AI智能体项目实战记录（03）：本地模型调用及 DeepSeek API 调用

1. 引言

前面两篇文章已经完成了本地开发环境的搭建、项目创建以及依赖安装。本篇将进入实战核心环节------让 AI 智能体真正"开口说话"。

我们将完成以下四件事：

创建 .env 配置文件，统一管理 DeepSeek 与本地大模型的密钥和地址
创建 config/settings.py，用 Pydantic 优雅地加载配置
创建大模型客户端，同时支持 DeepSeek API 与本地模型
编写调用文件，通过 FastAPI 接口对外提供问答能力

2. 创建 .env 配置文件

在项目根目录下创建 .env 文件，内容如下：

bash 复制代码

# DeepSeek 配置
DEEPSEEK_API_URL="https://api.deepseek.com"
DEEPSEEK_API_KEY="sk-xxx"
DEEPSEEK_API_MODEL="deepseek-chat"

# 其他大模型配置（本地部署）
LLM_API_URL="http://192.xxx.xxx.xxx"
LLM_API_KEY="sk-xxx"
LLM_API_MODEL="llm-chat"

注意：请将 sk-xxx 替换为你自己的真实密钥。.env 文件不要提交到 Git 仓库，建议在 .gitignore 中加入 .env。

3. 创建 config/settings.py

在项目目录下创建 config 包，并新建 settings.py 文件：

python 复制代码

import os
from typing import Optional
from dotenv import load_dotenv
from pydantic_settings import SettingsConfigDict, BaseSettings

# 加载环境配置
load_dotenv()


class Setting(BaseSettings):
    model_config = SettingsConfigDict(validate_default=False)

    # deepseek 模型配置
    deepseek_api_url: str
    deepseek_api_key: str
    deepseek_api_model: str

    # 大模型配置
    llm_api_url: str
    llm_api_key: str
    llm_api_model: str


setting = Setting()

这里使用 pydantic-settings 自动从 .env 读取配置，字段名与 .env 中的变量名一一对应，无需手动 os.getenv。

4. 创建大模型客户端

新建 llm_client.py 文件，统一封装 DeepSeek 与本地模型的客户端：

python 复制代码

from openai import OpenAI, AsyncOpenAI
from config.settings import setting

# 通用的人 prompt 前缀
PROMPT_PREFIX = "现在是{}年{}月{}日，你的名字叫智能问答助手。是一个基于 **大语言模型 + LangGraph 多智能体编排 + RAG 知识库检索** 的智能问答平台"


def build_prompt(user_question: str) -> str:
    """拼接带时间上下文的完整 prompt"""
    from datetime import datetime

    now = datetime.now()
    return PROMPT_PREFIX.format(now.year, now.month, now.day) + "\n\n用户问题：" + user_question


# 创建大模型客户端
llm_client = OpenAI(api_key=setting.llm_api_key, base_url=setting.llm_api_url)

deepseek_client = OpenAI(api_key=setting.deepseek_api_key, base_url=setting.deepseek_api_url)
deepseek_async_client = AsyncOpenAI(api_key=setting.deepseek_api_key, base_url=setting.deepseek_api_url)

5. 编写模型调用文件

新建 model_caller.py，封装同步与异步的调用逻辑：

python 复制代码

from config.settings import setting
from llm_client import deepseek_client, deepseek_async_client, llm_client, build_prompt


def call_deepseek(prompt: str) -> str:
    """同步调用 DeepSeek"""
    resp = deepseek_client.chat.completions.create(
        model=setting.deepseek_api_model,
        messages=[{"role": "user", "content": prompt}],
        temperature=0.01,
        max_tokens=300,
    )
    return resp.choices[0].message.content


async def call_deepseek_async(prompt: str) -> str:
    """异步调用 DeepSeek"""
    resp = await deepseek_async_client.chat.completions.create(
        model=setting.deepseek_api_model,
        messages=[{"role": "user", "content": prompt}],
        temperature=0.01,
        max_tokens=300,
    )
    return resp.choices[0].message.content


def call_local_llm(prompt: str) -> str:
    """调用本地大模型"""
    resp = llm_client.chat.completions.create(
        model=setting.llm_api_model,
        messages=[{"role": "user", "content": prompt}],
        temperature=0.01,
        max_tokens=300,
    )
    return resp.choices[0].message.content


if __name__ == "__main__":
    # 简单自测
    question = "你好，请介绍一下你自己"
    print("DeepSeek 回复：", call_deepseek(build_prompt(question)))

6. 通过 FastAPI 提供问答接口

新建 main.py，用 FastAPI 暴露一个 /chat 接口：

python 复制代码

from fastapi import FastAPI
from pydantic import BaseModel
from model_caller import call_deepseek, call_deepseek_async, call_local_llm, build_prompt

app = FastAPI(title="AI 智能问答助手")


class ChatRequest(BaseModel):
    question: str
    use_deepseek: bool = True  # True 用 DeepSeek，False 用本地模型


@app.post("/chat")
async def chat(req: ChatRequest):
    prompt = build_prompt(req.question)
    if req.use_deepseek:
        answer = await call_deepseek_async(prompt)
    else:
        answer = call_local_llm(prompt)
    return {"question": req.question, "answer": answer}


if __name__ == "__main__":
    import uvicorn

    uvicorn.run(app, host="0.0.0.0", port=8000)

启动服务：

bash 复制代码

uvicorn main:app --reload --port 8000

测试接口：

bash 复制代码

curl -X POST http://localhost:8000/chat \
  -H "Content-Type: application/json" \
  -d '{"question": "你好，你是谁？", "use_deepseek": true}'

7. 总结

本篇完成了从配置到调用的完整链路：

.env 统一管理密钥与地址
settings.py 自动加载配置
客户端同时支持 DeepSeek 与本地模型
FastAPI 对外提供 /chat 接口