Function Calling
deepseek 开发平台 申请一个 api key
申请 api key 的时候，只有在创建的时候才能看到完整的 key，所以创建的时候一定要妥善保存
有了 api key 后，我们就可以和 deepseek 大模型进行一个交互，这里我们用 curl 命令发送一个 POST 请求 到 DeepSeek 的接口 /chat/completions
curl https://api.deepseek.com/chat/completions \ -H "Content-Type: application/json" \ -H "Authorization: Bearer sk-f5f93edf175c42ee8683691f8aacfdab" \ -d '{ "model": "deepseek-chat", "messages": [ {"role": "user", "content": "你是谁？"} ], "stream": false }'- -H "Content-Type: application/json" \ - `-H` 指定一个 HTTP Header。 - `Content-Type: application/json` 告诉服务器：请求体是 JSON 格式的数据。- -H "Authorization: Bearer sk-f5f93edf175c42ee8683691f8aacfdab" \ - 这是 **认证信息**。 - 使用 Bearer Token 方式授权，`sk-xxx` 是 API 密钥。- -d '{ "model": "deepseek-chat", "messages": [{"role": "user", "content": "你是谁？"}],"stream": true}' - 请求体（Request Body），使用 `-d` 传递 JSON 数据。 - "model": "deepseek-chat"：指定使用的模型名。 - "messages": [...]：消息对象 - "content": "你是谁？"：用户发出的具体问题或对话内容。大模型返回内容：
{ "id": "81dddbb5-c01b-476b-a5d5-c5ac87e31b92", // 每次请求的唯一标识符（UUID） "object": "chat.completion", // 返回对象类型，这里表示是聊天补全结果 "created": 1751766353, // 响应生成时间（Unix 时间戳，单位秒） "model": "deepseek-chat", // 使用的模型名称
"choices": [ // 模型返回的一个或多个回答（通常只会有一个） { "index": 0, // 当前回答的索引（从 0 开始） "message": { "role": "assistant", // 消息角色，这里是 AI 助手 "content": "我是一个智能AI助手，随时为你提供帮助和解答问题。有什么我可以帮你的吗？" // 模型生成的文本内容 }, "logprobs": null, // token 概率信息（如未启用 logprobs 则为 null） "finish_reason": "stop" // 结束原因：stop 表示正常生成结束 } ],
"usage": { // 本次请求的 Token 使用情况 "prompt_tokens": 25, // 用户输入占用的 token 数 "completion_tokens": 19, // 模型回复占用的 token 数 "total_tokens": 44, // 总共使用的 token 数 "prompt_tokens_details": { "cached_tokens": 0 // 命中缓存的 token 数（如启用 prompt 缓存机制） }, "prompt_cache_hit_tokens": 0, // 缓存命中 token 数（本次为 0，表示未命中） "prompt_cache_miss_tokens": 25 // 缓存未命中 token 数（本次为 25，即全部未命中） },
"system_fingerprint": "fp_8802369eaa_prod0623_fp8_kvcache" // 系统/模型运行环境指纹，用于追踪模型版本等}当然，我们也可以开启流式回复：
curl https://api.deepseek.com/chat/completions \ -H "Content-Type: application/json" \ -H "Authorization: Bearer sk-f5f93edf175c42ee8683691f8aacfdab" \ -d '{ "model": "deepseek-chat", "messages": [ {"role": "user", "content": "你是谁？"} ], "stream": true }'得到的回复如下：
data: {"id":"83e0da03-9eb4-4883-887c-14847e88a441","object":"chat.completion.chunk","created":1751767365,"model":"deepseek-chat","system_fingerprint":"fp_8802369eaa_prod0623_fp8_kvcache","choices":[{"index":0,"delta":{"content":"我是一个"},"logprobs":null,"finish_reason":null}]}
...
data: {"id":"83e0da03-9eb4-4883-887c-14847e88a441","object":"chat.completion.chunk","created":1751767365,"model":"deepseek-chat","system_fingerprint":"fp_8802369eaa_prod0623_fp8_kvcache","choices":[{"index":0,"delta":{"content":"吗"},"logprobs":null,"finish_reason":null}]}
data: {"id":"83e0da03-9eb4-4883-887c-14847e88a441","object":"chat.completion.chunk","created":1751767365,"model":"deepseek-chat","system_fingerprint":"fp_8802369eaa_prod0623_fp8_kvcache","choices":[{"index":0,"delta":{"content":""},"logprobs":null,"finish_reason":"stop"}],"usage":{"prompt_tokens":25,"completion_tokens":19,"total_tokens":44,"prompt_tokens_details":{"cached_tokens":0},"prompt_cache_hit_tokens":0,"prompt_cache_miss_tokens":25}}
data: [DONE]目前的大模型仅仅是简单的 输入 和 输出，甚至连上下文都不支持。
例如下面的例子：
curl https://api.deepseek.com/chat/completions \ -H "Content-Type: application/json" \ -H "Authorization: Bearer sk-f5f93edf175c42ee8683691f8aacfdab" \ -d '{ "model": "deepseek-chat", "messages": [ {"role": "user", "content": "你是谁？"} ], "stream": false }'curl https://api.deepseek.com/chat/completions \ -H "Content-Type: application/json" \ -H "Authorization: Bearer sk-f5f93edf175c42ee8683691f8aacfdab" \ -d '{ "model": "deepseek-chat", "messages": [ {"role": "user", "content": "我刚才说的啥？"} ], "stream": false }'模型给出的回复：
你之前没有发送过任何内容哦～可能是消息没发送成功？你可以重新告诉我你的问题或需求，我会尽力帮你解答！ 😊🙋那有没有办法让模型支持上下文呢？
其实非常简单，只需要将之前的会话，加入到 messges 数组里面就行了，如下：
curl https://api.deepseek.com/chat/completions \ -H "Content-Type: application/json" \ -H "Authorization: Bearer sk-f5f93edf175c42ee8683691f8aacfdab" \ -d '{ "model": "deepseek-chat", "messages": [ {"role": "user", "content": "你知道大象么？"}, {"role": "assistant", "content": "大象是陆地上体型最大的哺乳动物，以其智慧、社会性和标志性的长鼻子（象鼻）而闻名。它们分为非洲象和亚洲象两个主要种类，具有高度发达的家庭结构和情感能力。"}, {"role": "user", "content": "我们刚才聊了啥？"} ], "stream": false }'模型给出的回复如下：
我们刚才的对话非常简短，你问的是关于大象的基本信息。具体内容如下： \n\n1. **你的提问**：你知道大象么？ \n2. **我的回答**：介绍了大象是陆地上最大的哺乳动物，提到它们的智慧、社会性、象鼻的功能，以及非洲象和亚洲象的区别。 \n\n然后你接着问到了**之前的聊天内容**，也就是现在这一轮对话。 \n\n如果需要更详细的大象知识（比如习性、保护现状等），或者想聊其他话题，可以随时告诉我！ 😊所以，大模型支持上下文的原理非常的简单，就是将之前的聊天记录一并给它。
课堂练习
重构当前 AI 聊天机器人