雅乐网

我们平时使用的主流大模型（如 DeepSeek、豆包、Gemini 等），都是厂商已经封装好网页或 App 界面。我们输入文字，它们给出回复。

那么，如果我们想脱离现成的网页，自己动手实现一个类似的聊天机器人，该怎么做呢？

其实，各大模型厂商都对外提供了 API（应用程序接口）。我们可以把 API 理解为大模型的“隐藏后门”，通过编写简单的代码向这个后门发送请求，就能把大模型的能力接入到我们自己的程序里。

今天，我们就以 DeepSeek 为例，从零开始跑通这个流程！

第一步：获取大模型的API Key

在使用大模型服务之前，我们需要先去官方平台申请一个身份凭证，这个凭证被称为 API Key。

进入平台：打开 DeepSeek 官网，点击 “API 开放平台”。

创建密钥：进入后台后，点击“API Keys”菜单，创建一个新的密钥。

妥善保存：创建成功后，系统会弹出一个长字符串类似 sk-xxxx...。请务必立刻复制并保存到本地（比如记事本里）。出于安全考虑，这个 Key 往往只完整显示一次，后续它将作为你调用大模型的“通关令牌”。

第二步：理解大模型的对话语言（Messages 格式）

拿到API Key后，我们来看看如何跟大模型“打交道”。打开 DeepSeek 官方文档，我们重点观察它的请求体格式。

发送请求时，最核心的参数是一个名为 messages 的数组（Array）。数组里的每一个元素都是一个对象，包含两个关键字段：

• role (角色)：声明这句话是谁说的。
• content (内容)：具体说话的内容。

在 API 对话中，主要有以下三种角色：

第三步：单轮对话测试（跑通第一行代码）

官方文档提供了现成的 Python 示例代码（你也可以选择其他语言）。我们将代码复制到本地编辑器中，将我们第一步保存的 API Key 填入代码对应的环境变量或配置项中，直接运行。

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ.get('DEEPSEEK_API_KEY'),
    base_url="https://api.deepseek.com")

response = client.chat.completions.create(
    model="deepseek-v4-pro",
    messages=[
        {"role": "system", "content": "You are a helpful assistant"},
        {"role": "user", "content": "Hello"},
    ],
    stream=False,
    reasoning_effort="high",
    extra_body={"thinking": {"type": "enabled"}}
)

print(response.choices[0].message.content)

运行后，我们会得到一个结构丰富的 JSON 格式返回值：

💡 核心返回字段拆解：

• "role": "assistant"：明确告知这一段内容来自大模型。
• "content"：模型的正式回复。如示例中，针对用户“你好，先做一下自我介绍”的请求，模型返回了长段的自我介绍。
• "reasoning_content"：大模型的思考过程（思维链）。这是深度思考模型（如 R1 / v4-pro）特有的字段，记录了模型在吐出最终答案前，在后台进行的逻辑推理。

在代码中如何提取回复？

在 Python 代码中，我们不需要把这一大堆 JSON 全部打印出来。通过下面这行代码，就可以精准抽取出黄色框内的最终文本：

print(response.choices[0].message.content)

取得返回参数里面得choices[0]下面得message的content，也就是日志中黄色框的区域。

🔄 进阶预告：单轮到多轮的质变

通过上面的实验，我们成功让大模型听懂并回复了我们。但聪明的你一定发现了问题：

“现在的对话是‘死’的。输入的消息是我提前硬编码在 messages 里的。而且，如果我接着问它第二个问题，它就会完全忘记上一个问题聊了什么。”

大模型的 API 本身是无状态（Stateless）的，它就像一个患了短暂健忘症的专家，每次请求都是全新的开始。

那么，如何让它拥有记忆，学会在控制台控制实时输入，进行真正连续的多轮对话呢？ 下一节，我们将引入上下文管理（Context Management），真正赋予我们的 Chatbot “持久记忆”！