1、推理模型（deepseek-reasoner）（DeepSeek-R1）

  特点：在生成回答内容之前，生成一段思维链，用于提升答案的准确性。

  输出字段中，包含两个内容：reasoning_content （思维链内容） 和 content （模型回答内容）

  注意：思维链内容不能拼接到下一个 messages 中。 如图所示：

1.1 非流式例子

from openai import OpenAI
client = OpenAI(api_key="sk-123456", base_url="https://api.deepseek.com")

# Round 1
messages = [{"role": "user", "content": "天空是什么颜色的?"}]
response = client.chat.completions.create(
    model="deepseek-reasoner",
    messages=messages
)

reasoning_content = response.choices[0].message.reasoning_content
content = response.choices[0].message.content

# Round 2
messages.append({'role': 'assistant', 'content': content})
messages.append({'role': 'user', 'content': "森林呢?"})
response = client.chat.completions.create(
    model="deepseek-reasoner",
    messages=messages
)

  我们首先看看 Round 1 的 reasoning_content 和 content 的值。

  先运行下面代码：

from openai import OpenAI
client = OpenAI(api_key="sk-123456", base_url="https://api.deepseek.com")
# Round 1
messages = [{"role": "user", "content": "天空是什么颜色的?"}]
response = client.chat.completions.create(
    model="deepseek-reasoner",
    messages=messages
)
reasoning_content = response.choices[0].message.reasoning_content
content = response.choices[0].message.content
print(reasoning_content)
print(content)

  结果如下（运行用了46s）：

  再看看后面的代码，后面的代码将前面的 content 内容和新的用户提问添加到 messages 中。

# Round 2
messages.append({'role': 'assistant', 'content': content})
messages.append({'role': 'user', 'content': "森林呢?"})
response = client.chat.completions.create(
    model="deepseek-reasoner",
    messages=messages
)
print(response.choices[0].message.reasoning_content)
print(response.choices[0].message.content)

  结果如下（用时56s）：

1.1.1 总结

  就是将第一个提问输出的结果作为上文，用于给用户下一个问题的提问，还是比较简单的，关键是下面提到的如何进行流式输出。

1.2 流式输出

  因为流式输出的代码在CSDN上介绍很少，所以另起一篇介绍它，将在下一篇中详细介绍流式输出的实现代码，效果中包括思维链的输出效果！