简介：面向自然语言处理领域的开发者，这份围绕DeepSeek API从入门到精通的PDF技术资料，从账号注册、获取API Key到依赖库安装、请求参数配置、请求构建与返回数据处理，覆盖API调用的完整链路，给出明确可循的操作指引。文中结合文本生成、情感分析、代码生成等典型场景展开案例讲解，并针对常见调用问题梳理排错思路，帮助有一定编程基础、希望深入了解API调用机制的研发人员快速上手。内容既适用于快速搭建智能客服系统、内容创作工具，也可为AI在教育、医疗等行业中的落地应用提供技术参考，整体编排循序渐进、注重实战。资源为单个PDF文档，压缩包大小659KB，内容结构紧凑，便于按章节阅读与检索。目前已有2353人学习下载，对于学习大模型API开发与集成的读者具有较高参考价值。1. 先别慌：DeepSeek API到底是什么，能帮你做什么第一次听说 API 这个词时，很多人都把它想象成一个很高深的黑匣子，甚至不敢点开官方文档。其实把 DeepSeek API 想成“给 AI 打电话的方式”就简单了：网页聊天是你对着屏幕打字，API 是你写程序自动拨打的一条电话线。只要你的程序能打通这条电话线，就可以让 AI 帮你生成文章、写代码、做情感分析、当客服。这门课的读者完全不需要有机器学习基础，只要会一点 Python，或者愿意照着代码一步一步敲，就能在半小时左右跑通第一个真实请求。它解决的核心问题只有一个：把大语言模型变成你自己应用里的一个“会说话的零件”。2. 学之前先配好三样东西：账号、API Key 和 Python 环境2.1 注册账号和获取 API Key：第一步其实只有十分钟我第一次学 API 时最怕的就是注册环节，总觉得会卡在某个验证码或者付费页面上。实际走一遍会发现，整个过程比注册一个普通网站还简单：打开官方平台页面，找到右上角的注册按钮，用邮箱加上密码就能创建账号。注册完记得去邮箱里点一下验证链接，激活账号，十分钟内能完成。登录之后，在页面右上角你的头像下拉菜单里找到“API Key”入口。进去以后会看到一个“创建 API Key”的按钮，点一下就生成一串由字母和数字组成的字符串。这串字符串就是你的身份凭证，相当于你调用 DeepSeek API 的“钥匙”。有一点必须记住：这串钥匙只完整显示这一次，关掉页面就再也看不到了。如果你忘了，只能重新生成一把新钥匙，而旧钥匙立刻失效。这里有个血泪经验想提前告诉你：把 API Key 保存到一个专门的笔记文件或者密码管理工具里，千万别直接放在桌面上一个名叫“key.txt”的文件里。我身边就有朋友图省事，把 Key 截图发到工作群里，结果当天额度就被刷爆了。这串 Key 就是你的钱，泄露出去等于别人拿着你的钱包在消费，所以第一个习惯就要养成：妥善保管，不给任何人。2.2 安装 requests 库：pip 一行命令搞定拿到钥匙以后，接下来的事就轻松多了：在你的电脑上准备一个可以发请求的工具。Python 里最常用的 HTTP 库叫requests，它专门负责把你的代码指令打包成 HTTP 请求，发给 DeepSeek 的服务器，再把服务器返回的结果原样带回来。安装方法很简单，打开命令行（Windows 下是命令提示符，Mac 或 Linux 下是终端），输入下面这行命令：pip install requests按回车以后，pip 会从 Python 的官方软件仓库自动下载并安装requests库连同它的依赖项。看到屏幕上出现“Successfully installed requests”的字样，说明装好了。如果你用的是 Python 3，也可以把命令换成pip3 install requests，效果完全一样。安装完成后，你可以在 Python 里输入import requests验证一下，只要不报错，就说明整个环境已经就绪。到这里，账号有了、钥匙有了、发请求的工具也有了，万事俱备，可以开始写第一行真正的调用代码了。2.3 为什么学这个要选 Python：零基础最不容易劝退很多刚上手的新手都会纠结一个问题：听说 API 不限制编程语言，为什么教程里清一色都用 Python？答案很简单：因为 Python 是当前学习成本最低、示例代码最好读懂的语言。它在处理 JSON 格式数据上特别顺手，而 DeepSeek API 的请求和响应正好都是 JSON 格式，两者像拼图一样严丝合缝。另外，Python 社区里围绕 AI 的生态已经非常成熟。你现在写下的这三四十行调用代码，放在三年前可能需要自己封装一堆底层网络逻辑。而现在，requests库把 HTTP 请求、重试、连接超时这些细节全包住了。你只需要关心三件事：往哪里发请求、发送什么内容、拿到结果怎么处理。如果你之前只学过一点点 Python，甚至完全没学过，也没关系。接下来的代码一共就三四十行，没有类和对象，没有复杂的逻辑，全部是“顺序执行”：先设置参数，再发请求，最后打印结果。你不需要成为 Python 高手，只需要能看懂字典这种{“键”: “值”}的写法就够了。我会在每一段代码后面解释每一行在干什么，你跟着敲一遍，比看十遍教程都管用。3. 跑通第一个真实请求：让 AI 回你一句话3.1 先搞懂一个概念：调用 API 的四个零件缺一不可在敲代码之前，先用一个比方理解整个调用的过程。你要给 AI 打电话，需要知道电话号码、你的身份、你要说的话、以及期望对方怎么回应。对应到代码里就是四样东西：第一是基础 URL，也就是 API 的地址。DeepSeek 的对话接口地址是https://api.deepseek.com/chat/completions，这相当于对方的“电话号码”。第二是 API Key，你的身份凭证，证明“我是谁”。第三是 Headers（请求头），它负责告诉服务器：我这里有钥匙，请检查我的身份。第四是 Body（请求体），它承载你真正要说的话，比如“帮我把这段话总结成三点”。这四个零件里面，新手最容易蒙的是 Headers 和 Body 的区别。其实不用把它想复杂：Headers 是贴在快递盒外面的快递单，上面写着寄件人和收件人信息；Body 是盒子里装的东西本身。快递员先看单子核实身份，再拆盒子看内容。服务器收到请求后也会先检查 Headers 里的Authorization字段，接着才读取 Body 里的任务内容。3.2 从零写第一段调用代码：每个字段都拆开讲下面这段代码是完整的“让 AI 回你一句话”的最小示例。我建议你新建一个test.py文件，逐行敲进去，千万别复制粘贴，打字的过程就是记逻辑的过程：import requests # 引入 requests 库，用来发送 HTTP 请求 # 第一步：设置你的 API Key，把星号部分替换成你实际的 Key api_key = "sk-你的API Key" # 第二步：设置 API 地址，这是 DeepSeek 对话接口的固定地址 url = "https://api.deepseek.com/chat/completions" # 第三步：设置请求头，带上你的 Key 和数据类型 headers = { "Authorization": f"Bearer {api_key}", # 格式固定，必须在 Key 前面加上 Bearer 加空格 "Content-Type": "application/json" # 告诉服务器，发送的内容是 JSON 格式 } # 第四步：设置请求体，这是你真正想对 AI 说的话 data = { "model": "deepseek-chat", # 告诉服务器用哪个模型 "messages": [ {"role": "system", "content": "你是一个乐于助人的助手"}, # 设定 AI 的身份 {"role": "user", "content": "请用一句话介绍什么是大语言模型"} # 用户的问题 ] } # 第五步：发送 POST 请求，把数据放到服务器上，等待返回 response = requests.post(url, headers=headers, json=data) # 第六步：检查返回状态码，200 表示请求成功 if response.status_code == 200: result = response.json() # 把返回的 JSON 数据解析成字典 generated_text = result["choices"][0]["message"]["content"] # 一层层找到 AI 的回复 print(generated_text) # 打印 AI 回复的内容 else: print(f"请求失败，状态码：{response.status_code}，错误信息：{response.text}")这段代码里最需要用心理解的是data这个字典的结构。model字段告诉服务器调用哪个模型，deepseek-chat是 DeepSeek 的通用对话模型，适合日常问答和文本生成。messages是一个列表，里面每一项都是一条对话记录。每条记录由role和content组成，role有三个可选值：system用来设定 AI 的角色行为，user代表用户说的话，assistant代表 AI 曾经回复过的话。你可能想问：为什么明明只要问一句话，却要维护一个消息列表？这是因为大语言模型没有“记忆”，它只能从你给的上下文里看。如果你传了一个空的列表，它根本不知道你是谁、你想干嘛。如果你把之前的对话全都加进去，它就能根据上下文连续回答。这个机制稍后还会再讲，现在你只要记住：每次调用，你都在给 AI 递一小撮对话历史。3.3 处理响应：从一大坨 JSON 里捞出真正想要的回复运行刚才那段代码，如果一切正常，屏幕上会打印出 AI 的回复。但很多人第一次看响应的时候会愣住：为什么我只问了一句话，返回回来却是密密麻麻一长串内容？这是正常的。服务器返回的完整数据是一个 JSON 字符串，结构大致是这样：最外层包含一个choices列表，列表里有一个元素，元素里包含message，message里有role和content。content才是 AI 真正回复你的那段文字，其他那些字段如index、finish_reason等等，都是附带信息，告诉你这一次请求的内部状态。所以那句看起来有点绕的取值代码result["choices"][0]["message"]["content"]，其实就是一层层剥洋葱：先取到choices这个列表，再取它的第一项下标 0，再取这一项里的message字典，最后取message里的content字符串。以后你在调试的时候，如果输出结果不对，优先检查是不是层级弄错了，这是 API 调用里最常见的“翻车”现场。3.4 失败时看哪里：状态码是最好的定位线索写代码最怕的就是出错，但 API 调用其实有一点很友好：服务器出错了，会直接告诉你错在哪里，而且是用状态码的方式告诉你。你只需要记住几个最常见的：状态码 200 表示一切正常，请求成功。状态码 401 表示认证出问题，通常是 API Key 不对、少了空格、或者格式写错了。状态码 429 表示你的请求频率太高，超过了每分钟的限制，服务器让你歇一歇。状态码 500 左右的开头，基本是服务器自己的问题，跟你没啥关系，过一会儿再试一次就好。我第一次调通接口的时候，卡在 401 整整半小时，最后发现是复制 API Key 时把末尾的一个空格也复制进去了。这类问题基本是每个人都会踩的坑，后面一章专门来梳理，现在你只要知道：看到状态码别慌，先看它是不是 200，不是的话，对照上面的几种情况先自查一遍，找不到问题再上网查错误信息里的文字说明。4. 三个真实场景示例：文本生成、情感分析、代码生成4.1 场景一：简单文本生成，搭建你随身的文案助手第一个场景最直接，就是把 AI 当成一个免费的文案帮手。比如你想让它帮你想一句朋友圈文案，或者写一段产品介绍，完全可以在刚才的代码基础上，把content换成你的需求，别的什么都不用动。import requests api_key = "sk-你的API Key" url = "https://api.deepseek.com/chat/completions" headers = { "Authorization": f"Bearer {api_key}", "Content-Type": "application/json" } data = { "model": "deepseek-chat", "messages": [ {"role": "system", "content": "你是一个擅长写产品文案的运营专家，语言要生动、简洁"}, {"role": "user", "content": "帮我写一段30字以内的咖啡产品推广文案"} ] } response = requests.post(url, headers=headers, json=data) if response.status_code == 200: result = response.json() print(result["choices"][0]["message"]["content"]) else: print(f"请求失败，状态码：{response.status_code}，错误信息：{response.text}")这里的关键是system消息的设置。你可以把system消息理解成给 AI 的“人设指令”，它决定了 AI 回答问题的语气和方向。同一个问题“帮我写一段咖啡文案”，如果system设成“你是一个冷酷的科技测评博主”，AI 写出来的是参数和分析；设成“你是温柔的探店博主”，AI 写出来的就是体验和氛围。学会在system里精准描述需求，比不断追问 AI 更有效率，这是所有大语言模型 API 调用的基本功。4.2 场景二：情感分析，判断一条评论是好评还是差评第二个场景是情感分析。这类任务传统上需要训练单独的机器学习模型，现在用大语言模型 API 也能轻松搞定。你不需要额外下载任何工具，还是用同一个接口，只是把任务要求写进system里就行。import requests api_key = "sk-你的API Key" url = "https://api.deepseek.com/chat/completions" headers = { "Authorization": f"Bearer {api_key}", "Content-Type": "application/json" } # 待判断的评论 comment = "这家餐厅的菜品味道很好，就是上菜速度有点慢" data = { "model": "deepseek-chat", "messages": [ {"role": "system", "content": "你是一个情感分析助手。请判断用户评论的情感倾向，只回复三个词之一：positive、negative、neutral，并给出一个0到1之间的置信度"}, {"role": "user", "content": comment} ] } response = requests.post(url, headers=headers, json=data) if response.status_code == 200: result = response.json() print(result["choices"][0]["message"]["content"]) else: print(f"请求失败，状态码：{response.status_code}，错误信息：{response.text}")看到这段代码，你应该已经发现了：所谓“情感分析”，本质上就是改了一套指令的文本生成。你在system里把任务说清楚，AI 就会按你的要求输出结果。这个思路可以套用到很多任务上，比如关键词提取、文章分类、翻译转换。以后遇到任何文本处理的需求，先别急着写复杂程序，问自己一句：能不能把要求写进system让 AI 直接干？有一点要提醒你：如果你在处理大量文本，最好把输出格式约束得更具体一些，比如让它只能输出“positive/negative/neutral”这三个词，不要输出多余的内容。这样后续处理结果时会更稳定，不容易出现因为 AI 自由发挥而解析失败的情况。4.3 场景三：代码生成，让 AI 从零写出可用的小函数第三个场景可能是最有吸引力也最实用的：让 AI 直接生成代码。比如你想要一个计算器函数，或者一段读取文件的脚本，你可以像下面这样要求它：import requests api_key = "sk-你的API Key" url = "https://api.deepseek.com/chat/completions" headers = { "Authorization": f"Bearer {api_key}", "Content-Type": "application/json" } data = { "model": "deepseek-chat", "messages": [ {"role": "system", "content": "你是一个资深 Python 工程师，只输出代码，不要输出解释，代码要包含注释"}, {"role": "user", "content": "用 Python 写一个函数，接收两个数字，返回它们的和，并进行单元测试"} ] } response = requests.post(url, headers=headers, json=data) if response.status_code == 200: result = response.json() generated_code = result["choices"][0]["message"]["content"] print(generated_code) else: print(f"请求失败，状态码：{response.status_code}，错误信息：{response.text}")注意我在system里加了一条“只输出代码，不要输出解释”。这是因为大语言模型默认喜欢边解释边写代码，给你一段 Python 代码前面还加一段“好的，我来为你实现这个功能”。加了这条约束之后，输出内容就干净了。生成的代码质量如何？在大多数常见任务上，这类模型生成的代码达到“能直接运行”的水平一点不夸张。遇到报错，你甚至可以把报错信息原样丢回去，让它自己修订。这件事真正舒服的地方在于：AI 永远不会不耐烦，你让它改一百遍，它也会一句怨言没有地修改第一百次。5. 新手必看：五个最容易踩的坑和排查方法5.1 坑一：认证失败，状态码 401现象：请求发出去，返回状态码 401，大概率还会带一行类似“Authentication Fails”的错误说明。原因：绝大多数情况是 API Key 不对。具体来说可能是三种：一是复制的时候前后带了空格或换行符；二是字母大小写错误，Key 是区分大小写的；三是使用了旧的 Key——重新生成过后，旧 Key 会立即失效。网络代理有时也会干扰认证请求，但相对少见。解决：先把代码里的api_key变量重新赋值一下，改成手动一个个字符敲进去，不要用粘贴。如果还不行，登录官方平台，重新生成一个 Key，替换掉旧 Key。注意，替换之后，之前使用旧 Key 的程序都会失效，所以如果你有多个项目在跑，把它们都一并更新，再换新 Key。5.2 坑二：请求超时，响应迟迟不来现象：代码运行后没有输出，过了很久报出Timeout或连接超时的错误。原因：网络连接不稳定，或者服务器负载高，导致请求没有在预期时间内返回。有些公共网络会拦截对外部 API 的长连接，也会造成超时。解决：在requests.post里加一个timeout参数，例如timeout=30，给请求设置 30 秒的上限。这样如果超时，程序会明确报错，而不是卡住不动。然后换一个网络环境试试，比如从公司网络切到手机热点。如果你需要频繁调用，还可以自己实现一个简单的重试逻辑：超时后等待几秒钟再重新发送一次，最多重试三次。重试逻辑代码量不大，但能解决大部分临时性的网络波动问题。5.3 坑三：参数错误，模型名或消息结构不对现象：返回状态码 400，提示Invalid Parameter之类的信息。原因：最常见的是把模型名拼错了。DeepSeek 的通用对话模型是deepseek-chat，有段时间有开发者误写成deepseek-v2或者deepseek-coder，自然会被拒绝。另外，messages的结构也可能不对，比如忘了role字段，或者content写了非字符串的内容。解决：对照官方文档，逐字检查model的名称。messages必须是一个列表，列表的每一项必须是一个字典，字典必须包含role和content两个字段，而且两个字段的值都必须是字符串。新手最容易忘记的是给messages加外层列表，直接写成了字典，这个要特别留意。5.4 坑四：响应解析报错，拿不到 content现象：状态码是 200，请求成功了，但执行到result["choices"][0]["message"]["content"]时报错，比如KeyError或者TypeError。原因：你不一定每次都拿到同一个形状的响应。有些接口返回的字段名不完全一样，或者choices列表里没有内容，又或者响应里多了一层结构。如果你用的是旧版本的模型名称，也可能出现字段差异。解决：不要一上来就取深层字段。先用print(response.json())把完整的响应打印出来看一眼，确认实际返回了什么。再对照词典结构逐层取值。另外，取列表元素前先判断len(result["choices"]) > 0，取字段前先判断一下"message" in result["choices"][0]，这样即使结构有变化，程序也不会直接崩溃，而是能告诉你到底缺了什么。5.5 坑五：API Key 泄露，被盗刷额度现象：控制台里出现你不认识的请求记录，或者账单显示大量调用，再看代码，发现 Key 写死在前端页面或公共仓库里。原因：有人把 Key 提交到了公开的 GitHub 仓库，或者写进了被分享出去的演示页面代码里。API Key 是跟着Authorization头发出去的，一旦代码本身流传出去，任何拿到代码的人都能用你的 Key。解决：重要程度排第一位。立即到平台后台把这个 Key 删除或重新生成，让旧 Key 立刻变为废弃状态。以后要养成两个习惯：第一，Key 永远保存在环境变量或本地配置文件里，不要出现在代码里；第二，不要提交到任何公开仓库。在本地写测试脚本时，Key 还要设置好文件权限，防止同电脑其他人看到。这件事我跟很多人讲过：安全意识和编码能力是两码事，后者可以慢慢练，前者必须从一开始就做好。6. 下一步学什么：从“能跑”到“会做完整应用”到了这一步，你已经跑通了第一个真实的 DeepSeek API 请求，掌握了一个能覆盖绝大多数文本任务的通用调用模板。下一步到底该怎么走？我给你一条非常实际的学习路径。先练好 Prompt 写作。用 API 做产品，本质上就是通过system消息把任务定义清楚。你可以每天拿一个真实的场景练手，比如让 AI 给一段唇枪舌剑的聊天记录做情绪分析，或者让它把你手头的工作报告压缩成五条摘要。慢慢地你就会发现，同样一个模型，在不同人的提示词之下，产出的效果天差地别。Prompt 不是玄学，它是有方法论的：先定角色，再给任务，再给格式要求，最后给约束条件。再学会管理上下文。现在每次调用你都是只发一条消息，但真实应用里用户是会连续提问的。你需要把历史记录保存在自己这边，下次请求时拼接到messages里一起发给 API。同时注意，模型能接受的上下文长度是有上限的，所以你要学会做“窗口滑动”：超出长度时把最老的对话丢掉，保留最近的几条。最后做一个完整的小项目。我建议你做一个“智能客服消息助手”：从桌面一个 txt 文件里读取用户提问，调用 API 获得回答，把回答写进另一个 txt 文件。这个项目虽然简陋，但涵盖了你未来做真实应用的所有环节：文件读写、请求调用、数据解析、错误处理。做通之后，再往界面上加东西也会顺手很多。从那以后，我每次写 API 调用代码，都强制自己走一遍这个流程：先确认 Key 没问题，再确认模型名拼写正确，然后打印一次完整响应确认结构，最后再开始写解析逻辑。这套流程帮我避开了绝大多数低级错误，希望也能帮到你。本文还有配套的精品资源，点击获取
简介：面向自然语言处理领域的开发者，这份围绕DeepSeek API从入门到精通的PDF技术资料，从账号注册、获取API Key到依赖库安装、请求参数配置、请求构建与返回数据处理，覆盖API调用的完整链路，给出明确可循的操作指引。文中结合文本生成、情感分析、代码生成等典型场景展开案例讲解，并针对常见调用问题梳理排错思路，帮助有一定编程基础、希望深入了解API调用机制的研发人员快速上手。内容既适用于快速搭建智能客服系统、内容创作工具，也可为AI在教育、医疗等行业中的落地应用提供技术参考，整体编排循序渐进、注重实战。资源为单个PDF文档，压缩包大小659KB，内容结构紧凑，便于按章节阅读与检索。目前已有2353人学习下载，对于学习大模型API开发与集成的读者具有较高参考价值。1. 先别慌：DeepSeek API到底是什么，能帮你做什么第一次听说 API 这个词时，很多人都把它想象成一个很高深的黑匣子，甚至不敢点开官方文档。其实把 DeepSeek API 想成“给 AI 打电话的方式”就简单了：网页聊天是你对着屏幕打字，API 是你写程序自动拨打的一条电话线。只要你的程序能打通这条电话线，就可以让 AI 帮你生成文章、写代码、做情感分析、当客服。这门课的读者完全不需要有机器学习基础，只要会一点 Python，或者愿意照着代码一步一步敲，就能在半小时左右跑通第一个真实请求。它解决的核心问题只有一个：把大语言模型变成你自己应用里的一个“会说话的零件”。2. 学之前先配好三样东西：账号、API Key 和 Python 环境2.1 注册账号和获取 API Key：第一步其实只有十分钟我第一次学 API 时最怕的就是注册环节，总觉得会卡在某个验证码或者付费页面上。实际走一遍会发现，整个过程比注册一个普通网站还简单：打开官方平台页面，找到右上角的注册按钮，用邮箱加上密码就能创建账号。注册完记得去邮箱里点一下验证链接，激活账号，十分钟内能完成。登录之后，在页面右上角你的头像下拉菜单里找到“API Key”入口。进去以后会看到一个“创建 API Key”的按钮，点一下就生成一串由字母和数字组成的字符串。这串字符串就是你的身份凭证，相当于你调用 DeepSeek API 的“钥匙”。有一点必须记住：这串钥匙只完整显示这一次，关掉页面就再也看不到了。如果你忘了，只能重新生成一把新钥匙，而旧钥匙立刻失效。这里有个血泪经验想提前告诉你：把 API Key 保存到一个专门的笔记文件或者密码管理工具里，千万别直接放在桌面上一个名叫“key.txt”的文件里。我身边就有朋友图省事，把 Key 截图发到工作群里，结果当天额度就被刷爆了。这串 Key 就是你的钱，泄露出去等于别人拿着你的钱包在消费，所以第一个习惯就要养成：妥善保管，不给任何人。2.2 安装 requests 库：pip 一行命令搞定拿到钥匙以后，接下来的事就轻松多了：在你的电脑上准备一个可以发请求的工具。Python 里最常用的 HTTP 库叫requests，它专门负责把你的代码指令打包成 HTTP 请求，发给 DeepSeek 的服务器，再把服务器返回的结果原样带回来。安装方法很简单，打开命令行（Windows 下是命令提示符，Mac 或 Linux 下是终端），输入下面这行命令：pip install requests按回车以后，pip 会从 Python 的官方软件仓库自动下载并安装requests库连同它的依赖项。看到屏幕上出现“Successfully installed requests”的字样，说明装好了。如果你用的是 Python 3，也可以把命令换成pip3 install requests，效果完全一样。安装完成后，你可以在 Python 里输入import requests验证一下，只要不报错，就说明整个环境已经就绪。到这里，账号有了、钥匙有了、发请求的工具也有了，万事俱备，可以开始写第一行真正的调用代码了。2.3 为什么学这个要选 Python：零基础最不容易劝退很多刚上手的新手都会纠结一个问题：听说 API 不限制编程语言，为什么教程里清一色都用 Python？答案很简单：因为 Python 是当前学习成本最低、示例代码最好读懂的语言。它在处理 JSON 格式数据上特别顺手，而 DeepSeek API 的请求和响应正好都是 JSON 格式，两者像拼图一样严丝合缝。另外，Python 社区里围绕 AI 的生态已经非常成熟。你现在写下的这三四十行调用代码，放在三年前可能需要自己封装一堆底层网络逻辑。而现在，requests库把 HTTP 请求、重试、连接超时这些细节全包住了。你只需要关心三件事：往哪里发请求、发送什么内容、拿到结果怎么处理。如果你之前只学过一点点 Python，甚至完全没学过，也没关系。接下来的代码一共就三四十行，没有类和对象，没有复杂的逻辑，全部是“顺序执行”：先设置参数，再发请求，最后打印结果。你不需要成为 Python 高手，只需要能看懂字典这种{“键”: “值”}的写法就够了。我会在每一段代码后面解释每一行在干什么，你跟着敲一遍，比看十遍教程都管用。3. 跑通第一个真实请求：让 AI 回你一句话3.1 先搞懂一个概念：调用 API 的四个零件缺一不可在敲代码之前，先用一个比方理解整个调用的过程。你要给 AI 打电话，需要知道电话号码、你的身份、你要说的话、以及期望对方怎么回应。对应到代码里就是四样东西：第一是基础 URL，也就是 API 的地址。DeepSeek 的对话接口地址是https://api.deepseek.com/chat/completions，这相当于对方的“电话号码”。第二是 API Key，你的身份凭证，证明“我是谁”。第三是 Headers（请求头），它负责告诉服务器：我这里有钥匙，请检查我的身份。第四是 Body（请求体），它承载你真正要说的话，比如“帮我把这段话总结成三点”。这四个零件里面，新手最容易蒙的是 Headers 和 Body 的区别。其实不用把它想复杂：Headers 是贴在快递盒外面的快递单，上面写着寄件人和收件人信息；Body 是盒子里装的东西本身。快递员先看单子核实身份，再拆盒子看内容。服务器收到请求后也会先检查 Headers 里的Authorization字段，接着才读取 Body 里的任务内容。3.2 从零写第一段调用代码：每个字段都拆开讲下面这段代码是完整的“让 AI 回你一句话”的最小示例。我建议你新建一个test.py文件，逐行敲进去，千万别复制粘贴，打字的过程就是记逻辑的过程：import requests # 引入 requests 库，用来发送 HTTP 请求 # 第一步：设置你的 API Key，把星号部分替换成你实际的 Key api_key = "sk-你的API Key" # 第二步：设置 API 地址，这是 DeepSeek 对话接口的固定地址 url = "https://api.deepseek.com/chat/completions" # 第三步：设置请求头，带上你的 Key 和数据类型 headers = { "Authorization": f"Bearer {api_key}", # 格式固定，必须在 Key 前面加上 Bearer 加空格 "Content-Type": "application/json" # 告诉服务器，发送的内容是 JSON 格式 } # 第四步：设置请求体，这是你真正想对 AI 说的话 data = { "model": "deepseek-chat", # 告诉服务器用哪个模型 "messages": [ {"role": "system", "content": "你是一个乐于助人的助手"}, # 设定 AI 的身份 {"role": "user", "content": "请用一句话介绍什么是大语言模型"} # 用户的问题 ] } # 第五步：发送 POST 请求，把数据放到服务器上，等待返回 response = requests.post(url, headers=headers, json=data) # 第六步：检查返回状态码，200 表示请求成功 if response.status_code == 200: result = response.json() # 把返回的 JSON 数据解析成字典 generated_text = result["choices"][0]["message"]["content"] # 一层层找到 AI 的回复 print(generated_text) # 打印 AI 回复的内容 else: print(f"请求失败，状态码：{response.status_code}，错误信息：{response.text}")这段代码里最需要用心理解的是data这个字典的结构。model字段告诉服务器调用哪个模型，deepseek-chat是 DeepSeek 的通用对话模型，适合日常问答和文本生成。messages是一个列表，里面每一项都是一条对话记录。每条记录由role和content组成，role有三个可选值：system用来设定 AI 的角色行为，user代表用户说的话，assistant代表 AI 曾经回复过的话。你可能想问：为什么明明只要问一句话，却要维护一个消息列表？这是因为大语言模型没有“记忆”，它只能从你给的上下文里看。如果你传了一个空的列表，它根本不知道你是谁、你想干嘛。如果你把之前的对话全都加进去，它就能根据上下文连续回答。这个机制稍后还会再讲，现在你只要记住：每次调用，你都在给 AI 递一小撮对话历史。3.3 处理响应：从一大坨 JSON 里捞出真正想要的回复运行刚才那段代码，如果一切正常，屏幕上会打印出 AI 的回复。但很多人第一次看响应的时候会愣住：为什么我只问了一句话，返回回来却是密密麻麻一长串内容？这是正常的。服务器返回的完整数据是一个 JSON 字符串，结构大致是这样：最外层包含一个choices列表，列表里有一个元素，元素里包含message，message里有role和content。content才是 AI 真正回复你的那段文字，其他那些字段如index、finish_reason等等，都是附带信息，告诉你这一次请求的内部状态。所以那句看起来有点绕的取值代码result["choices"][0]["message"]["content"]，其实就是一层层剥洋葱：先取到choices这个列表，再取它的第一项下标 0，再取这一项里的message字典，最后取message里的content字符串。以后你在调试的时候，如果输出结果不对，优先检查是不是层级弄错了，这是 API 调用里最常见的“翻车”现场。3.4 失败时看哪里：状态码是最好的定位线索写代码最怕的就是出错，但 API 调用其实有一点很友好：服务器出错了，会直接告诉你错在哪里，而且是用状态码的方式告诉你。你只需要记住几个最常见的：状态码 200 表示一切正常，请求成功。状态码 401 表示认证出问题，通常是 API Key 不对、少了空格、或者格式写错了。状态码 429 表示你的请求频率太高，超过了每分钟的限制，服务器让你歇一歇。状态码 500 左右的开头，基本是服务器自己的问题，跟你没啥关系，过一会儿再试一次就好。我第一次调通接口的时候，卡在 401 整整半小时，最后发现是复制 API Key 时把末尾的一个空格也复制进去了。这类问题基本是每个人都会踩的坑，后面一章专门来梳理，现在你只要知道：看到状态码别慌，先看它是不是 200，不是的话，对照上面的几种情况先自查一遍，找不到问题再上网查错误信息里的文字说明。4. 三个真实场景示例：文本生成、情感分析、代码生成4.1 场景一：简单文本生成，搭建你随身的文案助手第一个场景最直接，就是把 AI 当成一个免费的文案帮手。比如你想让它帮你想一句朋友圈文案，或者写一段产品介绍，完全可以在刚才的代码基础上，把content换成你的需求，别的什么都不用动。import requests api_key = "sk-你的API Key" url = "https://api.deepseek.com/chat/completions" headers = { "Authorization": f"Bearer {api_key}", "Content-Type": "application/json" } data = { "model": "deepseek-chat", "messages": [ {"role": "system", "content": "你是一个擅长写产品文案的运营专家，语言要生动、简洁"}, {"role": "user", "content": "帮我写一段30字以内的咖啡产品推广文案"} ] } response = requests.post(url, headers=headers, json=data) if response.status_code == 200: result = response.json() print(result["choices"][0]["message"]["content"]) else: print(f"请求失败，状态码：{response.status_code}，错误信息：{response.text}")这里的关键是system消息的设置。你可以把system消息理解成给 AI 的“人设指令”，它决定了 AI 回答问题的语气和方向。同一个问题“帮我写一段咖啡文案”，如果system设成“你是一个冷酷的科技测评博主”，AI 写出来的是参数和分析；设成“你是温柔的探店博主”，AI 写出来的就是体验和氛围。学会在system里精准描述需求，比不断追问 AI 更有效率，这是所有大语言模型 API 调用的基本功。4.2 场景二：情感分析，判断一条评论是好评还是差评第二个场景是情感分析。这类任务传统上需要训练单独的机器学习模型，现在用大语言模型 API 也能轻松搞定。你不需要额外下载任何工具，还是用同一个接口，只是把任务要求写进system里就行。import requests api_key = "sk-你的API Key" url = "https://api.deepseek.com/chat/completions" headers = { "Authorization": f"Bearer {api_key}", "Content-Type": "application/json" } # 待判断的评论 comment = "这家餐厅的菜品味道很好，就是上菜速度有点慢" data = { "model": "deepseek-chat", "messages": [ {"role": "system", "content": "你是一个情感分析助手。请判断用户评论的情感倾向，只回复三个词之一：positive、negative、neutral，并给出一个0到1之间的置信度"}, {"role": "user", "content": comment} ] } response = requests.post(url, headers=headers, json=data) if response.status_code == 200: result = response.json() print(result["choices"][0]["message"]["content"]) else: print(f"请求失败，状态码：{response.status_code}，错误信息：{response.text}")看到这段代码，你应该已经发现了：所谓“情感分析”，本质上就是改了一套指令的文本生成。你在system里把任务说清楚，AI 就会按你的要求输出结果。这个思路可以套用到很多任务上，比如关键词提取、文章分类、翻译转换。以后遇到任何文本处理的需求，先别急着写复杂程序，问自己一句：能不能把要求写进system让 AI 直接干？有一点要提醒你：如果你在处理大量文本，最好把输出格式约束得更具体一些，比如让它只能输出“positive/negative/neutral”这三个词，不要输出多余的内容。这样后续处理结果时会更稳定，不容易出现因为 AI 自由发挥而解析失败的情况。4.3 场景三：代码生成，让 AI 从零写出可用的小函数第三个场景可能是最有吸引力也最实用的：让 AI 直接生成代码。比如你想要一个计算器函数，或者一段读取文件的脚本，你可以像下面这样要求它：import requests api_key = "sk-你的API Key" url = "https://api.deepseek.com/chat/completions" headers = { "Authorization": f"Bearer {api_key}", "Content-Type": "application/json" } data = { "model": "deepseek-chat", "messages": [ {"role": "system", "content": "你是一个资深 Python 工程师，只输出代码，不要输出解释，代码要包含注释"}, {"role": "user", "content": "用 Python 写一个函数，接收两个数字，返回它们的和，并进行单元测试"} ] } response = requests.post(url, headers=headers, json=data) if response.status_code == 200: result = response.json() generated_code = result["choices"][0]["message"]["content"] print(generated_code) else: print(f"请求失败，状态码：{response.status_code}，错误信息：{response.text}")注意我在system里加了一条“只输出代码，不要输出解释”。这是因为大语言模型默认喜欢边解释边写代码，给你一段 Python 代码前面还加一段“好的，我来为你实现这个功能”。加了这条约束之后，输出内容就干净了。生成的代码质量如何？在大多数常见任务上，这类模型生成的代码达到“能直接运行”的水平一点不夸张。遇到报错，你甚至可以把报错信息原样丢回去，让它自己修订。这件事真正舒服的地方在于：AI 永远不会不耐烦，你让它改一百遍，它也会一句怨言没有地修改第一百次。5. 新手必看：五个最容易踩的坑和排查方法5.1 坑一：认证失败，状态码 401现象：请求发出去，返回状态码 401，大概率还会带一行类似“Authentication Fails”的错误说明。原因：绝大多数情况是 API Key 不对。具体来说可能是三种：一是复制的时候前后带了空格或换行符；二是字母大小写错误，Key 是区分大小写的；三是使用了旧的 Key——重新生成过后，旧 Key 会立即失效。网络代理有时也会干扰认证请求，但相对少见。解决：先把代码里的api_key变量重新赋值一下，改成手动一个个字符敲进去，不要用粘贴。如果还不行，登录官方平台，重新生成一个 Key，替换掉旧 Key。注意，替换之后，之前使用旧 Key 的程序都会失效，所以如果你有多个项目在跑，把它们都一并更新，再换新 Key。5.2 坑二：请求超时，响应迟迟不来现象：代码运行后没有输出，过了很久报出Timeout或连接超时的错误。原因：网络连接不稳定，或者服务器负载高，导致请求没有在预期时间内返回。有些公共网络会拦截对外部 API 的长连接，也会造成超时。解决：在requests.post里加一个timeout参数，例如timeout=30，给请求设置 30 秒的上限。这样如果超时，程序会明确报错，而不是卡住不动。然后换一个网络环境试试，比如从公司网络切到手机热点。如果你需要频繁调用，还可以自己实现一个简单的重试逻辑：超时后等待几秒钟再重新发送一次，最多重试三次。重试逻辑代码量不大，但能解决大部分临时性的网络波动问题。5.3 坑三：参数错误，模型名或消息结构不对现象：返回状态码 400，提示Invalid Parameter之类的信息。原因：最常见的是把模型名拼错了。DeepSeek 的通用对话模型是deepseek-chat，有段时间有开发者误写成deepseek-v2或者deepseek-coder，自然会被拒绝。另外，messages的结构也可能不对，比如忘了role字段，或者content写了非字符串的内容。解决：对照官方文档，逐字检查model的名称。messages必须是一个列表，列表的每一项必须是一个字典，字典必须包含role和content两个字段，而且两个字段的值都必须是字符串。新手最容易忘记的是给messages加外层列表，直接写成了字典，这个要特别留意。5.4 坑四：响应解析报错，拿不到 content现象：状态码是 200，请求成功了，但执行到result["choices"][0]["message"]["content"]时报错，比如KeyError或者TypeError。原因：你不一定每次都拿到同一个形状的响应。有些接口返回的字段名不完全一样，或者choices列表里没有内容，又或者响应里多了一层结构。如果你用的是旧版本的模型名称，也可能出现字段差异。解决：不要一上来就取深层字段。先用print(response.json())把完整的响应打印出来看一眼，确认实际返回了什么。再对照词典结构逐层取值。另外，取列表元素前先判断len(result["choices"]) > 0，取字段前先判断一下"message" in result["choices"][0]，这样即使结构有变化，程序也不会直接崩溃，而是能告诉你到底缺了什么。5.5 坑五：API Key 泄露，被盗刷额度现象：控制台里出现你不认识的请求记录，或者账单显示大量调用，再看代码，发现 Key 写死在前端页面或公共仓库里。原因：有人把 Key 提交到了公开的 GitHub 仓库，或者写进了被分享出去的演示页面代码里。API Key 是跟着Authorization头发出去的，一旦代码本身流传出去，任何拿到代码的人都能用你的 Key。解决：重要程度排第一位。立即到平台后台把这个 Key 删除或重新生成，让旧 Key 立刻变为废弃状态。以后要养成两个习惯：第一，Key 永远保存在环境变量或本地配置文件里，不要出现在代码里；第二，不要提交到任何公开仓库。在本地写测试脚本时，Key 还要设置好文件权限，防止同电脑其他人看到。这件事我跟很多人讲过：安全意识和编码能力是两码事，后者可以慢慢练，前者必须从一开始就做好。6. 下一步学什么：从“能跑”到“会做完整应用”到了这一步，你已经跑通了第一个真实的 DeepSeek API 请求，掌握了一个能覆盖绝大多数文本任务的通用调用模板。下一步到底该怎么走？我给你一条非常实际的学习路径。先练好 Prompt 写作。用 API 做产品，本质上就是通过system消息把任务定义清楚。你可以每天拿一个真实的场景练手，比如让 AI 给一段唇枪舌剑的聊天记录做情绪分析，或者让它把你手头的工作报告压缩成五条摘要。慢慢地你就会发现，同样一个模型，在不同人的提示词之下，产出的效果天差地别。Prompt 不是玄学，它是有方法论的：先定角色，再给任务，再给格式要求，最后给约束条件。再学会管理上下文。现在每次调用你都是只发一条消息，但真实应用里用户是会连续提问的。你需要把历史记录保存在自己这边，下次请求时拼接到messages里一起发给 API。同时注意，模型能接受的上下文长度是有上限的，所以你要学会做“窗口滑动”：超出长度时把最老的对话丢掉，保留最近的几条。最后做一个完整的小项目。我建议你做一个“智能客服消息助手”：从桌面一个 txt 文件里读取用户提问，调用 API 获得回答，把回答写进另一个 txt 文件。这个项目虽然简陋，但涵盖了你未来做真实应用的所有环节：文件读写、请求调用、数据解析、错误处理。做通之后，再往界面上加东西也会顺手很多。从那以后，我每次写 API 调用代码，都强制自己走一遍这个流程：先确认 Key 没问题，再确认模型名拼写正确，然后打印一次完整响应确认结构，最后再开始写解析逻辑。这套流程帮我避开了绝大多数低级错误，希望也能帮到你。本文还有配套的精品资源，点击获取