用 Python 一步步实现你的第一个 DeepSeek API 项目
因为这是我们的第一个 Deepseek AI API 项目，项目名称中的“hello”代表无处不在的“Hello World”！该密钥的附加文件中的 API 密钥，而不是直接将整个 API 密钥粘贴到 Python 程序中。指令在请求主体中添加一个名为“message”的字段，其值为一个字符串，稍后将在该字段中指定 LLM 的用户提示。假设您使用的是 VS Code（如果使用其他 IDE，则可能需
分步流程
环境要求：
Python 3.9 或更高版本，Python 友好的 IDE（例如 Visual Studio Code 或类似工具）。
获取 AI 密钥
要运行您自己的 DeepSeek API 项目，您需要一个API 密钥。首先，到DeepSekk官网或者第三方模型平台注册，注册后设置API Key。
“+ 创建新密钥”sk-XXXXX创建一个新的 API 密钥。其中XXXXX是一串较长的字母数字字符串，其中可能包含一些特殊字符，例如短划线和下划线。您稍后需要复制并粘贴此 API 密钥。
设置 Python 项目和虚拟环境
假设您使用的是 VS Code（如果使用其他 IDE，则可能需要采取稍微不同的操作），让我们在左侧的文件目录中创建一个新的项目文件夹api_hello，因为这是我们的第一个 Deepseek AI API 项目，项目名称中的“hello”代表无处不在的“Hello World”！
在文件夹中，我们将添加另外两个文件：main.py和requirements.txt。我们暂时将 Python 文件留空，并将以下内容添加到requirements.txt文件：
|
fastapi
uvicorn
openai
python-dotenv
|
这些是我们需要在运行项目的虚拟环境中安装的库和依赖项。请确保将更改保存在修改后的文件中。
在处理需要多个依赖项的项目时，建议设置虚拟环境，因为它可以隔离依赖项，防止库版本之间的冲突，并在“开发生态系统”中保持一定的秩序。您可以通过以下方式进行设置：
- 按Command + Shift + P打开命令面板。
- 从下拉列表中选择Python:Create Environment ，手动输入，然后选择venv。
- 你可以选择创建新的虚拟环境或选择现有的虚拟环境：对于此类首次创建的项目，我们建议创建虚拟环境。然后，选择合适的 Python 版本（我选择了 Python 3.11）。
- 现在应该提示你选择
requirements.txt之前创建的依赖项并安装列出的依赖项。这非常重要，因为我们的 Python 项目需要 FastAPI、Uvicorn、OpenAI 和 Python-dotenv 才能正常运行。
如果最后一步不起作用，请尝试在 IDE 的终端中运行此命令：
|
pip install fastapi uvicorn openai python-dotenv
|
主 Python 程序
main.py现在是时候通过添加以下代码来填充我们之前创建的空文件了：
|
from fastapi import FastAPI, HTTPException
from pydantic import BaseModel
import os
from openai import OpenAI
from dotenv import load_dotenv
from dotenv import load_dotenv
import os
# IMPORTANT: PASTE YOUR OPENAI API KEY BETWEEN THE "" HERE:
client = OpenAI(api_key="sk-...")
app = FastAPI()
class ChatRequest(BaseModel):
message: str
@app.post("/chat")
async def chat(request: ChatRequest):
try:
completion = client.chat.completions.create(
model="deepseek-chat",
messages=[
{"role": "system", "content": "You are a helpful assistant."},
{"role": "user", "content": request.message}
]
)
return {"response": completion.choices[0].message.content}
except Exception as e:
raise HTTPException(status_code=500, detail=str(e))
@app.get("/")
def root():
return {"message": "Hello, World"}
|
在继续之前，我们先来看看代码的各个部分。相信我，这很简单：
首先，导入必要的库和模块以及os原生库。在本版本的代码中我们不需要它，但如果第一次尝试成功，您可能需要返回 Python 代码并访问存储在项目中包含.venv该密钥的附加文件中的 API 密钥，而不是直接将整个 API 密钥粘贴到 Python 程序中。我们稍后会详细说明这一点。
非常重要的是，在这一行：
|
client = OpenAI(api_key="sk-XXXXX")
|
您必须粘贴之前生成的 API 密钥，具体来说，请sk-XXXXX用您的实际密钥替换字符串，并保留两边的引号。或者，如果您想将 API 密钥存储在单独的文件中，请.venv在项目文件夹中创建一个名为 的文件，并添加：
|
OPENAI_API_KEY=<YOUR KEY GOES HERE>
|
要使用此方法访问密钥，请替换以下指令：
|
client = OpenAI(api_key="sk-XXXXX")
|
有了这个：
|
load_dotenv(dotenv_path=os.path.join(os.path.dirname(__file__), ".env"))
api_key = os.getenv("OPENAI_API_KEY")
print("Loaded API key:", api_key) # Useful for debugging and potential troubleshooting, remove if it works.
if not api_key:
raise RuntimeError("OPENAI_API_KEY not found in environment variables")
|
如果您只是决定将 API 密钥粘贴到 Python 文件代码中，则无需执行最后几个步骤。让我们看一下代码的更多部分：
|
app = FastAPI()
class ChatRequest(BaseModel):
message: str
|
第一条指令基于一个处理请求的 Web API 创建了一个 FastAPI 应用程序实例。第二条指令定义了一个所谓的 Pydantic 模型，FastAPI 利用它来平滑地验证和解析输入或请求，并期望请求主体为 JSON 格式。该message: str指令在请求主体中添加一个名为“message”的字段，其值为一个字符串，稍后将在该字段中指定 LLM 的用户提示。
该程序的主要功能如下：
|
@app.post("/chat")
async def chat(request: ChatRequest):
(...)
|
这是定义 API 的主要逻辑的地方，即通过创建实例来访问 GPT-4 模型、向其发送输入并收集响应。
运行和测试项目
保存 Python 文件，然后点击“运行”图标或python main.py在终端中运行。您还需要在 IDE 终端中运行以下命令（为此，非常重要，请确保您位于项目的正确目录中，并且虚拟环境已激活）：
|
uvicorn main:app --reload --port 8010
|
如果您看到像这样输出一系列“INF0”消息，这是一个好兆头，您的 FastAPI 服务器现在正在运行：
|
INFO: Will watch for changes in these directories: ['<PATH_IN_YOUR_MACHINE>/openai_api_hello']
INFO: Uvicorn running on http://127.0.0.1:8010 (Press CTRL+C to quit)
INFO: Started reloader process [98131] using StatReload
INFO: Started server process [98133]
INFO: Waiting for application startup.
INFO: Application startup complete.
|
现在可以通过以下方式访问该服务 http://127.0.0.1:8010/docs（这里我们使用了端口 8010，但请确保您使用的是正确的端口）。在浏览器中打开此 URL，如果一切顺利，您将看到如下所示的 FastAPI Docs Web 界面：
我们即将迎来整个流程中最激动人心的部分：测试我们的 API 项目！在显示的界面中，点击POST/generate框旁边的箭头将其展开，然后点击“试用”按钮。
在这里，你可以输入自己选择的提示符来向 GPT-4 提问。你必须使用专用的类似 JSON 的参数值来执行此操作，如下所示，方法是替换默认提示符："string"。例如：
点击“执行”按钮后，几秒钟后你可以通过稍微向下滚动来获得响应：
做得好，您的 API 项目现在开始与 Deepseek 的 模型 模型进行对话！
完成第一个项目后，你可能会思考下一步该做什么。后续开发的可能思路包括：使用 React 或 Vue 等技术，或者结合 HTML 与 JavaScript，甚至 Streamlit 来添加前端 UI。改进错误处理流程也是合理的，或者尝试其他模型。
火山引擎开发者社区是火山引擎打造的AI技术生态平台，聚焦Agent与大模型开发，提供豆包系列模型（图像/视频/视觉）、智能分析与会话工具，并配套评测集、动手实验室及行业案例库。社区通过技术沙龙、挑战赛等活动促进开发者成长，新用户可领50万Tokens权益，助力构建智能应用。
更多推荐
25
0- 0
已为社区贡献3条内容
所有评论(0)