当前位置：首页 > news >正文

通过阿里云百炼平台调用DeepSeek大模型

news 2026/4/25 10:48:38

需求分析

这段代码的核心需求是通过阿里云百炼平台调用DeepSeek大模型，并实时展示其思考推理过程。具体需求包括：1）接入阿里云的模型服务API；2）支持流式输出以提高响应体验；3）可视化模型的内部思考链，让用户了解AI的推理路径；4）最终呈现格式规范的完整回答。这适用于需要透明化AI推理过程的教育、调试或演示场景。

架构设计

设计采用了客户端-服务器架构，并包含流式处理机制。客户端基于OpenAI SDK兼容模式构建，通过base_url重定向至阿里云API端点。关键设计包括：1）身份验证层：通过环境变量管理API密钥；2）请求构造层：在标准对话参数外通过extra_body启用思考过程；3）流式处理层：实时解析响应数据块，区分思考内容与最终回复；4）展示控制层：用状态变量is_answering管理输出阶段，添加视觉分隔符提升可读性。

代码实现

from openai import OpenAI import os #阿里云百炼提供的DeepSeek大模型服务 client = OpenAI( # 如果没有配置环境变量，请用阿里云百炼API Key替换：api_key="sk-xxx" api_key=os.getenv("DASHSCOPE_API_KEY"), base_url="https://dashscope.aliyuncs.com/compatible-mode/v1", ) messages = [{"role": "user", "content": "你是谁"}] completion = client.chat.completions.create( model="deepseek-v3.1", # 您可以按需更换为其它深度思考模型 messages=messages, extra_body={"enable_thinking": True}, stream=True ) is_answering = False # 是否进入回复阶段 print("\n" + "=" * 20 + "思考过程" + "=" * 20) for chunk in completion: delta = chunk.choices[0].delta if hasattr(delta, "reasoning_content") and delta.reasoning_content is not None: if not is_answering: print(delta.reasoning_content, end="", flush=True) if hasattr(delta, "content") and delta.content: if not is_answering: print("\n" + "=" * 20 + "完整回复" + "=" * 20) is_answering = True print(delta.content, end="", flush=True)

代码执行结果

C:\Users\xiayu\miniconda3\envs\langgraph\python.exe C:\Users\xiayu\PyCharmMiscProject\AI-Agent-Dev-Practices-Code\第3章代码\3.0-deepseek.py ====================思考过程==================== 唔，用户问了一个非常基础的自我介绍问题。这种问题通常出现在对话刚开始时，用户想确认对话对象的身份和功能。需要简洁清晰地说明自己的身份和能提供的帮助，同时保持友好亲切的语气。 可以用公司名称和产品定位来建立信任感，提到核心功能范围让用户快速了解能获得哪些帮助，最后用开放式的邀请结束回复鼓励用户继续互动。不需要过多细节，避免让新用户觉得信息过载。 想到了用emoji增加亲和力，但要注意保持专业感平衡。直接说明是DeepSeek-V3，这样熟悉AI领域的用户能立刻明白技术背景。 ====================完整回复==================== 我是DeepSeek-V3，一个由深度求索公司创造的智能助手！🤖💡我可以帮助你解答各种问题、提供建议、进行知识查询，甚至陪你聊天！无论是学习、工作还是日常生活中的疑问，尽管问我吧~✨有什么我可以帮你的吗？😊 Process finished with exit code 0

代码解析

代码分为初始化、请求构建和响应处理三部分。OpenAI客户端配置了阿里云特定的api_key和base_url。请求时指定deepseek-v3.1模型，开启enable_thinking和stream。核心循环逻辑为：遍历completion流，优先检查delta.reasoning_content并打印（标记为“思考过程”）；当检测到delta.content时，切换is_answering状态，打印“完整回复”标题后输出最终内容。这种设计确保了思考过程与最终回答的清晰分离和顺序展示。