从零跑通 DeepSeek API：账号、Key、Python 调用一次讲清楚

发布人：慈云数据-客服中心发布时间：6小时前阅读量：1

DeepSeek API接口调用教程｜零基础可学

在大模型快速发展的今天，越来越多的开发者、创业者、产品经理、运营人员甚至非技术用户，都希望把AI能力接入到自己的应用、网站、自动化流程或内部工具中。相比直接使用网页端聊天，把AI能力通过API接口调用，可以实现更高的灵活性：比如自动生成文案、智能客服、代码辅助、知识库问答、数据分析、批量处理文本、接入企业系统等。

本文将以零基础也能看懂为目标，系统讲解 DeepSeek API 的基本概念、准备工作、接口调用方式、Python示例、常见参数、错误排查以及实际应用思路。即使你之前没有调用过任何AI API，也可以按照本文一步一步完成自己的第一次接口调用。

一、什么是 DeepSeek API？

DeepSeek API 可以简单理解为：DeepSeek 提供给开发者使用大模型能力的“程序入口”。

平时你在网页上和AI聊天，是通过浏览器输入问题，然后网页把问题发送给模型，模型再返回回答。而API调用则是你用代码或工具，把问题发送给DeepSeek服务器，再接收返回结果。

举个生活化的例子：

网页聊天：你打开餐厅菜单，自己点菜；
API接口：你写好点餐单，让服务员按照规则自动帮你点菜；
DeepSeek模型：相当于后厨，负责根据你的需求“制作回答”。

通过API，你可以把DeepSeek的能力集成到：

自己的网站；
微信机器人；
企业内部系统；
客服系统；
数据分析工具；
浏览器插件；
自动写作工具；
知识库问答系统；
工作流自动化平台；
App、小程序或桌面软件。

二、调用 DeepSeek API 前需要准备什么？

在正式调用之前，通常需要准备以下几项内容。

1. DeepSeek账号

首先你需要拥有DeepSeek相关平台账号，并登录到开发者控制台或API管理页面。

一般来说，你需要完成：

注册账号；
登录平台；
进入API管理页面；
创建或查看API Key；
根据需要充值或开通额度。

不同平台页面可能会随时间调整，但核心流程基本一致。

2. API Key

API Key 是调用接口时最重要的凭证，可以理解为“接口密码”。

它的作用是告诉DeepSeek服务器：

“我是合法用户，我有权限调用模型。”

API Key 通常是一串较长的字符串，例如：

sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx

注意：这里的示例只是格式演示，不是真实可用的密钥。

3. 编程环境

如果你只是想快速测试，可以使用以下方式：

使用命令行工具 curl；
使用 Postman、Apifox 等接口测试工具；
使用 Python；
使用 Node.js；
接入已有后端服务。

对于零基础用户，推荐从 Python 开始，因为它语法简单，示例丰富，适合快速上手。

三、重要安全提醒：不要泄露 API Key

API Key 一定要妥善保存，千万不要随便发给别人，也不要直接写在公开代码仓库里。

错误示例：

api_key = "sk-你的真实APIKey"

如果你把包含真实API Key的代码上传到GitHub等公开平台，别人可能会拿你的Key进行调用，产生费用或造成安全风险。

更推荐的做法是使用环境变量，例如：

export DEEPSEEK_API_KEY="你的APIKey"

在Python中读取：

import os

api_key = os.getenv("DEEPSEEK_API_KEY")

这样可以避免把密钥直接写进代码。

四、DeepSeek API 的基本调用逻辑

不管你使用哪种语言，调用AI接口的基本流程通常都是类似的：

准备API Key；
确定接口地址；
设置请求头；
编写请求体；
发送请求；
接收返回结果；
解析模型回答。

以聊天模型为例，一次请求通常包含：

使用哪个模型；
用户说了什么；
系统角色设定；
温度等生成参数；
是否流式输出；
最大输出长度等。

典型请求结构类似：

{
  "model": "deepseek-chat",
  "messages": [
    {
      "role": "system",
      "content": "你是一个专业、耐心的中文助手。"
    },
    {
      "role": "user",
      "content": "请用通俗语言解释什么是API。"
    }
  ],
  "temperature": 0.7
}

其中，messages 是对话内容，通常由多个消息组成。

五、messages 参数详解

在调用聊天接口时，messages 是最核心的参数之一。它是一个数组，每个元素代表一条消息。

常见角色有：

1. system

system 用来设定模型的身份、风格、规则。

例如：

{
  "role": "system",
  "content": "你是一名资深Python老师，回答时要适合零基础学生理解。"
}

它的作用类似于“给AI设定工作说明”。

2. user

user 表示用户输入的问题。

例如：

{
  "role": "user",
  "content": "请解释Python中的列表是什么。"
}

这是用户真正想问的问题。

3. assistant

assistant 表示模型之前的回答。多轮对话时，可以把历史回答也传入，让模型理解上下文。

例如：

{
  "role": "assistant",
  "content": "Python列表是一种可以存放多个元素的数据结构。"
}

多轮对话时，通常会把过去的 user 和 assistant 消息一起发送给模型。

六、使用 curl 调用 DeepSeek API

如果你暂时不想写代码，可以先用 curl 测试接口。

示例：

curl https://api.deepseek.com/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer 你的APIKey" \
  -d '{
    "model": "deepseek-chat",
    "messages": [
      {
        "role": "system",
        "content": "你是一个专业的中文助手。"
      },
      {
        "role": "user",
        "content": "请用一句话介绍DeepSeek API。"
      }
    ],
    "temperature": 0.7
  }'

如果调用成功，接口会返回类似JSON格式的数据。你可以在返回内容中找到模型生成的回答。

一般来说，回答内容可能位于类似下面的位置：

{
  "choices": [
    {
      "message": {
        "role": "assistant",
        "content": "DeepSeek API 是一种让开发者通过程序调用DeepSeek大模型能力的接口。"
      }
    }
  ]
}

你真正需要读取的通常是：

choices[0].message.content

七、使用 Python 调用 DeepSeek API

下面我们用Python实现一个最简单的接口调用示例。

1. 安装 requests 库

如果你没有安装 requests，可以执行：

pip install requests

如果你的电脑同时有多个Python版本，也可以使用：

python -m pip install requests

或：

python3 -m pip install requests

2. 编写基础调用代码

新建一个文件，例如：

deepseek_demo.py

写入以下代码：

import os
import requests

api_key = os.getenv("DEEPSEEK_API_KEY")

if not api_key:
    raise ValueError("请先设置环境变量 DEEPSEEK_API_KEY")

url = "https://api.deepseek.com/chat/completions"

headers = {
    "Content-Type": "application/json",
    "Authorization": f"Bearer {api_key}"
}

data = {
    "model": "deepseek-chat",
    "messages": [
        {
            "role": "system",
            "content": "你是一个专业、耐心的中文AI助手。"
        },
        {
            "role": "user",
            "content": "请用通俗语言解释什么是API。"
        }
    ],
    "temperature": 0.7
}

response = requests.post(url, headers=headers, json=data)

print(response.status_code)
print(response.text)

运行：

python deepseek_demo.py

如果配置正确，你会看到接口返回结果。

3. 提取模型回答

上面的代码会打印完整JSON。实际开发中，我们通常只需要模型回答内容，可以这样写：

import os
import requests

api_key = os.getenv("DEEPSEEK_API_KEY")

url = "https://api.deepseek.com/chat/completions"

headers = {
    "Content-Type": "application/json",
    "Authorization": f"Bearer {api_key}"
}

data = {
    "model": "deepseek-chat",
    "messages": [
        {"role": "system", "content": "你是一个专业中文助手。"},
        {"role": "user", "content": "请给我三个学习Python的建议。"}
    ],
    "temperature": 0.7
}

response = requests.post(url, headers=headers, json=data)

result = response.json()

answer = result["choices"][0]["message"]["content"]

print("AI回答：")
print(answer)

这段代码更接近实际项目中的写法。

八、使用 OpenAI SDK 兼容方式调用

DeepSeek API 在很多场景下兼容 OpenAI SDK 的调用方式。这样做的好处是：如果你之前用过OpenAI接口，切换到DeepSeek时会更方便。

首先安装SDK：

pip install openai

Python示例：

import os
from openai import OpenAI

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

response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[
        {"role": "system", "content": "你是一个专业中文助手。"},
        {"role": "user", "content": "请用简单语言介绍大模型API的用途。"}
    ],
    temperature=0.7
)

print(response.choices[0].message.content)

这种写法简洁清晰，也更适合长期维护项目。

九、常用参数说明

调用接口时，除了 model 和 messages，还有一些常用参数值得了解。

1. model

指定你要使用的模型，例如：

"model": "deepseek-chat"

不同模型可能适合不同任务。例如有的更适合日常对话，有的更适合推理、代码或复杂问题。实际使用时应以官方文档中当前支持的模型名称为准。

2. temperature

temperature 控制回答的随机性和创造性。

值越低，回答越稳定、保守；
值越高，回答越发散、多样；
常见取值范围是 0 到 1 或更高，具体以接口文档为准。

建议：

事实问答、代码生成：0.2 ~ 0.5；
文案创作、头脑风暴：0.7 ~ 1.0；
严谨总结、格式转换：0 ~ 0.3。

例如：

"temperature": 0.3

3. max_tokens

max_tokens 用来限制模型最多输出多少内容。

如果你希望回答简短，可以设置小一些；如果需要长文，可以设置大一些。

例如：

"max_tokens": 1000

注意：输入和输出通常都会消耗token，token可以粗略理解为模型处理文本的计量单位。中文里，一个汉字或词语可能会被拆成不同token，具体计算方式由模型分词规则决定。

4. stream

stream 表示是否启用流式输出。

普通输出是模型生成完完整答案后一次性返回；流式输出则是边生成边返回，类似网页聊天中一个字一个字出现。

适合使用流式输出的场景：

聊天机器人；
在线客服；
网页端AI助手；
长文本生成；
希望用户更快看到反馈的应用。

示例：

"stream": true

对于初学者，建议先使用非流式调用，等理解基础流程后再学习流式输出。

十、实现一个简单的命令行AI助手

下面我们做一个简单实用的小项目：在命令行中输入问题，DeepSeek返回答案。

import os
from openai import OpenAI

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

messages = [
    {
        "role": "system",
        "content": "你是一个耐心、专业、擅长用中文解释问题的AI助手。"
    }
]

print("DeepSeek命令行助手已启动，输入 exit 退出。")

while True:
    user_input = input("\n你：")

    if user_input.lower() in ["exit", "quit"]:
        print("助手：再见！")
        break

    messages.append({
        "role": "user",
        "content": user_input
    })

    response = client.chat.completions.create(
        model="deepseek-chat",
        messages=messages,
        temperature=0.7
    )

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

    print("\n助手：")
    print(answer)

    messages.append({
        "role": "assistant",
        "content": answer
    })

这个程序实现了多轮对话，因为它会把之前的聊天记录保存在 messages 中。

不过要注意：如果对话越来越长，传给模型的上下文也会越来越长，可能导致token消耗增加，甚至超过上下文长度限制。因此实际项目中需要做历史消息裁剪或摘要。

十一、如何让AI回答更符合你的需求？

很多初学者调用API后会发现：模型有时回答不够稳定，或者格式不是自己想要的。这时需要优化提示词，也就是Prompt。

1. 明确角色

不推荐：

写一篇文章

2. 明确输出格式

不推荐：

分析这个产品

3. 给出约束条件

例如：

请写一篇800字左右的中文介绍，语气专业但通俗，不要使用过多术语，适合零基础读者。

约束越清楚，模型越容易给出你想要的结果。

4. 提供示例

如果你希望AI按照某种风格输出，可以给它一个示例。

例如：

请按照以下格式输出：

标题：
摘要：
正文：
结论：

示例可以显著提升输出稳定性。

十二、常见错误与排查方法

在API调用过程中，新手最容易遇到以下问题。

1. 401 Unauthorized

含义：认证失败。

常见原因：

API Key写错；
Authorization请求头格式不正确；
API Key已失效；
没有正确设置环境变量。

正确格式一般是：

Authorization: Bearer 你的APIKey

注意 Bearer 后面有一个空格。

2. 400 Bad Request

含义：请求参数有问题。

可能原因：

JSON格式错误；
model 名称写错；
messages 格式不正确；
参数类型不符合要求；
输入内容超过限制。

建议打印完整错误信息：

print(response.status_code)
print(response.text)

3. 429 Too Many Requests

含义：请求过于频繁，触发限流。

解决方法：

降低请求频率；
增加重试间隔；
检查账号额度和并发限制；
批量任务中加入队列控制。

4. 余额不足或额度不足

如果接口返回与余额、额度相关的错误，需要检查账户是否有可用额度。

建议：

查看控制台用量；
检查充值状态；
关注调用频率；
对长文本任务控制输出长度。

5. 网络连接失败

如果请求无法连接，可能是：

本地网络问题；
代理配置问题；
域名访问异常；
服务器临时不可用。

可以先用浏览器或命令行测试网络，再排查代码问题。

十三、实际开发中的最佳实践

1. 不要在前端暴露API Key

如果你开发网页应用，不要直接在前端JavaScript中写API Key。因为浏览器端代码用户可以看到，密钥很容易泄露。

推荐架构：

前端页面 → 你的后端服务 → DeepSeek API

由你的后端保存API Key，前端只请求你的后端接口。

2. 记录日志但不要记录敏感信息

开发时可以记录请求状态、耗时、错误信息等，但不要把API Key写入日志。

如果用户输入中包含隐私信息，也要谨慎处理。

3. 控制上下文长度

多轮对话时，不要无限制保存全部历史消息。可以采用：

只保留最近几轮；
将较早对话总结成摘要；
按主题新建会话；
设置最大token预算。

4. 设置超时时间

使用 requests 时建议设置超时，避免程序一直等待：

response = requests.post(
    url,
    headers=headers,
    json=data,
    timeout=60
)

5. 增加异常处理

更稳健的代码示例：

import os
from openai import OpenAI

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

try:
    response = client.chat.completions.create(
        model="deepseek-chat",
        messages=[
            {"role": "user", "content": "请解释什么是机器学习。"}
        ],
        temperature=0.5
    )

    print(response.choices[0].message.content)

except Exception as e:
    print("调用失败：", e)

实际生产环境中，还可以加入重试机制、限流机制、错误告警等。

十四、DeepSeek API 可以做哪些项目？

如果你已经学会基础调用，可以尝试以下项目。

1. 智能客服

将用户问题发送给模型，让AI自动回答常见问题。结合企业知识库后，可以实现更准确的业务问答。

2. 文章生成工具

输入主题、关键词、目标读者，自动生成文章大纲、标题、正文、摘要和发布文案。

3. 代码解释助手

把代码片段发送给模型，让它解释代码含义、指出问题、给出优化建议。

4. 简历优化工具

用户输入个人经历，AI帮助润色简历、提炼项目亮点、生成面试自我介绍。

5. 数据分析助手

把表格字段说明、业务背景和问题发给模型，让AI辅助分析数据含义、生成SQL语句或分析报告。

6. 知识库问答系统

结合向量数据库、文档切片和检索增强生成技术，让AI基于企业文档进行回答。

十五、一个完整的小案例：生成营销文案

假设你要做一个自动生成营销文案的小工具，用户输入产品信息，AI输出短视频文案。

示例代码：

import os
from openai import OpenAI

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

product_name = input("请输入产品名称：")
target_user = input("请输入目标用户：")
selling_points = input("请输入产品卖点：")

prompt = f"""
你是一名资深短视频营销文案策划。

请根据以下信息生成一段适合短视频口播的中文文案：

产品名称：{product_name}
目标用户：{target_user}
产品卖点：{selling_points}

要求：
1. 开头3秒吸引注意力；
2. 语言通俗、有画面感；
3. 字数控制在200字以内；
4. 最后加入行动号召；
5. 不要夸大承诺。
"""

response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[
        {"role": "system", "content": "你擅长创作真实、自然、有转化力的中文营销文案。"},
        {"role": "user", "content": prompt}
    ],
    temperature=0.8
)

print("\n生成结果：")
print(response.choices[0].message.content)

这个案例的核心思路是：把用户输入转换成结构化Prompt，再发送给模型，最后展示模型结果。

十六、费用与Token的基本理解

调用API通常会根据token数量计费。你可以把token理解为模型处理文本的基本单位。

一次调用的费用通常与以下因素有关：

输入内容长度；
输出内容长度；
使用的模型；
调用次数；
是否进行长上下文处理。

为了控制成本，可以采取以下方式：

不传无关历史消息；
限制最大输出长度；
对长文档先摘要再处理；
批量任务设置合理频率；
定期查看用量统计；
根据任务选择合适模型。

对于刚开始学习的用户，建议先用短问题测试，确认流程跑通后，再进行复杂任务开发。

十七、零基础学习路线建议

如果你是完全零基础，建议按照下面路线学习：

第一阶段：会调用

目标是跑通第一个API请求。

你需要掌握：

API Key是什么；
请求地址是什么；
请求头怎么写；
messages怎么组织；
如何查看返回结果。

第二阶段：会改参数

目标是让模型回答更符合需求。