全文速览（复习专用精简版）

本文面向零编程基础的新手，完整讲解如何用 Python 调用 DeepSeek V4 Pro 大模型 API。核心结论可直接背诵复习：

1. DeepSeek V4 Pro 完全兼容 OpenAI 接口规范，使用官方openai Python SDK 即可调用，无需使用 Anthropic 专用库。

2. 接口配置三要素：api_key密钥、https协议、/v1版本路径，三者缺一不可。

3. 消息格式铁则：必须以user角色开头，user与assistant严格交替排列，每条消息固定包含role和content两个字段。

4. 响应取值固定写法：response.choices[0].message.content，同时可通过usage字段查看 token 消耗。

5. 四大实战场景全覆盖：单词翻译函数、少样本情感分类、文本续写生成、可连续对话的命令行聊天机器人。

6. 新手 90% 的报错都来自四类问题：拼写笔误、协议 / 路径错误、消息顺序违规、输出长度限制，对照排查即可快速解决。

---

一、核心概念与 SDK 选型

很多新手会疑惑：调用 DeepSeek 为什么要导入openai库？这是因为 DeepSeek 官方采用了 OpenAI 兼容的接口标准，只要是支持 OpenAI 协议的 SDK 都可以直接对接，不用单独开发新的工具库。

Claude 与 DeepSeek API 核心对应表

原 Claude（Anthropic）概念	DeepSeek V4 Pro 对应写法	作用说明
from anthropic import Anthropic	from openai import OpenAI	导入官方客户端 SDK
client.messages.create()	client.chat.completions.create()	发起对话请求的方法
response.content[0].text	response.choices[0].message.content	获取模型生成的文本内容
input_tokens / output_tokens	prompt_tokens / completion_tokens	统计输入、输出的 token 消耗量
消息必须 user/assistant 交替	规则完全一致，额外支持system角色	构造对话上下文的规则

---

二、基础环境搭建

1. 安装依赖包

只需要两个第三方库：openai负责调用 API，python-dotenv负责安全管理密钥。

pip install openai python-dotenv

2. 配置密钥文件

在代码同级文件夹新建名为.env的文件，写入你的 API 密钥，不要加引号、不要留多余空格：

DEEPSEEK_API_KEY=你的DeepSeek API密钥

3. 初始化客户端

这是所有代码的前置步骤，初始化完成后即可复用客户端发起请求。

from dotenv import load_dotenv
from openai import OpenAI
import os

load_dotenv()
api_key = os.getenv("DEEPSEEK_API_KEY")

client = OpenAI(
    api_key=api_key,
    base_url="https://api.deepseek.com/v1"
)

环境搭建步骤汇总表

步骤序号	操作内容	关键注意事项
1	安装依赖库	确保 pip 可用，国内网络可加清华镜像源加速
2	创建.env文件	文件名必须是.env，不能是.env.txt；和代码放同一文件夹
3	初始化客户端	base_url必须带https和末尾/v1，缺一不可

---

三、消息格式规范

消息列表（messages）是和大模型交互的核心载体，相当于把对话历史按固定格式传给 AI。

1. 基础结构

每条消息是一个字典，必须包含两个字段：

• role：消息角色，只能是user（用户说的话）或assistant（AI 的回复）

• content：消息的具体文本内容

2. 单条消息示例（单轮问答）

response = client.chat.completions.create(
    model="deepseek-v4-pro",
    max_tokens=1000,
    messages=[
        {"role": "user", "content": "Dr Pepper 汽水用了哪些风味？"}
    ]
)
print(response.choices[0].message.content)

3. 多轮对话示例

要让 AI 记住上下文，就把历史对话按顺序放进列表里。

messages = [
    {"role": "user", "content": "你好！今天过得怎么样？"},
    {"role": "assistant", "content": "你好！我状态不错，谢谢关心。今天有什么可以帮你的？"},
    {"role": "user", "content": "能给我讲一个雪貂的冷知识吗？"},
]

消息格式核心规则表

规则项	要求	违规后果
起始角色	第一条消息必须是user	直接报 400 参数错误
角色顺序	user和assistant必须严格交替，不能连续出现相同角色	报参数错误，请求失败
必填字段	每条消息必须同时有role和content	触发必填参数缺失报错
列表格式	整体是列表，内部是字典	语法错误，代码无法运行

---

四、响应对象结构解析

调用 API 后返回的response是一个结构化对象，除了文本内容还包含很多有用的元信息。

核心取值代码

# 获取AI生成的文本（最常用）
reply = response.choices[0].message.content

# 查看token消耗
print(response.usage)

响应字段详解表

字段路径	含义	用途
response.id	本次请求的唯一 ID	排查问题时用于定位请求
response.model	实际响应的模型名称	确认调用的模型是否正确
response.choices[0].message.content	模型生成的文本内容	核心输出，99% 的场景都用这个
response.choices[0].finish_reason	模型停止生成的原因	正常结束为stop，长度不足为length
response.usage.prompt_tokens	输入内容消耗的 token 数	计算费用、控制成本
response.usage.completion_tokens	输出内容消耗的 token 数	计算费用、判断是否被截断
response.usage.total_tokens	本次请求总消耗 token	费用统计

💡 小白记住一句话：拿回复就写response.choices[0].message.content，永远不会错。

---

五、实战案例 1：翻译函数

封装一个通用的翻译函数，传入单词和目标语言即可返回翻译结果，分为基础版和进阶版。

基础版（带固定句式）

def translate(word: str, target_language: str) -> str:
    response = client.chat.completions.create(
        model="deepseek-v4-pro",
        max_tokens=100,
        messages=[
            {
                "role": "user",
                "content": f'把单词"{word}"翻译成"{target_language}"，按这个格式回复:The word "{word}" translated into "{target_language}" is:翻译结果'
            }
        ]
    )
    return response.choices[0].message.content

# 测试
print(translate("hello", "Chinese"))

进阶版（只输出单词，无多余内容）

def translate(word: str, target_language: str) -> str:
    response = client.chat.completions.create(
        model="deepseek-v4-pro",
        max_tokens=50,
        messages=[
            {
                "role": "user",
                "content": f'把单词"{word}"翻译为{target_language}，只输出翻译后的单词，不要任何多余文字'
            }
        ]
    )
    return response.choices[0].message.content.strip()

# 测试
print(translate("chicken", "Italian"))

翻译函数版本对比表

版本	输出效果	特点	适用场景
基础版	带完整句式，如The word "hello" translated into "Chinese" is: 苹果	可读性强，符合教程格式要求	学习演示、格式化输出
进阶版	只返回纯单词，如pollo	简洁干净，可直接用于后续逻辑	程序调用、批量翻译

---

六、新手高频报错与避坑指南

这部分汇总了 90% 新手会遇到的错误，对照排查可快速解决问题。

常见报错排查对照表

报错类型	典型现象	根本原因	修复方案
Missing credentials	初始化客户端时报错，提示缺少密钥	没读到 API 密钥	1. 检查.env文件位置和文件名 2. 确认环境变量名和代码一致 3. 临时直接传入api_key测试
405 Method Not Allowed	发起请求时报 405 错误	base_url配置错误	1. 协议改成https，不能用http 2. 末尾必须加上/v1
NameError: name 'Ture' is not defined	聊天机器人循环报错	布尔值拼写错误	把Ture改成正确的True
属性错误：没有choice属性	取回复时报错	字段名少写了s	改成choices[0]（复数）
属性错误：没有contect属性	取内容时报错	单词拼写错误	改成content（正确拼写）
变量名不一致报错	追加消息时报NameError	列表名单复数混用	全程统一用messages（复数）
输出为空 / 被截断	少样本分类只输出一半	max_tokens设置太小	调大max_tokens，留足冗余空间
消息顺序报错	提示角色违规	连续出现相同角色 / 以 assistant 开头	严格遵循 user→assistant 交替规则，首条必须是 user
语法错误SyntaxError	代码直接标红无法运行	字典用分号分隔、引号冲突	1. 字典键值对用逗号分隔 2. f-string 内外引号错开

---

七、进阶用法

1. 文本续写

预先写好半句话放进assistant角色里，让模型接着往下生成，适合写诗、补全句子。

response = client.chat.completions.create(
    model="deepseek-v4-pro",
    max_tokens=100,
    messages=[
        {"role": "user", "content": "写一句优美的俳句"},
        {"role": "assistant", "content": "春来再花开，"}
    ]
)
print(response.choices[0].message.content)

2. 少样本提示（Few-shot）

在消息列表里放几组 “问题 - 答案” 示例，引导模型按固定格式输出，适合分类、标签提取等场景。

messages = [
    {"role": "user", "content": "我觉得AI配腌黄瓜可能有点过头了，我刚买了个腌黄瓜造型的泳池浮圈"},
    {"role": "assistant", "content": "POSITIVE"},
    {"role": "user", "content": "说真的，谁会吃腌黄瓜啊？这东西也太难吃了！"},
    {"role": "assistant", "content": "NEGATIVE"},
    {"role": "user", "content": "刚试了@PickleCo的新出辣腌黄瓜，我的味蕾都在开心跳舞！仅输出POSITIVE或NEGATIVE"}
]

response = client.chat.completions.create(
    model="deepseek-v4-pro",
    max_tokens=20,
    temperature=0,
    messages=messages
)
print(response.choices[0].message.content)

进阶技巧汇总表

技巧名称	核心作用	实现关键	最佳实践
文本续写	让模型承接指定内容继续生成	预先写入 assistant 消息	适合创作、补全、格式续写
少样本提示	约束输出格式，提升任务准确率	放入 2-3 组示例对话	搭配temperature=0可稳定输出
temperature参数	控制输出随机性	0 = 最稳定，1 = 最发散	分类、提取任务设为 0；创作类设为 0.7-1

---

八、实战案例 2：命令行多轮聊天机器人

最终综合实战：打造一个可以连续对话、自动记住上下文的命令行聊天机器人，输入exit即可退出。

完整代码

def chatbot():
    print("=== DeepSeek 聊天机器人 ===")
    print("输入 exit 退出对话\n")
    messages = []

    while True:
        user_input = input("你:")
        if user_input.lower() == "exit":
            print("对话结束")
            break

        # 把用户消息加入对话历史
        messages.append({"role": "user", "content": user_input})

        # 调用API获取回复
        response = client.chat.completions.create(
            model="deepseek-v4-pro",
            max_tokens=1000,
            messages=messages
        )

        reply = response.choices[0].message.content
        print(f"AI:{reply}\n")

        # 把助手回复加入历史，保留上下文
        messages.append({"role": "assistant", "content": reply})

if __name__ == "__main__":
    chatbot()

聊天机器人核心逻辑表

步骤	功能	代码逻辑
1	初始化	打印欢迎语，创建空的消息列表存储历史
2	接收用户输入	用input()获取用户文字，判断是否退出
3	追加用户消息	把用户输入包装成 user 角色，加入历史列表
4	调用 API	把完整历史传给模型，获取回复
5	展示并保存回复	打印 AI 回复，同时把回复加入历史列表
6	循环往复	回到步骤 2，实现持续多轮对话

---

写在最后

从最简单的单轮问答，到封装函数、进阶技巧，再到完整的多轮聊天机器人，这就是 DeepSeek API 入门的全部核心内容。新手学习时建议按顺序实操：先跑通单轮问答，再写翻译函数，接着尝试少样本和续写，最后完成聊天机器人，遇到报错直接对照第六部分的表格排查即可。