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：
-
DeepSeek V4 Pro 完全兼容 OpenAI 接口规范，使用官方
openaiPython SDK 即可调用，无需使用 Anthropic 专用库。 -
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。 -
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。 -
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。 -
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。
-
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-dotenv2. 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。