DeepSeek快速入门与基础集成

本文基于 2026 年真实的 DeepSeek API 介绍如何快速上手并集成。DeepSeek 提供 OpenAI 兼容 API，因此直接复用 openai SDK，只改 baseURL 即可，无需任何专用 SDK。可直接作为面试回答。

🚀 什么是 DeepSeek

DeepSeek（深度求索）是国产大模型厂商，其模型以强推理能力、开源权重（MIT 许可）和极低价格著称。关键事实（截至 2026 年）：

OpenAI 兼容 API：端点为 https://api.deepseek.com，请求/响应格式与 OpenAI Chat Completions 一致。
开源权重：V3、R1 等核心模型以 MIT 许可开源，可商用、可自托管。
低成本定位：API 价格显著低于同档位闭源模型，适合大规模/成本敏感场景。
不存在 deepseek-sdk 这种专用包——历史教程里的 new DeepSeekClient() / client.generate({prompt}) 是虚构的，请勿使用。

🧠 模型矩阵：deepseek-chat 与 deepseek-reasoner

模型 ID	对应能力	特点	典型用途
`deepseek-chat`	DeepSeek-V3 系列（MoE 通用对话）	通用对话、指令遵循、工具调用	客服、写作、通用问答
`deepseek-reasoner`	DeepSeek-R1 系列（推理模型）	先输出思维链，再给答案；返回 `reasoning_content` 与 `content` 两部分	数学、代码、复杂逻辑推理

面试要点：deepseek-reasoner 会在响应中单独返回 reasoning_content（推理过程），业务里通常只展示 content，把 reasoning_content 用于调试或折叠展示。推理模型一般不支持 temperature、top_p、function calling 等部分参数（以官方文档为准）。

📦 环境准备

安装依赖（OpenAI 兼容）

# 直接用 OpenAI 官方 SDK，无需任何 DeepSeek 专用包
npm install openai

获取 API 密钥

访问 DeepSeek 开放平台
注册并登录
创建 API Key
通过环境变量 DEEPSEEK_API_KEY 注入，切勿硬编码

🔍 基础集成示例

对话补全

DeepSeek 用的是标准 Chat Completions（messages + model），不是 prompt：

import OpenAI from "openai";

const client = new OpenAI({
  apiKey: process.env.DEEPSEEK_API_KEY,
  baseURL: "https://api.deepseek.com", // 关键：指向 DeepSeek
});

async function generateText() {
  const completion = await client.chat.completions.create({
    model: "deepseek-chat",
    messages: [
      { role: "system", content: "你是一个专业的技术写作助手。" },
      { role: "user", content: "请写一篇关于人工智能发展趋势的短文，约200字。" },
    ],
    temperature: 0.7,
    max_tokens: 400,
  });

  const text = completion.choices[0].message.content;
  console.log("生成结果:", text);
  return text;
}

generateText();

问答系统

async function answerQuestion(question, context = "") {
  const messages = [
    { role: "system", content: "你是一个严谨的问答助手，基于给定上下文作答。" },
  ];
  if (context) {
    messages.push({ role: "user", content: `上下文：\n${context}\n\n问题：${question}` });
  } else {
    messages.push({ role: "user", content: question });
  }

  const completion = await client.chat.completions.create({
    model: "deepseek-chat",
    messages,
    temperature: 0.3, // 问答求稳，温度调低
  });
  return completion.choices[0].message.content;
}

answerQuestion("什么是人工智能？");
answerQuestion("人工智能的主要应用领域有哪些？", "人工智能是模拟人类智能的计算机系统。");

多轮对话历史管理

对话历史就是不断累积的 messages 数组，把上一轮的 assistant 回复也加回去：

class ChatBot {
  constructor() {
    this.messages = [{ role: "system", content: "你是一个友好的助手。" }];
    this.maxTurns = 10;
  }

  async send(userText) {
    this.messages.push({ role: "user", content: userText });

    const completion = await client.chat.completions.create({
      model: "deepseek-chat",
      messages: this.messages,
      temperature: 0.7,
    });

    const reply = completion.choices[0].message.content;
    this.messages.push({ role: "assistant", content: reply });

    // 控制历史长度（保留 system + 最近若干轮）
    if (this.messages.length > this.maxTurns * 2 + 1) {
      this.messages = [this.messages[0], ...this.messages.slice(-this.maxTurns * 2)];
    }
    return reply;
  }
}

const bot = new ChatBot();
await bot.send("你好，我叫小明。");
await bot.send("我刚才说我叫什么名字？");

流式输出

设置 stream: true 即可逐 token 接收，实现打字机效果：

async function streamChat(userText) {
  const stream = await client.chat.completions.create({
    model: "deepseek-chat",
    messages: [{ role: "user", content: userText }],
    stream: true,
  });

  let full = "";
  for await (const chunk of stream) {
    const delta = chunk.choices[0]?.delta?.content || "";
    process.stdout.write(delta);
    full += delta;
  }
  return full;
}

streamChat("用三句话介绍 Node.js 的事件循环。");

调用推理模型 deepseek-reasoner

推理模型返回的 delta 里会分别带 reasoning_content（思维链） 和 content（最终答案），需要分离处理：

async function reason(question) {
  const stream = await client.chat.completions.create({
    model: "deepseek-reasoner",
    messages: [{ role: "user", content: question }],
    stream: true,
  });

  let reasoning = "";
  let answer = "";
  for await (const chunk of stream) {
    const d = chunk.choices[0]?.delta;
    if (d?.reasoning_content) reasoning += d.reasoning_content; // 推理过程
    if (d?.content) answer += d.content;                       // 最终答案
  }

  console.log("【推理过程，可折叠】", reasoning);
  console.log("【最终答案】", answer);
  return answer;
}

reason("一个房间有 3 盏灯和 3 个开关，如何用一次进房确定对应关系？");

注意：不要把 reasoning_content 再拼回下一轮的 messages，多轮对话只回传 content，否则会报错或浪费上下文。

⚙️ 模型参数调优

DeepSeek 的对话模型（deepseek-chat）支持标准 OpenAI 参数：

temperature：随机性（0~2），创作调高、问答调低。
top_p：核采样，与 temperature 二选一调。
max_tokens：限制输出长度。
stop：停止序列。
frequency_penalty / presence_penalty：抑制重复 / 鼓励新主题。
response_format: { type: "json_object" }：要求返回合法 JSON（需在 prompt 中说明 JSON 结构）。

const completion = await client.chat.completions.create({
  model: "deepseek-chat",
  messages: [{ role: "user", content: "写一首关于春天的现代诗。" }],
  temperature: 1.0,
  max_tokens: 200,
  frequency_penalty: 0.5,
  presence_penalty: 0.7,
  stop: ["###"],
});

🔌 集成到 Web 应用

Express.js 中封装一个对话接口：

import express from "express";
import OpenAI from "openai";
import "dotenv/config";

const app = express();
app.use(express.json());

const client = new OpenAI({
  apiKey: process.env.DEEPSEEK_API_KEY,
  baseURL: "https://api.deepseek.com",
});

app.post("/api/chat", async (req, res) => {
  try {
    const { messages, model = "deepseek-chat", temperature = 0.7 } = req.body;
    const completion = await client.chat.completions.create({ model, messages, temperature });
    res.json({ success: true, content: completion.choices[0].message.content, usage: completion.usage });
  } catch (err) {
    res.status(500).json({ success: false, error: err.message });
  }
});

// SSE 流式接口
app.post("/api/chat/stream", async (req, res) => {
  res.setHeader("Content-Type", "text/event-stream; charset=utf-8");
  res.setHeader("Cache-Control", "no-cache, no-transform");
  const stream = await client.chat.completions.create({
    model: "deepseek-chat",
    messages: req.body.messages,
    stream: true,
  });
  for await (const chunk of stream) {
    const delta = chunk.choices[0]?.delta?.content || "";
    if (delta) res.write(`data: ${JSON.stringify({ delta })}\n\n`);
  }
  res.write("data: [DONE]\n\n");
  res.end();
});

app.listen(3000, () => console.log("DeepSeek 集成示例运行在 http://localhost:3000"));

💡 开源与自托管

DeepSeek 的模型权重以 MIT 许可开源，可下载到自有 GPU 集群推理，常用推理引擎：

vLLM：高吞吐 OpenAI 兼容服务端，适合生产。
SGLang：针对长上下文/复杂调度优化，对 R1 类推理模型友好。

# 用 vLLM 起一个 OpenAI 兼容服务（示意）
pip install vllm
python -m vllm.entrypoints.openai.api_server \
  --model deepseek-ai/DeepSeek-V3 \
  --served-model-name deepseek-chat

自托管后，客户端只需把 baseURL 指向你的 vLLM 服务地址即可，代码不变——这正是「OpenAI 兼容」的价值：云端 API 与自托管可无缝切换。

📝 总结

DeepSeek = OpenAI 兼容 API，用 openai SDK + baseURL: "https://api.deepseek.com"，没有 deepseek-sdk。
模型矩阵：deepseek-chat（V3 通用对话） 与 deepseek-reasoner（R1 推理，返回 reasoning_content）。
支持流式（stream: true）、JSON 输出（response_format）、标准对话参数。
权重 MIT 开源，可用 vLLM / SGLang 自托管，低成本是核心定位。

目录​

🚀 什么是 DeepSeek​

🧠 模型矩阵：deepseek-chat 与 deepseek-reasoner​

📦 环境准备​

安装依赖（OpenAI 兼容）​

获取 API 密钥​

🔍 基础集成示例​

对话补全​

问答系统​

多轮对话历史管理​

流式输出​

调用推理模型 deepseek-reasoner​

⚙️ 模型参数调优​

🔌 集成到 Web 应用​

💡 开源与自托管​

📝 总结​

目录