基于DeepSeek大模型实现一个聊天机器人

playboy51job

58人浏览 · 2026-09-07 00:51:45

playboy51job · 2026-09-07 00:51:45 发布

1.1 任务介绍

本任务介绍如何在PC环境下实现人与机器人的对话聊天，通过PC端采集文字问题信息，并将文本通过API传输到DeepSeek大模型进行识别，识别成功以后，将大模型反馈的文字信息合成为语音信息，通过电脑进行语音播报。整个实现流程如下图所示：

1.2 知识储备

1.2.1 DeepSeek大模型介绍

DeepSeek（深度求索）作为我国领先的自主研发大模型企业，由幻方量化孵化培育，专注于通用人工智能（AGI）底层技术研发，以“低成本、高性能、开源普惠”为核心发展特色，在技术创新突破、产业落地应用等方面成效显著，具体情况介绍如下：

（1）DeepSeek公司概况

DeepSeek全称为杭州深度求索人工智能基础技术研究有限公司，于2023年7月正式成立，总部设于杭州。公司创始团队由量化领域专家梁文锋领衔，汇聚了国内外顶尖高校科研人才及国际机构技术专家，核心聚焦大语言模型、多模态技术等底层领域的创新研发。公司以“让机器像人类一样思考”为使命，全力攻坚通用人工智能核心技术，成立初期即获得数亿元天使轮融资，快速搭建超大规模算力集群，为技术研发与成果转化奠定了坚实基础。凭借较强的工程化落地能力，公司在团队规模不足200人的情况下，创造了多项行业标杆成果，已发展成为国产人工智能领域的核心骨干力量。

（2）DeepSeek大模型体系

DeepSeek大模型是公司核心技术产品，于2024年1月发布首代基础模型，经过多轮迭代优化，已形成完整的模型家族，技术水平达到国际领先水准，部分核心能力对标GPT-4o。核心模型系列具体如下：

一是基础模型（V系列）。2024年1月首发DeepSeek-LLM（67B参数），2024年5月推出混合专家架构（MoE）V2版本，2024年12月发布V3版本（671B总参数、37B激活参数），2026年4月推出V4系列（Pro/Flash双版本），该系列支持100万Tokens超长上下文，是全球首个将百万上下文设为标配的大模型。其中，V4-Pro版本面向复杂推理场景，V4-Flash版本主打高效低成本，均采用MIT协议开源，免费开放模型权重，供开发者进行本地部署与二次开发。

二是垂类专用模型。重点覆盖代码、数学、视觉等专业领域，包括DeepSeek-Coder（代码生成领域，性能处于行业领先水平）、DeepSeekMath（数学推理领域，具备较强逻辑分析能力）、DeepSeek-VL（视觉语言多模态领域），可充分满足各专业场景的深度应用需求。

三是推理模型（R系列）。2025年1月发布DeepSeek-R1模型，主打强化推理与科学思考模式，支持140种语言交互，上线7天即登顶全球140个国家应用下载榜，成为首个登顶国际主流市场榜首的中国人工智能产品。

该模型体系核心技术优势突出：采用混合专家架构（MoE），将推理成本降至传统模型的1/10；多头潜在注意力（MLA）技术，使128K长文本显存占用量仅为行业标准的13%；FP8混合精度训练技术，将训练速度提升50%；混合注意力机制，将百万字上下文计算量降至前代模型的27%，算力消耗降低73%。

（3）DeepSeek产品与服务生态

DeepSeek构建了“模型+平台+应用”全栈生态体系，兼顾个人用户（C端）体验与企业用户（B端）落地需求，核心产品与服务如下：

一是C端智能助手。通过官方网页（chat.deepseek.com）及客户端提供对话交互服务，支持思考/非思考模式切换，具备智能问答、文案创作、编程辅助、多语言翻译、长文档分析等核心能力，适配学习、办公、科研等各类场景，以严谨的推理能力和专业的解答服务为核心特色。

二是B端API服务。提供兼容OpenAI格式的API接口，支持V4-Pro/Flash、R1等各类模型调用，新用户注册即赠送免费额度（约10元），可满足个人用户长期使用需求。定价具有极强的市场竞争力，V4-Pro版本叠加限时折扣后，低至0.025元/百万Tokens，创下全球同类产品价格新低；支持JSON输出、工具调用、对话续写等功能，适配智能体开发需求。

三是开源生态。V4系列全系模型采用MIT协议完全开源，免费开放代码及模型权重，支持开发者进行本地部署、二次开发及商业化应用，有效降低了人工智能技术的应用门槛，推动技术普惠普及。

四是行业解决方案。覆盖金融、教育、医疗、科技等多个重点领域，提供定制化模型部署、长文档分析、智能客服、代码开发等一站式服务，助力各类企业以低成本实现人工智能转型发展。

（4）DeepSeek的核心优势与定位

DeepSeek定位为“高性能、低成本、开源化”的通用大模型服务商，核心优势主要体现在三个方面：

一是技术领先。自主研发混合专家架构（MoE）、多头潜在注意力（MLA）等核心架构，具备百万上下文处理、超强逻辑推理、低成本训练等优势，性能对标国际顶尖闭源模型，技术实力处于国内领先水平。

二是成本极致。模型训练成本仅为OpenAI的3%左右，API调用定价处于全球最低水平，且免费额度设置友好，实现了个人用户与中小企业零门槛使用，大幅降低了人工智能技术的应用成本。

三是开源普惠。核心模型完全开源，支持本地部署与商业化应用，有效打破了闭源模型的技术垄断，赋能全球开发者生态建设，推动国产人工智能技术自主创新与普及应用。

与豆包侧重C端全能型体验、依托字节跳动生态布局不同，DeepSeek更聚焦技术底层创新、专业推理能力提升与低成本开源落地，适配科研攻关、编程开发、长文档分析、企业私有化部署等专业场景，与豆包形成差异化互补格局，共同推动我国人工智能产业高质量发展。

（5）DeepSeek和豆包的发展定位不同

DeepSeek（深度求索）以B 端 + 专业领域硬核推理引擎，主打 “技术自主、开源普惠、超长上下文、极致性价比”，面向政务、金融、法律、科研、开发者等专业用户，聚焦复杂逻辑推理、长文档处理、代码生成、数据建模等硬核能力，月活约1.3 亿，以高价值用户为主；而豆包（字节跳动）以C 端国民级全能 AI 助手，主打 “生活化、多模态、高易用、生态化”，面向大众用户，覆盖日常问答、内容创作、语音交互、图文视频生成、生活服务等全场景，依托字节生态（抖音、剪映等）快速渗透，月活超3.4 亿。

对比维度	豆包	DeepSeek
推理能力	日常对话强，复杂长链推理弱，幻觉率约 4%	数学 / 逻辑 / 代码推理国内顶尖，AIME 数学竞赛正确率87.5%，代码通过率89%
上下文窗口	主流10 万 Token，满足日常办公	标配 100 万 Token，一次性处理百万字文档（如政策汇编、行业白皮书）
多模态能力	全模态领先：文生图 / 视频、方言语音、老照片修复、短视频脚本生成	以文本为核心，多模态偏弱，专注文档解析与推理
部署与安全	公有云为主，私有化成本高	全链路国产化适配（华为昇腾芯片），支持内网私有化、本地离线部署，符合政务安全合规要求
成本与开源	免费基础版 + 增值服务，API 定价中等	新用户免费额度充足，V4-Flash API 低至1.25 元 / 百万 Tokens；核心模型 MIT 开源，支持二次开发与商用

1.2.2 相关第三方库

（1）Python requests库

Python requests 是一个常用的 HTTP 请求库，可以方便地向网站发送 HTTP 请求，并获取响应结果。requests模块比urllib模块更简洁。

使用 requests 发送HTTP 请求需要先导入 requests 模块：

import requests

导入后就可以发送HTTP请求，使用requests提供的方法向指定URL发送 HTTP 请求，例如：

# 导入 requests 包
import requests

# 发送请求
x = requests.get('https://www.runoob.com/')

# 返回网页内容
print(x.text)

每次调用 requests 请求之后，会返回一个 response 对象，该对象包含了具体的响应信息，如状态码、响应头、响应内容等：

print(response.status_code)  # 获取响应状态码
print(response.headers)  # 获取响应头
print(response.content)  # 获取响应内容

附加请求参数

发送请求我们可以在请求中附加额外的参数，例如请求头、查询参数、请求体等，例如：

headers = {'User-Agent': 'Mozilla/5.0'}  # 设置请求头
params = {'key1': 'value1', 'key2': 'value2'}  # 设置查询参数
data = {'username': 'example', 'password': '123456'}  # 设置请求体
response = requests.post('https://www.runoob.com', headers=headers, params=params, data=data)

（2）Python pywin32库

pywin32 是 Windows 专属的 Python 扩展库，作用是让 Python 能直接调用 Windows 原生 API 与 COM 组件，实现系统控制、Office 自动化、窗口 / 键鼠模拟、服务 / 注册表管理等深度操作。使用前需要先安装pywin32模块：

pip install pywin32

安装完成后，你的代码import win32com.client就可以正常使用了。

import win32com.client #Windows自带语音库
# 创建语音播报对象（使用Windows自带的SAPI语音）
speaker = win32com.client.Dispatch("SAPI.SpVoice") 
# 播报文字
speaker.Speak("你好，这是Windows自带的语音播报")

1.3 任务要求

1.能够注册和登录DeepSeek。

2.能够创建并获取DeepSeek API key。

3.能够撰写前端代码和DeepSeek大模型进行交互。

4.能够理解数据链路：将输入的文本传送给DeepSeek大模型->DeepSeek大模型反馈的文本进行流式输出->同时将输出的流式文本解析并合成为音频进行播报。

1.4 任务准备

•Vmware虚拟机

•电脑（Windows 10）

•DeepSeek云账号

1.5 任务实施

1.5.1 注册并登录DeepSeek

登录网址如下：

DeepSeekJoin DeepSeek API platform to access our AI models, developer resources and API documentation.https://platform.deepseek.com/sign_in

通过手机号进行注册和登录。

可以充值10元，获取一定的token数。

1.5.2 创建并获取API key

点击进入API keys,如下图所示：

点击创建API key,如下图所示：

可以创建多个API key，如下图所示：

API key只显示一次，请注意保存，本任务的API key为：

sk-b73fc242292f49dcb713374086c28bd4

1.5.3 任务测试

在Jupyter中输入以下代码，命名为talk_to_deepseek_llm，意思是跟大语言模型进行聊天。注意，要将API_KEY,MODEL_NAME，API_URL赋值到python测试程序中。

更多详情信息请查看deepseek开发文档，网址为：https://api-docs.deepseek.com/

请求代码示例：

# -*- coding: utf-8 -*-
# 导入所需库
import win32com.client  # Windows 自带语音库
import requests         # 发送网络请求
import json             # 处理 JSON 数据格式

# ======================================================
# 配置区：改成你的 DeepSeek 信息
# ======================================================
DEEPSEEK_API_KEY = "sk-b73fc242292f49dcb713374086c28bd4"  # 你的 DeepSeek API Key
'''
# 常用
deepseek-v4-flash
deepseek-v4-pro
deepseek-chat (to be deprecated on 2026/07/24)
deepseek-reasoner (to be deprecated on 2026/07/24)
'''
MODEL_NAME = "deepseek-v4-pro"                                         
API_URL = "https://api.deepseek.com/v1/chat/completions"          # DeepSeek 接口地址

# ======================================================
# 初始化语音引擎（Windows 自带 SAPI，稳定）
# ======================================================
speaker = win32com.client.Dispatch("SAPI.SpVoice")

def speak(text):
    """让电脑朗读一段文字"""
    speaker.Speak(text)

def chat_with_deepseek(history):
    """调用 DeepSeek API，返回回复文字"""
    headers = {
        "Authorization": f"Bearer {DEEPSEEK_API_KEY}",
        "Content-Type": "application/json; charset=utf-8"
    }

    payload = json.dumps({
        "model": MODEL_NAME,
        "messages": history,
        "temperature": 0.7,
        "max_tokens": 1024
    }, ensure_ascii=False).encode("utf-8")

    try:
        resp = requests.post(API_URL, headers=headers, data=payload, timeout=30)
        js = resp.json()

        if "error" in js:
            return f"服务器错误：{js['error']['message']}"

        contents = js["choices"][0]["message"].get("content", "")
        return contents.strip() or "没有获取到回复"

    except Exception as e:
        return f"请求失败：{str(e)}"

def ask(your_name, ai_name, history):
    q = input(f"\n{your_name}：").strip()
    if q == "0":
        return False

    speak(q)
    history.append({"role": "user", "content": q})

    print("（正在思考中...）")
    ans = chat_with_deepseek(history)

    print(f"\n{ai_name}：{ans}")
    speak(ans)

    history.append({"role": "assistant", "content": ans})
    return True

def main():
    print("=" * 40)
    print("    欢迎使用 DeepSeek 聊天室")
    print("=" * 40)

    your_name = input("请问你的名字：").strip() or "我"
    ai_name = input("请给 AI 取个名字：").strip() or "DeepSeek"

    history = [
        {"role": "system", "content": "你是一个聊天助手，回答要简洁，问什么答什么，就像聊天一样，不要做多余介绍，不要用编号列表。"}
    ]

    print(f"\n{ai_name}：你好，{your_name}！输入 0 退出。")
    speak(f"你好，{your_name}")
    print("-" * 40)

    while True:
        if not ask(your_name, ai_name, history):
            print(f"\n{ai_name}：再见，{your_name}！")
            speak(f"再见，{your_name}")
            break

if __name__ == "__main__":
    main()

实验现象如下：

输入你是的聊天名字，比如“vincent”，AI的聊天名字，取名“ai”。接着进行提问，

例如，问题一：明朝第一个皇帝是谁？问题二：上海朋友结婚，一般随礼给多少钱？

这些问题都会上传给DeepSeek大模型来回答，最后返回的文字结果进行显示和语音播报，如下：