货，不整那些花里胡哨的。

先说清楚，这不是什么官方教程，就是我自己踩坑之后的经验分享。如果你也在折腾这事儿，希望能帮你省点时间。

---

一、先搞明白你在做什么

1.1 这两个东西到底是啥

Codex 是 OpenAI 推出的代码生成模型，简单来说就是能帮你写代码的 AI 助手。而 DeepSeek 则是国内团队开发的大语言模型，在代码生成和理解方面表现也不错。

那为什么要把它们接在一起？简单说就是各取所长：

• Codex 在代码补全、自动生成方面很成熟
• DeepSeek 在中文理解、成本方面有优势
• 两者结合可以根据不同场景灵活切换

1.2 接入前你需要知道的

说实话，这个接入过程不算复杂，但有几个前提条件：

1. 你得有编程基础 —— 至少知道什么是 API、怎么调用
2. 准备好两个账号 —— OpenAI 账号和 DeepSeek 账号
3. 有点耐心 —— 配置过程中可能会遇到各种小问题

如果你都 OK，那咱们继续。

---

二、准备工作：把该拿的东西拿到手

2.1 获取 DeepSeek API Key

这是第一步，也是最重要的一步。

操作步骤：

1. 访问 DeepSeek 官网（platform.deepseek.com）
2. 注册/登录你的账号
3. 进入控制台，找到"API Keys"选项
4. 点击"创建新的 API Key"
5. 给这个 Key 起个名字（比如"codex-integration"）
6. 重点：复制并保存好这个 Key —— 它只会显示一次！

安全提醒：

• 不要把 API Key 上传到 GitHub 等公开平台
• 建议使用环境变量存储
• 定期轮换你的 Key

2.2 获取 OpenAI API Key

如果你已经有 OpenAI 账号并且用过 Codex，这一步可以跳过。没有的话：

1. 访问 OpenAI Platform（platform.openai.com）
2. 注册/登录
3. 进入 API Keys 页面
4. 创建新的 Key 并保存

2.3 检查你的开发环境

确保你的机器上已经安装了：

# Python 3.8 或更高版本
python --version

# pip 包管理工具
pip --version

# Git（用于克隆代码）
git --version

---

三、正式接入：一步步跟着做

3.1 创建项目目录

找个合适的地方，新建一个文件夹：

mkdir codex-deepseek-bridge
cd codex-deepseek-bridge

# 创建虚拟环境（推荐）
python -m venv venv
source venv/bin/activate  # Windows 用: venv\Scripts\activate

3.2 安装必要的依赖

我们需要安装几个 Python 库：

pip install openai requests python-dotenv

创建 requirements.txt 文件：

openai>=1.0.0
requests>=2.28.0
python-dotenv>=1.0.0

3.3 配置环境变量

在项目根目录创建 .env 文件：

# .env 文件
OPENAI_API_KEY=sk-your-openai-key-here
DEEPSEEK_API_KEY=sk-your-deepseek-key-here
OPENAI_MODEL=gpt-3.5-turbo
DEEPSEEK_MODEL=deepseek-coder

注意： 实际使用时替换成你真实的 API Key。

3.4 编写核心代码

创建 bridge.py 文件，这是整个项目的核心：

import os
import requests
from openai import OpenAI
from dotenv import load_dotenv

# 加载环境变量
load_dotenv()

class CodexDeepSeekBridge:
    """Codex 和 DeepSeek 的桥接类"""
    
    def __init__(self):
        # 初始化 OpenAI 客户端
        self.openai_client = OpenAI(
            api_key=os.getenv("OPENAI_API_KEY")
        )
        
        # DeepSeek API 配置
        self.deepseek_api_key = os.getenv("DEEPSEEK_API_KEY")
        self.deepseek_api_url = "https://api.deepseek.com/v1/chat/completions"
        
    def call_codex(self, prompt, max_tokens=1000):
        """调用 Codex 生成代码"""
        try:
            response = self.openai_client.chat.completions.create(
                model=os.getenv("OPENAI_MODEL", "gpt-3.5-turbo"),
                messages=[
                    {"role": "system", "content": "你是一个专业的编程助手"},
                    {"role": "user", "content": prompt}
                ],
                max_tokens=max_tokens,
                temperature=0.7
            )
            return response.choices[0].message.content
        except Exception as e:
            return f"Codex 调用失败: {str(e)}"
    
    def call_deepseek(self, prompt, max_tokens=1000):
        """调用 DeepSeek 生成代码"""
        headers = {
            "Content-Type": "application/json",
            "Authorization": f"Bearer {self.deepseek_api_key}"
        }
        
        payload = {
            "model": os.getenv("DEEPSEEK_MODEL", "deepseek-coder"),
            "messages": [
                {"role": "system", "content": "你是一个专业的编程助手"},
                {"role": "user", "content": prompt}
            ],
            "max_tokens": max_tokens,
            "temperature": 0.7
        }
        
        try:
            response = requests.post(
                self.deepseek_api_url,
                headers=headers,
                json=payload
            )
            response.raise_for_status()
            return response.json()["choices"][0]["message"]["content"]
        except Exception as e:
            return f"DeepSeek 调用失败: {str(e)}"
    
    def smart_generate(self, prompt, use_deepseek=True):
        """智能选择模型生成代码"""
        if use_deepseek:
            print("使用 DeepSeek 生成代码...")
            return self.call_deepseek(prompt)
        else:
            print("使用 Codex 生成代码...")
            return self.call_codex(prompt)


# 测试代码
if __name__ == "__main__":
    bridge = CodexDeepSeekBridge()
    
    # 测试 prompt
    test_prompt = "用 Python 写一个快速排序算法"
    
    print("=" * 50)
    result = bridge.smart_generate(test_prompt, use_deepseek=True)
    print(result)
    print("=" * 50)

3.5 测试连接

运行测试代码：

python bridge.py

如果一切正常，你应该能看到 DeepSeek 返回的快速排序代码。

---

四、实战演练：来点真的

理论说完了，咱们来点实际的。下面我举几个常见的使用场景。

场景 1：代码补全

假设你在写一个 Flask 应用，想让 AI 帮你补全路由：

# 创建 test_usage.py
from bridge import CodexDeepSeekBridge

bridge = CodexDeepSeekBridge()

prompt = """
帮我写一个 Flask RESTful API，包含以下功能：
1. GET /users - 获取所有用户
2. POST /users - 创建新用户
3. GET /users/<id> - 获取指定用户
使用 SQLite 数据库
"""

# 用 DeepSeek 生成
code = bridge.call_deepseek(prompt, max_tokens=2000)
print(code)

# 保存到文件
with open("app.py", "w", encoding="utf-8") as f:
    f.write(code)

场景 2：代码解释

遇到看不懂的代码？让 AI 给你解释：

prompt = """
请解释这段代码的工作原理：

def fibonacci(n, memo={}):
    if n in memo:
        return memo[n]
    if n <= 2:
        return 1
    memo[n] = fibonacci(n-1, memo) + fibonacci(n-2, memo)
    return memo[n]
"""

explanation = bridge.call_codex(prompt)
print(explanation)

场景 3：代码优化

已有代码想优化？可以这样玩：

existing_code = """
def find_duplicates(lst):
    duplicates = []
    for i in range(len(lst)):
        for j in range(i+1, len(lst)):
            if lst[i] == lst[j] and lst[i] not in duplicates:
                duplicates.append(lst[i])
    return duplicates
"""

prompt = f"""
优化以下代码，提高性能和可读性：

{existing_code}

要求：
1. 时间复杂度更低
2. 代码更 Pythonic
3. 添加必要的注释
"""

optimized = bridge.call_deepseek(prompt)
print(optimized)

---

五、常见问题与解决方案

Q1：API 调用失败，提示认证错误

原因： API Key 配置不正确或已过期

解决：

• 检查 .env 文件中的 Key 是否正确
• 确认没有多余的空格或引号
• 重新生成一个新的 API Key

Q2：响应速度很慢

可能原因：

• 网络问题（特别是调用 DeepSeek 时）
• 模型负载高
• max_tokens 设置过大

优化建议：

# 添加超时设置
payload["timeout"] = 30

# 使用更小的模型
os.environ["DEEPSEEK_MODEL"] = "deepseek-coder-1.3b"

Q3：生成的代码有 bug

这是正常现象。AI 生成的代码需要人工审查：

• 始终要测试生成的代码
• 不要直接在生产环境使用
• 理解代码逻辑后再集成

Q4：成本如何控制？

建议：

# 设置 token 限制
MAX_TOKENS_PER_REQUEST = 500

# 记录使用情况
import json

def log_usage(model, tokens_used):
    with open("usage_log.json", "a") as f:
        json.dump({
            "model": model,
            "tokens": tokens_used,
            "timestamp": datetime.now().isoformat()
        }, f)
        f.write("\n")

---

六、进阶技巧

6.1 实现模型自动切换

根据任务类型自动选择最合适的模型：

def auto_select_model(self, prompt):
    """根据 prompt 自动选择模型"""
    code_keywords = ["function", "def", "class", "import", "return"]
    
    if any(keyword in prompt.lower() for keyword in code_keywords):
        # 纯代码生成用 DeepSeek
        return self.call_deepseek(prompt)
    else:
        # 通用问题用 Codex
        return self.call_codex(prompt)

6.2 添加缓存机制

避免重复调用，节省成本：

import hashlib
import json
from functools import lru_cache

class CachedBridge(CodexDeepSeekBridge):
    def __init__(self):
        super().__init__()
        self.cache = {}
    
    def _get_cache_key(self, prompt, model):
        """生成缓存键"""
        key_str = f"{model}:{prompt}"
        return hashlib.md5(key_str.encode()).hexdigest()
    
    def call_with_cache(self, prompt, use_deepseek=True):
        """带缓存的调用"""
        model = "deepseek" if use_deepseek else "codex"
        cache_key = self._get_cache_key(prompt, model)
        
        if cache_key in self.cache:
            print("从缓存读取...")
            return self.cache[cache_key]
        
        # 调用 API
        result = self.smart_generate(prompt, use_deepseek)
        
        # 存入缓存
        self.cache[cache_key] = result
        
        return result

---

七、一些个人建议

折腾了这么久，有几点心得想分享给大家：

1. 不要过度依赖
AI 是工具，不是替代品。它生成的代码一定要自己看懂、测试过才能用。

2. 合理选择模型

• 简单代码补全 → DeepSeek（便宜、速度快）
• 复杂架构设计 → Codex（理解能力更强）
• 中文文档 → DeepSeek（中文理解更好）

3. 注意成本控制

• 开发阶段可以用小模型测试
• 生产环境再切换到大模型
• 善用缓存，避免重复调用

4. 保持学习
AI 技术发展很快，今天的好用方案明天可能就被淘汰了。保持好奇心，持续学习。

---

写在最后

这篇文章就到这里。说实话，把两个 AI 模型接起来这事儿本身不复杂，难的是如何在实际项目中用好它们。

希望这份指南能帮到你。如果遇到问题，欢迎在评论区交流。记住，工具只是工具，真正重要的是你用它们创造了什么。

祝编码愉快！ 🚀

---

参考资源

• OpenAI API 文档
• DeepSeek API 文档
• 示例代码 GitHub 仓库（待更新）

---

声明：本文仅用于技术分享，文中提到的所有工具和服务均为其各自所有者的商标。使用时请遵守相关服务条款和法律法规。

最后更新：2026年6月

---