DeepSeek API 实战从接入到搭建你自己的 AI 助手最近做项目需要接入大模型 API对比了一圈最终选了 DeepSeek。原因很简单便宜、中文效果好、兼容 OpenAI 协议。这篇文章记录我从零接入到搭建一个可用 AI 助手的全过程踩过的坑和最终方案都写出来了。一、为什么要选 DeepSeek选模型之前我列了几个硬性需求中文理解能力要强做的是面向国内用户的产品API 调用成本要低前期不想烧钱兼容 OpenAI 协议方便后续切换上下文窗口要够大需要处理长文档对比了几个主流模型后DeepSeek 是最符合的。模型 输入价格 输出价格 上下文 DeepSeek ¥1/百万token ¥2/百万token 64K GPT-4o ¥15/百万token ¥60/百万token 128K Claude3.5¥18/百万token ¥90/百万token 200K价格差距不是一点半点。对于大多数实际场景DeepSeek 的能力完全够用。二、接入过程DeepSeek 的 API 兼容 OpenAI 格式所以用起来和 OpenAI 几乎一样。1. 获取 API Key去 platform.deepseek.com 注册账号 → 创建 API Key。Key 的格式以sk-开头。2. 基础调用fromopenaiimportOpenAI clientOpenAI(api_keysk-your-key-here,base_urlhttps://api.deepseek.com/v1)responseclient.chat.completions.create(modeldeepseek-chat,messages[{role:system,content:你是一个帮助用户解决问题的助手。},{role:user,content:用 Python 写一个快速排序}])print(response.choices[0].message.content)就这么简单。如果你之前用过 OpenAI 的 API只需要把base_url和api_key换掉就行。3. 流式输出实际产品中不可能等完整响应再展示流式输出是标配streamclient.chat.completions.create(modeldeepseek-chat,messages[{role:user,content:讲一个技术笑话}],streamTrue)forchunkinstream:ifchunk.choices[0].delta.content:print(chunk.choices[0].delta.content,end)这样用户能看到文字一个字一个字出来体验好很多。三、搭建自己的 AI 助手有了 API 后我用 FastAPI 搭了一个简单的 AI 助手后端支持对话历史和流式输出。项目结构ai-assistant/ ├── main.py# FastAPI 服务├── chat.py# 对话逻辑├── config.py# 配置└── requirements.txtconfig.pyimportosfromdotenvimportload_dotenv load_dotenv()DEEPSEEK_API_KEYos.getenv(DEEPSEEK_API_KEY)DEEPSEEK_BASE_URLhttps://api.deepseek.com/v1MODEL_NAMEdeepseek-chatchat.py——核心对话逻辑fromopenaiimportOpenAIfromconfigimportDEEPSEEK_API_KEY,DEEPSEEK_BASE_URL,MODEL_NAME clientOpenAI(api_keyDEEPSEEK_API_KEY,base_urlDEEPSEEK_BASE_URL)classChatSession:def__init__(self,system_promptNone):self.messages[]ifsystem_prompt:self.messages.append({role:system,content:system_prompt})defadd_message(self,role,content):self.messages.append({role:role,content:content})defget_response(self):responseclient.chat.completions.create(modelMODEL_NAME,messagesself.messages,temperature0.7,max_tokens2000)replyresponse.choices[0].message.content self.add_message(assistant,reply)returnreplydefget_stream_response(self):streamclient.chat.completions.create(modelMODEL_NAME,messagesself.messages,streamTrue,temperature0.7)full_responseforchunkinstream:deltachunk.choices[0].delta.contentorfull_responsedeltayielddelta self.add_message(assistant,full_response)main.py——FastAPI 服务fromfastapiimportFastAPIfromfastapi.responsesimportStreamingResponsefrompydanticimportBaseModelfromchatimportChatSession appFastAPI()classChatRequest(BaseModel):message:strsession_id:strdefaultsessions{}app.post(/chat)asyncdefchat(request:ChatRequest):ifrequest.session_idnotinsessions:sessions[request.session_id]ChatSession(system_prompt你是一个有用的AI助手。请用中文回答。)sessionsessions[request.session_id]session.add_message(user,request.message)replysession.get_response()return{reply:reply,session_id:request.session_id}app.post(/chat/stream)asyncdefchat_stream(request:ChatRequest):ifrequest.session_idnotinsessions:sessions[request.session_id]ChatSession(system_prompt你是一个有用的AI助手。请用中文回答。)sessionsessions[request.session_id]session.add_message(user,request.message)returnStreamingResponse(session.get_stream_response(),media_typetext/event-stream)四、几个实战踩坑记录1. 上下文管理一开始我没限制对话历史长度结果聊了几十轮后 token 数爆炸每次请求都又慢又贵。解决方案限制 messages 列表长度超出后丢弃最早的对话。MAX_HISTORY20deftrim_messages(self):iflen(self.messages)MAX_HISTORY:# 保留 system prompt丢弃最早的对话system[mforminself.messagesifm[role]system]history[mforminself.messagesifm[role]!system]self.messagessystemhistory[-MAX_HISTORY:]2. 超时处理DeepSeek API 在高峰期偶尔会响应较慢客户端需要设置超时clientOpenAI(api_keyDEEPSEEK_API_KEY,base_urlDEEPSEEK_BASE_URL,timeout30,# 30秒超时max_retries2# 自动重试2次)3. 错误处理API 调用可能因为各种原因失败需要做好容错try:responseclient.chat.completions.create(...)exceptExceptionase:print(fAPI 调用失败:{e})return抱歉我现在有点忙请稍后再试。用户不关心技术细节给他们一个友好的错误提示就够了。五、成本估算我用这个方案跑了两个月来算算账日均请求约500次 平均每次约800tokens输入输出 日均消耗约 400K tokens 月均消耗约 12M tokens 月均成本约 ¥12按 ¥1/百万token 计算12 块钱一个月能跑一个完整的 AI 助手后端。对比 GPT-4o 同样用量要接近 200 块差距是十几倍。写在最后DeepSeek 是目前性价比最高的中文大模型 API没有之一。如果你在做 AI 相关的产品特别是面向中文用户的场景非常值得一试。接入成本极低——改一行base_url就能从 OpenAI 切过来。先跑起来等规模大了再考虑要不要换更贵的模型。你对 DeepSeek 有什么想了解的欢迎在评论区交流。文章中的代码已脱敏完整项目代码可以在 GitHub 上找到
DeepSeek API 实战从接入到搭建你自己的 AI 助手最近做项目需要接入大模型 API对比了一圈最终选了 DeepSeek。原因很简单便宜、中文效果好、兼容 OpenAI 协议。这篇文章记录我从零接入到搭建一个可用 AI 助手的全过程踩过的坑和最终方案都写出来了。一、为什么要选 DeepSeek选模型之前我列了几个硬性需求中文理解能力要强做的是面向国内用户的产品API 调用成本要低前期不想烧钱兼容 OpenAI 协议方便后续切换上下文窗口要够大需要处理长文档对比了几个主流模型后DeepSeek 是最符合的。模型 输入价格 输出价格 上下文 DeepSeek ¥1/百万token ¥2/百万token 64K GPT-4o ¥15/百万token ¥60/百万token 128K Claude3.5¥18/百万token ¥90/百万token 200K价格差距不是一点半点。对于大多数实际场景DeepSeek 的能力完全够用。二、接入过程DeepSeek 的 API 兼容 OpenAI 格式所以用起来和 OpenAI 几乎一样。1. 获取 API Key去 platform.deepseek.com 注册账号 → 创建 API Key。Key 的格式以sk-开头。2. 基础调用fromopenaiimportOpenAI clientOpenAI(api_keysk-your-key-here,base_urlhttps://api.deepseek.com/v1)responseclient.chat.completions.create(modeldeepseek-chat,messages[{role:system,content:你是一个帮助用户解决问题的助手。},{role:user,content:用 Python 写一个快速排序}])print(response.choices[0].message.content)就这么简单。如果你之前用过 OpenAI 的 API只需要把base_url和api_key换掉就行。3. 流式输出实际产品中不可能等完整响应再展示流式输出是标配streamclient.chat.completions.create(modeldeepseek-chat,messages[{role:user,content:讲一个技术笑话}],streamTrue)forchunkinstream:ifchunk.choices[0].delta.content:print(chunk.choices[0].delta.content,end)这样用户能看到文字一个字一个字出来体验好很多。三、搭建自己的 AI 助手有了 API 后我用 FastAPI 搭了一个简单的 AI 助手后端支持对话历史和流式输出。项目结构ai-assistant/ ├── main.py# FastAPI 服务├── chat.py# 对话逻辑├── config.py# 配置└── requirements.txtconfig.pyimportosfromdotenvimportload_dotenv load_dotenv()DEEPSEEK_API_KEYos.getenv(DEEPSEEK_API_KEY)DEEPSEEK_BASE_URLhttps://api.deepseek.com/v1MODEL_NAMEdeepseek-chatchat.py——核心对话逻辑fromopenaiimportOpenAIfromconfigimportDEEPSEEK_API_KEY,DEEPSEEK_BASE_URL,MODEL_NAME clientOpenAI(api_keyDEEPSEEK_API_KEY,base_urlDEEPSEEK_BASE_URL)classChatSession:def__init__(self,system_promptNone):self.messages[]ifsystem_prompt:self.messages.append({role:system,content:system_prompt})defadd_message(self,role,content):self.messages.append({role:role,content:content})defget_response(self):responseclient.chat.completions.create(modelMODEL_NAME,messagesself.messages,temperature0.7,max_tokens2000)replyresponse.choices[0].message.content self.add_message(assistant,reply)returnreplydefget_stream_response(self):streamclient.chat.completions.create(modelMODEL_NAME,messagesself.messages,streamTrue,temperature0.7)full_responseforchunkinstream:deltachunk.choices[0].delta.contentorfull_responsedeltayielddelta self.add_message(assistant,full_response)main.py——FastAPI 服务fromfastapiimportFastAPIfromfastapi.responsesimportStreamingResponsefrompydanticimportBaseModelfromchatimportChatSession appFastAPI()classChatRequest(BaseModel):message:strsession_id:strdefaultsessions{}app.post(/chat)asyncdefchat(request:ChatRequest):ifrequest.session_idnotinsessions:sessions[request.session_id]ChatSession(system_prompt你是一个有用的AI助手。请用中文回答。)sessionsessions[request.session_id]session.add_message(user,request.message)replysession.get_response()return{reply:reply,session_id:request.session_id}app.post(/chat/stream)asyncdefchat_stream(request:ChatRequest):ifrequest.session_idnotinsessions:sessions[request.session_id]ChatSession(system_prompt你是一个有用的AI助手。请用中文回答。)sessionsessions[request.session_id]session.add_message(user,request.message)returnStreamingResponse(session.get_stream_response(),media_typetext/event-stream)四、几个实战踩坑记录1. 上下文管理一开始我没限制对话历史长度结果聊了几十轮后 token 数爆炸每次请求都又慢又贵。解决方案限制 messages 列表长度超出后丢弃最早的对话。MAX_HISTORY20deftrim_messages(self):iflen(self.messages)MAX_HISTORY:# 保留 system prompt丢弃最早的对话system[mforminself.messagesifm[role]system]history[mforminself.messagesifm[role]!system]self.messagessystemhistory[-MAX_HISTORY:]2. 超时处理DeepSeek API 在高峰期偶尔会响应较慢客户端需要设置超时clientOpenAI(api_keyDEEPSEEK_API_KEY,base_urlDEEPSEEK_BASE_URL,timeout30,# 30秒超时max_retries2# 自动重试2次)3. 错误处理API 调用可能因为各种原因失败需要做好容错try:responseclient.chat.completions.create(...)exceptExceptionase:print(fAPI 调用失败:{e})return抱歉我现在有点忙请稍后再试。用户不关心技术细节给他们一个友好的错误提示就够了。五、成本估算我用这个方案跑了两个月来算算账日均请求约500次 平均每次约800tokens输入输出 日均消耗约 400K tokens 月均消耗约 12M tokens 月均成本约 ¥12按 ¥1/百万token 计算12 块钱一个月能跑一个完整的 AI 助手后端。对比 GPT-4o 同样用量要接近 200 块差距是十几倍。写在最后DeepSeek 是目前性价比最高的中文大模型 API没有之一。如果你在做 AI 相关的产品特别是面向中文用户的场景非常值得一试。接入成本极低——改一行base_url就能从 OpenAI 切过来。先跑起来等规模大了再考虑要不要换更贵的模型。你对 DeepSeek 有什么想了解的欢迎在评论区交流。文章中的代码已脱敏完整项目代码可以在 GitHub 上找到
