DeepSeek 实战案例分享｜附源码

近年来，大模型在企业办公、内容生产、知识库问答、代码辅助、数据分析等场景中快速落地。相比早期“只能聊天”的使用方式，如今的大模型更像一个可编程的智能能力中台：我们可以通过 API 将其接入现有业务系统，让它承担摘要生成、智能问答、自动分类、结构化抽取、代码生成等任务。

DeepSeek 作为国产大模型中的代表之一，因其较强的推理能力、较高的性价比以及良好的 API 兼容性，受到了不少开发者和企业团队的关注。本文将通过几个真实开发中常见的实战案例，演示如何使用 DeepSeek API 完成智能客服、文档摘要、结构化信息抽取和代码助手等功能，并附上可运行的源码示例，方便你快速改造到自己的项目中。

一、准备工作

在开始之前，我们需要完成以下准备：

1. 注册并获取 DeepSeek API Key；
2. 准备 Python 开发环境；
3. 安装必要依赖；
4. 熟悉基础调用方式。

本文示例主要使用 Python 编写，适合后端服务、脚本工具、数据处理任务等场景。

二、安装依赖

建议使用 Python 3.9 及以上版本。

pip install openai python-dotenv flask requests

DeepSeek API 在调用方式上兼容 OpenAI SDK，因此我们可以直接使用 openai 包完成调用。

为了避免将 API Key 写死在代码中，推荐使用 .env 文件管理环境变量。

项目目录结构如下：

deepseek-demo/
├── .env
├── deepseek_client.py
├── case_01_chatbot.py
├── case_02_summary.py
├── case_03_extract.py
├── case_04_code_review.py
└── app.py

在项目根目录创建 .env 文件：

DEEPSEEK_API_KEY=你的DeepSeek_API_Key
DEEPSEEK_BASE_URL=https://api.deepseek.com

注意：请不要将 .env 文件提交到 Git 仓库，避免密钥泄露。

三、封装 DeepSeek 调用客户端

在正式写业务代码之前，我们先封装一个通用客户端，方便后续复用。

deepseek_client.py

import os
from dotenv import load_dotenv
from openai import OpenAI

load_dotenv()

class DeepSeekClient:
    def __init__(self):
        self.api_key = os.getenv("DEEPSEEK_API_KEY")
        self.base_url = os.getenv("DEEPSEEK_BASE_URL", "https://api.deepseek.com")

        if not self.api_key:
            raise ValueError("请先在 .env 文件中配置 DEEPSEEK_API_KEY")

        self.client = OpenAI(
            api_key=self.api_key,
            base_url=self.base_url
        )

    def chat(
        self,
        messages,
        model="deepseek-chat",
        temperature=0.7,
        max_tokens=2048
    ):
        """
        通用对话接口
        """
        response = self.client.chat.completions.create(
            model=model,
            messages=messages,
            temperature=temperature,
            max_tokens=max_tokens
        )

        return response.choices[0].message.content


if __name__ == "__main__":
    ds = DeepSeekClient()
    result = ds.chat([
        {"role": "system", "content": "你是一个专业的技术助手。"},
        {"role": "user", "content": "请用一句话介绍 DeepSeek。"}
    ])
    print(result)

运行测试：

python deepseek_client.py

如果能够正常输出结果，说明基础环境已经配置完成。

四、案例一：智能客服机器人

智能客服是大模型最常见的落地场景之一。传统客服机器人依赖大量规则和 FAQ 配置，维护成本高，且对用户自然语言的理解能力有限。而基于 DeepSeek 的客服机器人可以理解用户问题，并根据预设知识进行回答。

业务需求

假设我们经营一个电商平台，需要客服机器人回答以下问题：

• 订单多久发货；
• 如何申请退款；
• 是否支持七天无理由退货；
• 物流异常怎么办；
• 会员积分如何使用。

为了避免模型胡乱编造，我们可以在系统提示词中加入明确的业务规则。

源码：case_01_chatbot.py

from deepseek_client import DeepSeekClient

SYSTEM_PROMPT = """
你是某电商平台的智能客服助手，请严格根据以下规则回答用户问题：

1. 普通商品下单后 48 小时内发货；
2. 生鲜商品下单后 24 小时内发货；
3. 用户收到商品后 7 天内，未拆封且不影响二次销售，可申请七天无理由退货；
4. 生鲜、定制类、虚拟商品不支持七天无理由退货；
5. 退款申请审核通过后，1-3 个工作日原路退回；
6. 如果物流超过 72 小时未更新，请引导用户提供订单号，由人工客服处理；
7. 会员积分可在下单页抵扣现金，100 积分抵扣 1 元；
8. 如果用户问题超出以上范围，请说明暂时无法确认，并建议联系人工客服。

回答要求：
- 语气礼貌、简洁；
- 不要编造规则中没有的信息；
- 如果需要订单号，请提醒用户不要提供银行卡、密码等敏感信息。
"""

def ask_customer_service(question):
    ds = DeepSeekClient()

    messages = [
        {"role": "system", "content": SYSTEM_PROMPT},
        {"role": "user", "content": question}
    ]

    return ds.chat(messages, temperature=0.3)


if __name__ == "__main__":
    questions = [
        "我昨天买的普通商品什么时候发货？",
        "生鲜商品可以七天无理由退货吗？",
        "我的物流三天没动了怎么办？",
        "积分怎么用？"
    ]

    for q in questions:
        print("用户：", q)
        print("客服：", ask_customer_service(q))
        print("-" * 50)

实战分析

这个案例的核心不在于“调用模型”，而在于“限制模型回答范围”。在企业应用中，大模型最常见的问题是幻觉，即编造不存在的规则或信息。因此我们需要通过系统提示词明确告诉模型：

• 只能基于给定规则回答；
• 超出范围要转人工；
• 不允许编造；
• 涉及隐私和敏感信息时要提醒用户。

如果后续业务规则越来越多，建议不要全部写在 Prompt 中，而是接入知识库检索，也就是常见的 RAG 架构。

五、案例二：长文档自动摘要

很多企业内部有大量会议纪要、调研报告、合同文本、产品需求文档。人工阅读成本很高，而大模型非常适合做摘要、提炼重点和生成行动项。

业务需求

输入一段较长文本，让 DeepSeek 输出：

1. 一句话总结；
2. 核心要点；
3. 待办事项；
4. 风险提醒。

源码：case_02_summary.py

from deepseek_client import DeepSeekClient

def summarize_document(text):
    ds = DeepSeekClient()

    prompt = f"""
请阅读以下文档，并按照指定格式输出摘要。

文档内容：
{text}

请严格按照以下 Markdown 格式输出：

## 一句话总结
用一句话概括文档核心内容。

## 核心要点
- 要点1
- 要点2
- 要点3

## 待办事项
- [ ] 事项1：负责人/时间，如果文档未提及则写“未明确”
- [ ] 事项2：负责人/时间，如果文档未提及则写“未明确”

## 风险提醒
- 风险1
- 风险2

要求：
1. 不要添加文档中没有的信息；
2. 表达简洁清晰；
3. 如果某部分没有相关内容，请写“未提及”。
"""

    messages = [
        {"role": "system", "content": "你是一个专业的企业文档分析助手，擅长提炼重点和总结行动项。"},
        {"role": "user", "content": prompt}
    ]

    return ds.chat(messages, temperature=0.2, max_tokens=2048)


if __name__ == "__main__":
    sample_text = """
    本次产品会议主要讨论了会员中心 2.0 版本的规划。当前会员中心存在页面信息分散、
    用户权益展示不清晰、积分使用路径较深等问题。产品团队计划在下个版本中重构会员首页，
    将会员等级、可用积分、优惠券、专属权益统一展示。

    研发侧表示，当前积分系统接口较老，需要先进行接口梳理和部分重构，预计需要两周时间。
    设计团队将在本周五前输出新版会员首页原型。运营团队建议增加会员成长任务，例如每日签到、
    完善资料、购买指定商品获取成长值。

    风险方面，研发负责人提到积分系统历史逻辑复杂，如果直接改造可能影响下单抵扣功能。
    会议决定先由研发团队完成技术方案评估，再确定是否与会员中心 2.0 同期上线。
    """

    print(summarize_document(sample_text))

实战分析

文档摘要类任务推荐将输出格式固定下来。这样做有几个好处：

• 前端展示更容易；
• 后续数据入库更方便；
• 结果稳定性更高；
• 便于批量处理大量文档。

如果文档很长，超过模型上下文限制，可以采用“分段摘要 + 汇总摘要”的方式：

1. 将文档切分成多个片段；
2. 对每个片段生成局部摘要；
3. 将所有局部摘要再输入模型生成总摘要。

六、案例三：结构化信息抽取

很多业务系统需要从非结构化文本中抽取结构化字段。例如从简历中抽取姓名、学历、技能；从合同中抽取甲方、乙方、金额、期限；从客服工单中抽取问题类型、优先级、情绪倾向。

业务需求

输入一段用户反馈，自动抽取：

• 用户意图；
• 问题类型；
• 情绪倾向；
• 是否需要人工介入；
• 建议处理优先级。

输出必须是 JSON，方便程序直接解析。

源码：case_03_extract.py

import json
from deepseek_client import DeepSeekClient

def extract_ticket_info(feedback):
    ds = DeepSeekClient()

    prompt = f"""
请从以下用户反馈中抽取结构化信息，并只返回 JSON，不要输出任何解释。

用户反馈：
{feedback}

JSON 字段要求：
{{
  "intent": "用户主要意图",
  "category": "问题类型，可选值：物流问题、退款问题、商品质量、账号问题、投诉建议、其他",
  "sentiment": "情绪倾向，可选值：正向、中性、负向",
  "need_human": true 或 false,
  "priority": "优先级，可选值：低、中、高",
  "reason": "判断理由，控制在50字以内"
}}

判断规则：
1. 如果用户表达强烈不满、投诉、威胁差评，need_human 为 true；
2. 涉及退款失败、物流长时间异常、商品破损，优先级至少为中；
3. 如果无法判断，category 填“其他”；
4. 必须返回合法 JSON。
"""

    messages = [
        {"role": "system", "content": "你是一个专业的客服工单分类系统，只输出合法 JSON。"},
        {"role": "user", "content": prompt}
    ]

    result = ds.chat(messages, temperature=0.1, max_tokens=1024)

    try:
        return json.loads(result)
    except json.JSONDecodeError:
        # 简单容错：如果模型输出被 Markdown 包裹，尝试清洗
        cleaned = result.strip()
        cleaned = cleaned.replace("```json", "").replace("```", "").strip()
        return json.loads(cleaned)


if __name__ == "__main__":
    feedback = "我买的杯子收到就是碎的，联系了两天没人处理，再不给我退款我就投诉你们！"

    info = extract_ticket_info(feedback)
    print(json.dumps(info, ensure_ascii=False, indent=2))

示例输出

{
  "intent": "要求处理破损商品并退款",
  "category": "商品质量",
  "sentiment": "负向",
  "need_human": true,
  "priority": "高",
  "reason": "商品破损且用户表示将投诉"
}

实战分析

结构化抽取是大模型在企业系统中非常有价值的场景。它可以作为传统规则系统的补充，尤其适合处理表达多样、不规则、难以穷举的文本。

不过在生产环境中要注意：

1. 必须做 JSON 解析校验
   不要默认模型输出一定合法，应加入异常处理。

2. 字段值要限制枚举范围
   比如问题类型只能从指定列表中选择，便于后续统计。

3. 关键业务不要完全依赖模型判断
   例如退款审批、风控拦截等场景，建议模型只提供辅助判断，最终由规则或人工确认。

七、案例四：代码 Review 助手

DeepSeek 在代码理解、问题定位和重构建议方面表现不错。我们可以用它实现一个简单的代码 Review 工具，对提交的代码进行自动检查。

业务需求

输入一段代码，让模型分析：

• 是否存在明显 Bug；
• 是否存在性能问题；
• 是否存在安全风险；
• 是否有可读性优化建议；
• 给出修改建议。

源码：case_04_code_review.py

from deepseek_client import DeepSeekClient

def review_code(code, language="Python"):
    ds = DeepSeekClient()

    prompt = f"""
请对以下 {language} 代码进行 Code Review。

代码如下：
```{language}
{code}

请按照以下格式输出：

总体评价

简要说明代码整体质量。

潜在 Bug

• 如果没有，请写“未发现明显问题”。

性能问题

• 如果没有，请写“未发现明显问题”。

安全风险

• 如果没有，请写“未发现明显问题”。

可读性与可维护性建议

• 建议1
• 建议2

修改示例

如果有必要，请给出优化后的关键代码片段。 """

messages = [
    {"role": "system", "content": "你是一个资深软件工程师，擅长代码审查、安全分析和性能优化。"},
    {"role": "user", "content": prompt}
]

return ds.chat(messages, temperature=0.2, max_tokens=2048)

if name == "main": bad_code = """ import sqlite3

def login(username, password): conn = sqlite3.connect("user.db") cursor = conn.cursor() sql = "select * from users where username='%s' and password='%s'" % (username, password) cursor.execute(sql) user = cursor.fetchone() conn.close() return user is not None """

print(review_code(bad_code, "Python"))

### 可能的 Review 结果

模型通常会指出：

- 存在 SQL 注入风险；
- 密码不应该明文比较；
- 数据库连接缺少异常处理；
- 建议使用参数化查询；
- 建议使用密码哈希。

优化示例：

```python
import sqlite3
import hashlib

def hash_password(password):
    return hashlib.sha256(password.encode("utf-8")).hexdigest()

def login(username, password):
    conn = sqlite3.connect("user.db")
    try:
        cursor = conn.cursor()
        sql = "select * from users where username=? and password_hash=?"
        cursor.execute(sql, (username, hash_password(password)))
        user = cursor.fetchone()
        return user is not None
    finally:
        conn.close()

实战分析

代码助手适合用于：

• 提交前自查；
• Pull Request 初步 Review；
• 安全漏洞扫描辅助；
• 老代码重构建议；
• 新人代码学习。

但需要注意，大模型给出的建议不一定全部正确，尤其涉及复杂业务逻辑时，仍需要开发人员进行判断。

八、案例五：使用 Flask 封装一个 DeepSeek Web API

前面的案例都是命令行脚本。实际项目中，我们更常见的方式是将 DeepSeek 能力封装成 HTTP 接口，供前端或其他服务调用。

下面我们实现一个简单的 Flask 服务，提供 /chat 接口。

源码：app.py

from flask import Flask, request, jsonify
from deepseek_client import DeepSeekClient

app = Flask(__name__)
ds = DeepSeekClient()

@app.route("/chat", methods=["POST"])
def chat():
    data = request.get_json()

    if not data:
        return jsonify({"error": "请求体不能为空"}), 400

    question = data.get("question")
    if not question:
        return jsonify({"error": "question 字段不能为空"}), 400

    system_prompt = data.get(
        "system_prompt",
        "你是一个专业、友好、可靠的 AI 助手。"
    )

    try:
        answer = ds.chat([
            {"role": "system", "content": system_prompt},
            {"role": "user", "content": question}
        ])

        return jsonify({
            "question": question,
            "answer": answer
        })

    except Exception as e:
        return jsonify({
            "error": "调用 DeepSeek 失败",
            "detail": str(e)
        }), 500


if __name__ == "__main__":
    app.run(host="0.0.0.0", port=5000, debug=True)

启动服务：

python app.py

使用 curl 测试：

curl -X POST http://localhost:5000/chat \
  -H "Content-Type: application/json" \
  -d '{
    "question": "请帮我写一段会员中心改版的产品介绍",
    "system_prompt": "你是一个资深互联网产品经理，擅长写产品文案。"
  }'

返回示例：

{
  "question": "请帮我写一段会员中心改版的产品介绍",
  "answer": "全新的会员中心将会员等级、积分、优惠券与专属权益集中展示..."
}

九、生产环境最佳实践

如果只是写 Demo，能够调用模型就足够了。但如果要在真实业务中使用 DeepSeek，还需要考虑稳定性、安全性、成本和可维护性。

1. API Key 不要写死在代码中

错误示例：

api_key = "sk-xxxx"

正确做法：

api_key = os.getenv("DEEPSEEK_API_KEY")

并且要避免将 .env 文件提交到 Git 仓库。

2. 设置合理的超时和重试机制

网络请求可能失败，模型服务也可能出现短暂波动。建议加入重试机制，例如：

import time

def call_with_retry(func, retries=3, delay=1):
    last_error = None

    for i in range(retries):
        try:
            return func()
        except Exception as e:
            last_error = e
            time.sleep(delay * (i + 1))

    raise last_error

调用时：

result = call_with_retry(lambda: ds.chat(messages))

3. 控制 Prompt 长度

Prompt 越长，成本越高，响应越慢。实际开发中可以通过以下方式优化：

• 去掉无关上下文；
• 对长文档先分块；
• 只传必要字段；
• 对历史对话做摘要压缩；
• 使用缓存避免重复请求。

4. 明确输出格式

如果希望模型返回 JSON，就要在 Prompt 中明确要求：

只返回合法 JSON，不要输出 Markdown，不要输出解释说明。

同时后端仍然要做解析校验，不要完全相信模型输出。

5. 做好敏感信息过滤

用户输入中可能包含手机号、身份证、银行卡号、地址等敏感信息。如果业务不需要，建议在发送给模型前做脱敏处理。

示例：

import re

def mask_phone(text):
    return re.sub(r"(1[3-9]\d)\d{4}(\d{4})", r"\1****\2", text)

content = "我的手机号是13812345678，请帮我查订单"
print(mask_phone(content))

输出：

我的手机号是138****5678，请帮我查订单

6. 人工兜底机制

在客服、金融、医疗、法律等高风险场景中，大模型不能作为最终决策者。合理的设计是：

• 模型负责理解和初步判断；
• 规则系统负责硬性校验；
• 人工负责复杂和高风险决策；
• 全流程保留日志，便于追溯。

十、一个完整的调用流程建议

在真实项目中，一个较完整的 DeepSeek 调用流程可以设计为：

用户输入
  ↓
敏感信息过滤
  ↓
意图识别
  ↓
检索业务知识库
  ↓
组装 Prompt
  ↓
调用 DeepSeek
  ↓
结果格式校验
  ↓
安全审核
  ↓
返回用户 / 转人工
  ↓
日志记录与效果评估

这种流程比直接“用户问什么就丢给模型”更加可靠，也更适合企业级应用。

十一、总结

本文通过多个实战案例介绍了如何将 DeepSeek 接入实际业务场景，包括：

• 智能客服机器人；
• 长文档自动摘要；
• 用户反馈结构化抽取；
• 代码 Review 助手；
• Flask API 服务封装。

从开发角度看，DeepSeek 的接入成本并不高，核心难点主要在于业务设计和工程化落地。一个可用的大模型应用，不只是简单调用一次 API，而是需要围绕 Prompt 设计、上下文管理、异常处理、结果校验、数据安全、成本控制和人工兜底进行系统设计。

如果你刚开始尝试 DeepSeek，建议先从低风险、高频、文本密集型任务入手，例如文档摘要、客服辅助、工单分类、代码解释等。等流程稳定后，再逐步接入更复杂的业务系统。

最后，大模型不是替代所有系统的“万能工具”，而是增强现有系统智能化能力的组件。真正优秀的 AI 应用，往往不是让模型单独完成所有事情，而是让模型与业务规则、知识库、数据库、人工流程协同工作。这样才能既发挥模型的理解和生成能力，又保证业务结果的稳定、可控和可追溯。