代码文件下载：Code
本文不引入环境变量，如果对其感兴趣可以阅读《初识 LLM API：环境配置与多轮对话演示》的「环境变量配置」部分。
代码文件已包含文章中所有平台的正确配置。
以 DeepSeek 单轮对话的代码样例进行讲解：
from openai import OpenAI
import os
client = OpenAI(
api_key="your-api-key", # 1：替换成对应的 API_Key，可以使用环境变量而非明文填写，即 api_key=os.getenv("DEEPSEEK_API_KEY")
base_url="https://api.deepseek.com", # 2：每个平台的 base_url 不同
)
# 单轮对话示例
completion = client.chat.completions.create(
model="deepseek-chat", # 3：模型标识（model_id）可能存在差异
messages=[
{'role': 'system', 'content': 'You are a helpful assistant.'},
{'role': 'user', 'content': '你是谁？'}
]
)当前大模型平台都适配了 OpenAI SDK，所以只需要对应修改三个参数（分别对应于代码中的注释）：
-
api_key：《DeepSeek API 的获取与对话示例》。
-
base_url。
-
model。
不同平台参数对照表1：
| base_url | chat_model_id | reasoner_model_id | |
|---|---|---|---|
| DeepSeek | "https://api.deepseek.com" | "deepseek-chat" | "deepseek-reasoner" |
| 硅基流动 | "https://api.siliconflow.cn/v1" | "deepseek-ai/DeepSeek-V3" | "deepseek-ai/DeepSeek-R1" |
| 阿里云百炼 | "https://dashscope.aliyuncs.com/compatible-mode/v1" | "deepseek-v3" | "deepseek-r1" |
| 百度智能云 | "https://qianfan.baidubce.com/v2" | "deepseek-v3" | "deepseek-r1" |
| 字节火山引擎 | https://ark.cn-beijing.volces.com/api/v3 | 访问推理点获取 | 访问推理点获取 |
以硅基流动平台为例，使用 chat 模型，修改如下：
- client = OpenAI(
- api_key="your-api-key", #1
- base_url="https://api.deepseek.com", # 2
- )
- completion = client.chat.completions.create(
- model="deepseek-chat", # 3
+ client = OpenAI(
+ api_key="your-api-key", #1
+ base_url="https://api.siliconflow.cn/v1", # 2
+ )
+ completion = client.chat.completions.create(
+ model="deepseek-ai/DeepSeek-V3", # 3最终：
from openai import OpenAI
import os
client = OpenAI(
api_key="your-api-key", # 1：替换成对应的 API_Key
base_url="https://api.siliconflow.cn/v1", # 2
)
# 单轮对话示例
completion = client.chat.completions.create(
model="deepseek-ai/DeepSeek-V3", # 3
messages=[
{'role': 'system', 'content': 'You are a helpful assistant.'},
{'role': 'user', 'content': '你是谁？'}
]
)print(completion.model_dump()) 的输出并不适合阅读，使用 Pretty Print 进行打印：
# 结构化打印
from pprint import pprint
pprint(completion.model_dump())
# 下方代码作用和 pprint 一样
# import json
# print(json.dumps(completion.model_dump(), indent=4, ensure_ascii=False))下面以 DeepSeek API 的聊天模型和推理模型为例进行解读，涉及的知识对于使用了 OpenAI SDK 的平台是通用的：
输出：
{'choices': [{'finish_reason': 'stop',
'index': 0,
'logprobs': None,
'message': {'content': '您好！我是由中国的深度求索（DeepSeek）公司开发的智能助手DeepSeek-V3。如您有任何任何问题，我会尽我所能为您提供帮助。',
'function_call': None,
'refusal': None,
'role': 'assistant',
'tool_calls': None}}],
'created': 1739002836,
'id': '897844a1-65d9-4e74-bdd3-4d966c8c1710',
'model': 'deepseek-chat',
'object': 'chat.completion',
'service_tier': None,
'system_fingerprint': 'fp_3a5770e1b4',
'usage': {'completion_tokens': 37,
'prompt_cache_hit_tokens': 0,
'prompt_cache_miss_tokens': 11,
'prompt_tokens': 11,
'prompt_tokens_details': {'cached_tokens': 0},
'total_tokens': 48}}通过输出的字段我们能做些什么？（详细说明见附录）：
-
获取模型回复（choices）
print(completion.choices[0].message.content)
输出：
您好！我是由中国的深度求索（DeepSeek）公司开发的智能助手DeepSeek-V3。如您有任何任何问题，我会尽我所能为您提供帮助。 -
获取用量信息（usage）
def print_chat_usage(completion): stats = completion.usage hit = stats.prompt_cache_hit_tokens miss = stats.prompt_cache_miss_tokens print(f"===== TOKEN 消耗明细 =====") print(f"输入: {stats.prompt_tokens} tokens [缓存命中: {hit} | 未命中: {miss}]") print(f"输出: {stats.completion_tokens} tokens") print(f"总消耗: {stats.total_tokens} tokens") # 按 DeepSeek 定价计算成本（单位：元） # - 输入: 2元/百万 Tokens（缓存命中 0.5元/百万 Tokens） # - 输出: 8元/百万 Tokens # 官方价格文档：https://api-docs.deepseek.com/zh-cn/quick_start/pricing/ input_cost = (hit * 0.5 + miss * 2) / 1_000_000 output_cost = stats.completion_tokens * 8 / 1_000_000 total_cost = input_cost + output_cost print(f"\n===== 成本明细 =====") print(f"输入成本: ￥{input_cost:.4f} 元") print(f"输出成本: ￥{output_cost:.4f} 元") print(f"预估总成本: ￥{total_cost:.4f} 元") print_chat_usage(completion)
输出：
===== TOKEN 消耗明细 ===== 输入: 11 tokens [缓存命中: 0 | 未命中: 11] 输出: 37 tokens 总消耗: 48 tokens ===== 成本明细 ===== 输入成本: ￥0.0000 元 输出成本: ￥0.0003 元 预估总成本: ￥0.0003 元[!important]
非 DeepSeek 官方平台不存在一些特殊字段（比如：
usage.prompt_cache_hit_tokens），一个更兼容的版本：def print_chat_usage(completion, input_cost=2.0, output_cost=8.0, cache_hit_cost=0.5): """ 参数： - input_cost: 输入价格（元/百万 Tokens） - output_cost: 输出价格（元/百万 Tokens） - cache_hit_cost: 缓存命中价格（当平台不支持时自动退化到全价模式） 按 DeepSeek 聊天模型定价设定默认成本（单位：元）： - 输入: 2元/百万 Tokens（缓存命中 0.5元/百万 Tokens） - 输出: 8元/百万 Tokens 官方价格文档：https://api-docs.deepseek.com/zh-cn/quick_start/pricing/ """ stats = completion.usage # 尝试获取字段（兼容其他平台） hit = getattr(stats, 'prompt_cache_hit_tokens', 0) miss = getattr(stats, 'prompt_cache_miss_tokens', stats.prompt_tokens - hit if hasattr(stats, 'prompt_tokens') else 0) print(f"===== TOKEN 消耗明细 =====") # 仅在存在缓存机制时显示细节 if hit + miss > 0: print(f"输入: {stats.prompt_tokens} tokens [缓存命中: {hit} | 未命中: {miss}]") else: print(f"输入: {stats.prompt_tokens} tokens") print(f"输出: {stats.completion_tokens} tokens") print(f"总消耗: {stats.total_tokens} tokens") # 动态成本计算 input_cost = (hit * cache_hit_cost + miss * input_cost) / 1_000_000 output_cost = stats.completion_tokens * output_cost / 1_000_000 total_cost = input_cost + output_cost print(f"\n===== 成本明细 =====") print(f"输入成本: ￥{input_cost:.4f} 元") print(f"输出成本: ￥{output_cost:.4f} 元") print(f"预估总成本: ￥{total_cost:.4f} 元") print_chat_usage(completion)
修改代码中的 model 参数即可切换模型（以 DeepSeek 官方平台为例）：
- completion = client.chat.completions.create(
- model="deepseek-chat", # 3
+ completion = client.chat.completions.create(
+ model="deepseek-reasoner", # 3其他平台参考下表1，对应
reasoner_model_id列：
base_url chat_model_id reasoner_model_id DeepSeek "https://api.deepseek.com" "deepseek-chat" "deepseek-reasoner" 硅基流动 "https://api.siliconflow.cn/v1" "deepseek-ai/DeepSeek-V3" "deepseek-ai/DeepSeek-R1" 阿里云百炼 "https://dashscope.aliyuncs.com/compatible-mode/v1" "deepseek-v3" "deepseek-r1" 百度智能云 "https://qianfan.baidubce.com/v2" "deepseek-v3" "deepseek-r1" 字节火山引擎 https://ark.cn-beijing.volces.com/api/v3/ 访问推理点获取 访问推理点获取
修改后运行代码：
from openai import OpenAI
import os
client = OpenAI(
api_key="your-api-key", # 1：替换成对应的 API_Key
base_url="https://api.siliconflow.cn/v1", # 2
)
# 单轮对话示例
completion = client.chat.completions.create(
model="deepseek-ai/DeepSeek-R1", # 3：换成推理模型
messages=[
{'role': 'system', 'content': 'You are a helpful assistant.'},
{'role': 'user', 'content': '你是谁？'}
]
)
from pprint import pprint
pprint(completion.model_dump())输出：
{'choices': [{'finish_reason': 'stop',
'index': 0,
'logprobs': None,
'message': {'content': '您好！我是DeepSeek-R1，一个由深度求索（DeepSeek）公司开发的智能助手，擅长通过思考来帮您解答复杂的数学，代码和逻辑推理等理工类问题。我会始终保持专业和诚实，如果您有任何问题，我会尽力为您提供帮助。',
'function_call': None,
'reasoning_content': '嗯，用户问“你是谁？”，我需要用中文回答。首先，我要明确我的身份是一个AI助手，由中国的深度求索公司开发，名字叫DeepSeek-R1。然后，要说明我的功能是帮助用户解答问题、提供信息。可能还需要提到我擅长多个领域，比如科技、科学、教育等等，以及使用场景，比如学习、工作、生活。还要保持友好和简洁，避免技术术语，让用户容易理解。\n'
'\n'
'接下来，我需要检查是否符合公司的指导方针，有没有需要强调的部分，比如安全性或隐私保护。可能还要提到持续学习优化，但不需要太详细。确保回答结构清晰，先自我介绍，再讲功能，最后表达愿意帮助的态度。要避免任何格式错误，用自然的口语化中文，不用markdown。然后组织语言，确保流畅自然，没有生硬的部分。最后通读一遍，确认准确性和友好性。',
'refusal': None,
'role': 'assistant',
'tool_calls': None}}],
'created': 1739030062,
'id': 'f8dfbdb0-6884-40db-bcd2-d411da96e1a7',
'model': 'deepseek-reasoner',
'object': 'chat.completion',
'service_tier': None,
'system_fingerprint': 'fp_7e73fd9a08',
'usage': {'completion_tokens': 248,
'completion_tokens_details': {'reasoning_tokens': 187},
'prompt_cache_hit_tokens': 0,
'prompt_cache_miss_tokens': 13,
'prompt_tokens': 13,
'prompt_tokens_details': {'cached_tokens': 0},
'total_tokens': 261}}-
获取模型回复（choices）
# 获取推理思考过程（Reasoner特有字段） reasoning_content = completion.choices[0].message.reasoning_content print(f"===== 模型推理过程 =====\n{reasoning_content}") # 获取模型回复内容（与之前相同） content = completion.choices[0].message.content print(f"===== 模型回复 =====\n{content}")
输出：
===== 模型推理过程 ===== 嗯，用户问“你是谁？”，我需要用中文回答。首先，我要明确我的身份是一个AI助手，由中国的深度求索公司开发，名字叫DeepSeek-R1。然后，要说明我的功能是帮助用户解答问题、提供信息。可能还需要提到我擅长多个领域，比如科技、科学、教育等等，以及使用场景，比如学习、工作、生活。还要保持友好和简洁，避免技术术语，让用户容易理解。 接下来，我需要检查是否符合公司的指导方针，有没有需要强调的部分，比如安全性或隐私保护。可能还要提到持续学习优化，但不需要太详细。确保回答结构清晰，先自我介绍，再讲功能，最后表达愿意帮助的态度。要避免任何格式错误，用自然的口语化中文，不用markdown。然后组织语言，确保流畅自然，没有生硬的部分。最后通读一遍，确认准确性和友好性。 ===== 模型回复 ===== 您好！我是DeepSeek-R1，一个由深度求索（DeepSeek）公司开发的智能助手，擅长通过思考来帮您解答复杂的数学，代码和逻辑推理等理工类问题。我会始终保持专业和诚实，如果您有任何问题，我会尽力为您提供帮助。[!important]
部分部署了 DeepSeek-R1 的平台并没有解析
<think>标签，此时访问message.reasoning_content会报错AttributeError，这里手动进行处理：import re def parse_reasoner_response(completion): """ 参数： - completion (object): API 返回的对象 返回： - (reasoning_content, reply_content) 处理两种平台格式： 1. 有独立 reasoning_content 字段的平台：DeepSeek 官方，硅基流动，百度智能云... 2. 可能需要从 content 解析 <think> 标签的平台：阿里云百炼（偶尔会没有 reasoning_content）... """ message = completion.choices[0].message # 尝试直接获取 reasoning_content 字段 reasoning = getattr(message, 'reasoning_content', None) # 有 reasoning_content 时直接获取最终回复 if reasoning: final_content = getattr(message, 'content', '') else: # 如果没有，则尝试从 content 解析 content = getattr(message, 'content', '') # 使用非贪婪模式匹配 <think> 标签 reasoning_match = re.search( r'<think>(.*?)</think>', content, re.DOTALL # 允许跨行匹配 ) if reasoning_match: reasoning = reasoning_match.group(1).strip() # 从原始内容移除推理部分 final_content = re.sub( r'<think>.*?</think>', '', content, flags=re.DOTALL ).strip() else: reasoning = '' final_content = content return reasoning, final_content reasoning_content, content = parse_reasoner_response(completion) print(f"===== 模型推理过程 =====\n{reasoning_content}") print(f"\n===== 最终回复 =====\n{content}")
-
获取用量信息（usage）
def print_reasoner_usage(completion): stats = completion.usage hit = stats.prompt_cache_hit_tokens miss = stats.prompt_cache_miss_tokens print(f"===== TOKEN 消耗明细 =====") print(f"输入: {stats.prompt_tokens} tokens [缓存命中: {hit} | 未命中: {miss}]") print(f"输出: {stats.completion_tokens} tokens") # 推理模型的token分解 if details := stats.completion_tokens_details: reasoning = details['reasoning_tokens'] final = stats.completion_tokens - reasoning print(f"├─ 推理过程: {reasoning} tokens") print(f"└─ 最终回答: {final} tokens") print(f"总消耗: {stats.total_tokens} tokens") # 按 DeepSeek 定价计算成本（单位：元） # - 输入Token: 4元/百万Tokens（未命中缓存 1元/百万Tokens） # - 输出Token: 16元/百万Tokens # 官方价格文档：https://api-docs.deepseek.com/zh-cn/quick_start/pricing/ input_cost = (hit * 1 + miss * 4) / 1_000_000 output_cost = stats.completion_tokens * 16 / 1_000_000 total_cost = input_cost + output_cost print(f"\n===== 成本明细 =====") print(f"输入成本: ￥{input_cost:.4f} 元") print(f"输出成本: ￥{output_cost:.4f} 元") print(f"预估总成本: ￥{total_cost:.4f} 元") print_reasoner_usage(completion)
输出：
===== TOKEN 消耗明细 ===== 输入: 13 tokens [缓存命中: 0 | 未命中: 13] 输出: 248 tokens ├─ 推理过程: 187 tokens └─ 最终回答: 61 tokens 总消耗: 261 tokens ===== 成本明细 ===== 输入成本: ￥0.0001 元 输出成本: ￥0.0040 元 预估总成本: ￥0.0040 元[!important]
非 DeepSeek 官方的部分平台（但百度智能云存在）不存在一些特殊字段（比如：
reasoning_tokens），一个更兼容的版本：def print_reasoner_usage(completion, input_cost=4.0, output_cost=16.0, cache_hit_cost=1.0): """ 参数： - input_cost: 输入价格（元/百万 Tokens） - output_cost: 输出价格（元/百万 Tokens） - cache_hit_cost: 缓存命中价格（当平台不支持时自动退化到全价模式） 按 DeepSeek 推理模型定价设定默认成本（单位：元）： - 输入: 4元/百万 Tokens（缓存命中 1元/百万 Tokens） - 输出: 16元/百万 Tokens 官方价格文档：https://api-docs.deepseek.com/zh-cn/quick_start/pricing/ """ stats = completion.usage # 尝试获取字段（兼容其他平台） hit = getattr(stats, 'prompt_cache_hit_tokens', 0) miss = getattr(stats, 'prompt_cache_miss_tokens', stats.prompt_tokens - hit if hasattr(stats, 'prompt_tokens') else 0) print(f"===== TOKEN 消耗明细 =====") # 仅在存在缓存机制时显示细节 if hit + miss > 0: print(f"输入: {stats.prompt_tokens} tokens [缓存命中: {hit} | 未命中: {miss}]") else: print(f"输入: {stats.prompt_tokens} tokens") print(f"输出: {stats.completion_tokens} tokens") # 尝试获取推理过程详情 details = getattr(stats, 'completion_tokens_details', None) reasoning = 0 if details: if not isinstance(details, dict): details = getattr(details, 'dict', lambda: {})() # 尝试获取 reasoning_tokens reasoning = details.get('reasoning_tokens', 0) # 仅在存在推理tokens数量字段时处理 if reasoning > 0: final = stats.completion_tokens - reasoning print(f"├─ 推理过程: {reasoning} tokens") print(f"└─ 最终回答: {final} tokens") print(f"总消耗: {stats.total_tokens} tokens") # 动态成本计算 input_cost_total = (hit * cache_hit_cost + miss * input_cost) / 1_000_000 output_cost_total = stats.completion_tokens * output_cost / 1_000_000 total_cost = input_cost_total + output_cost_total print(f"\n===== 成本明细 =====") print(f"输入成本: ￥{input_cost_total:.4f} 元") print(f"输出成本: ￥{output_cost_total:.4f} 元") print(f"预估总成本: ￥{total_cost:.4f} 元") print_reasoner_usage(completion)
Note
补充几个 DeepSeek API 字段的官方说明2：
- message.reasoning_content：仅适用于 deepseek-reasoner 模型。内容为 assistant 消息中在最终答案之前的推理内容。
- usage.prompt_cache_hit_tokens：用户 prompt 中，命中上下文缓存的 token 数。
- usage.prompt_cache_miss_tokens：用户 prompt 中，未命中上下文缓存的 token 数。
注意，字段 usage.prompt_cache_hit_tokens 和 usage.prompt_cache_miss_tokens 仅存在于 DeepSeek API，故代码部分做了特殊处理。
下一章：DeepSeek API 流式输出解析 - OpenAI SDK
对话补全（chat completion）的响应字段解释如下：
-
id (string)
对话补全的唯一标识符。
-
choices (array)
对话补全选项的列表。如果请求参数
n大于 1，则会返回多个选项。每个选项包含以下字段：
-
finish_reason (string)
模型停止生成 tokens 的原因。可能的取值包括：
stop：模型自然结束生成或匹配到提供的stop序列。length：达到请求中指定的最大 tokens 数量。content_filter：被内容过滤器标记而省略部分内容时。tool_calls：当模型调用了工具时。function_call(Deprecated)：当模型调用了函数时。
[!note]
“选项”（choice）指的是模型生成的每个可能的对话回复。
当我们在请求中设置参数
n大于 1 时，模型会生成多个备选回复，然后这些回复会以列表（array）的形式返回，字段 index 表示该回复在列表中的位置（从 0 开始计数），当n为 1 的时候“选项”就是指当前“对话补全”，此时获取message的代码就是常见的choices[0].message.content。-
index (integer)
该选项在选项列表中的索引位置。
-
message (object)
模型生成的对话补全消息，包含以下字段：
-
content (string or null)
消息的文本内容。
-
refusal (string or null)
模型生成的拒绝消息。
-
tool_calls (array)
模型生成的工具调用记录，例如函数调用。
-
role (string)
生成该消息的角色，也就是消息的发送者身份。比如：
system：系统消息。user：用户输入。assistant：由模型生成的回复。
-
function_call (Deprecated, object)
已废弃，已由
tool_calls替代。原用于描述模型生成的函数调用的名称及参数。 -
audio (object or null)
当请求音频输出模式时，此对象包含模型音频响应的数据。
-
-
logprobs (object or null)
关于该选项的 log probability 信息。
-
-
created (integer)
对话补全生成时的 Unix 时间戳（单位：秒）。
-
model (string)
用于生成对话补全的模型名称。
-
service_tier (string or null)
处理该请求所使用的服务层级。
-
system_fingerprint (string)
表示模型运行时后端配置的指纹。
可与请求参数
seed配合使用，用于判断后端配置更改是否可能影响结果的确定性。 -
object (string)
对象类型，总是
chat.completion。 -
usage (object)
本次补全请求的使用统计信息，包含以下字段：
-
completion_tokens (integer)
生成的补全文本中的 tokens 数量。
-
prompt_tokens (integer)
提示（prompt）中的 tokens 数量。
-
total_tokens (integer)
请求中使用的 tokens 总数（prompt + completion），即用户的提示 + 模型的生成。
-
completion_tokens_details (object)
对补全中使用 tokens 的详细拆分统计。
-
prompt_tokens_details (object)
对提示中使用 tokens 的详细拆分统计。
-
Note
如果有字段未在 OpenAI 官方文档中出现，需要查阅模型对应平台的 API 文档。