目标

通过vsCode用python访问deepseek。

环境准备

没有环境的，vscode环境准备请参考之前的文章，另外需安装ollama：

【菜鸟飞】用vsCode搭建python运行环境-CSDN博客

 AI入门1：AI模型管家婆ollama的安装和使用-CSDN博客

 选读文章：

【菜鸟飞】Conda安装部署与vscode的结合使用-CSDN博客

开始实操

1、获得访问DeepSeek R1的Token

咱们测试学习，就找个免费的，硅基流动被邀请用户送token，量大够用，官方的声明：

硅基流动官网：注册即送 2000 万 Tokens：受邀好友作为新用户完成 SiliconCloud 账号注册，立刻获得 2000万 Tokens。

  通过以下地址注册：硅基流动统一登录 （带了我的邀请码，接受邀请注册，才能获赠免费tocken）

​

自动填写了邀请码，手机验证注册，然后，创建密钥：

​

弹出对话框，输入描述信息，主要是给自己看，备注干嘛用的：

​ 

然后，系统创建一条密钥：

​ 密钥是加密显示的，鼠标划上去，显示复制提示：

​

 在密钥上左键点击一下，提示“已复制”，可以粘贴到文本文件等地方，以便后面程序使用：

​

 2、vscode设置

官方文档参考：

硅基流动有文档中心，通过下面界面进入，或者直接访问链接，可以看到相关帮助文档，https://docs.siliconflow.cn/cn/userguide/introduction

​

 参考一下官方文档：

设置vscode运行环境

参考前面vs搭建文档，创建一个python12的运行环境，并测试运行正常：

​ 用pip方式安装 OpenAI Python 库，命令为：

pip install --upgrade openai

 执行界面如下：

​

 执行过程中出错：

 升级ollama：启动ollama后，在任务栏会有ollama图标，点击右键会有关闭升级的菜单，点击后，ollama进入升级程序执行界面：

然后再次执行命令：pip install --upgrade openai ，这次就没有报错了。

3、执行测试代码

然后，创建已py文件，考入下面代码：

from openai import OpenAI

client = OpenAI(api_key="YOUR_API_KEY", base_url="https://api.siliconflow.cn/v1")
response = client.chat.completions.create(
    model='deepseek-ai/DeepSeek-V2.5',
    messages=[
        {'role': 'user', 
        'content': "中国大模型行业2025年将会迎来哪些机遇和挑战"}
    ],
    stream=True
)

for chunk in response:
    print(chunk.choices[0].delta.content, end='')

 把上面YOUR_API_KE，换成刚才在硅基流动注册的密钥，点击执行，就会返还模型的反馈信息了，界面如下：

 初步测试成功，换成自己想要的模型。

4、deepseek-r1模型调用

在模型广场看到很多模型，查找自己需要的模型：

注意，模型广场提供了两种版本，一种是标准版，如deepseek-ai/DeepSeek-R1，另一种是Pro版，如Pro/deepseek-ai/DeepSeek-R1，Pro版本是优化过的高效版，不支持免费Tocken调用，所以不要选，打开标准版，点击标题旁边的拷贝图标，复制其地址，如图：

在代码里，更换model为模型地址“deepseek-ai/DeepSeek-R1”，【提示：每个模型里有有API文档的链接，如上图，为后面扩展自己的逻辑方便很多，必须点赞一下】修改为：

model='deepseek-ai/DeepSeek-R1'

 修改界面及执行如下：

其模型调用类似，进一步可以构建自己的业务逻辑了。

第二种访问方式

打开模型的API文档，可以看到不同语言的调用方式：

 python的调用方式，给出了requests的调用方式，下面还有返回代码的各种格式及解释：

 示例代码：

import requests

url = "https://api.siliconflow.cn/v1/chat/completions"

payload = {
    "model": "Qwen/QwQ-32B",
    "messages": [
        {
            "role": "user",
            "content": "What opportunities and challenges will the Chinese large model industry face in 2025?"
        }
    ],
    "stream": False,
    "max_tokens": 512,
    "stop": None,
    "temperature": 0.7,
    "top_p": 0.7,
    "top_k": 50,
    "frequency_penalty": 0.5,
    "n": 1,
    "response_format": {"type": "text"},
    "tools": [
        {
            "type": "function",
            "function": {
                "description": "<string>",
                "name": "<string>",
                "parameters": {},
                "strict": False
            }
        }
    ]
}
headers = {
    "Authorization": "Bearer <token>",
    "Content-Type": "application/json"
}

response = requests.request("POST", url, json=payload, headers=headers)

print(response.text)

 修改其中这句代码，把自己的api-key替换上就可以了：

"Authorization": "Bearer <token>",

 备注：查看剩余tocken

200wtocken，貌似相对于是系统里的14元，在余额充值里查看：

还有费用账单可以查看明细：

 我用这个来做佛经译文的内容总结，输出markdown格式，一共200来个文件，r1和v3分别生成一份，预计会用5,6块钱的样子，如果你只是像我这样批量使用的话，应该能用很久。

附赠：文档内容总结代码

如果大家需要文档内容总结，可以参考我下面的代码：

import os
from openai import OpenAI

# 更新 API 客户端配置
client = OpenAI(
    api_key="你自己key",
    #os.getenv("SILICONFLOW_API_KEY"),  # 使用新的 API Key 环境变量
    base_url="https://api.siliconflow.cn/v1"  # 使用新的 API 地址
)

# 定义文件夹路径
#输入目录，和输出目录
input_folder = r'D:\01成长探索\001佛法_禅修法要\阿含经译文\mkinpt\完成'
output_folder = r'D:\01成长探索\001佛法_禅修法要\阿含经译文\mkoutpt'

# 确保输出文件夹存在
os.makedirs(output_folder, exist_ok=True)

# 遍历文件夹中的每个文件
for filename in os.listdir(input_folder):
    if filename.endswith('.txt'):  # 假设文件是txt格式，可以根据需要修改
        file_path = os.path.join(input_folder, filename)
        print(f'-----------: {filename}')
        # 读取文件内容
        with open(file_path, 'r', encoding='utf-8') as file:
            content = file.read()
        
        # 使用大模型进行分析和总结
        completion = client.chat.completions.create(
            model="deepseek-ai/DeepSeek-R1",  # 更新模型名称  pro/deepseek-ai/DeepSeek-V3需要付费  deepseek-ai/DeepSeek-V3可以用
            messages=[
                #{'role': 'user', 'content': f'请仔细阅读并全面总结以下内容，结果以markdown格式输出，输出的内容后续用于生成思维导图，请兼顾这一点，首行不要输出```markdown，各项要有能生成导图分支的符合标识:\n{content}'}
                {'role': 'user', 'content': f'请仔细阅读以下内容，并全面总结，结果以markdown格式输出:\n{content}'}
            ]
        )
        
        # 通过content字段获取最终答案
        summary = completion.choices[0].message.content
        
        # 将总结结果保存为Markdown文件
        output_file_path = os.path.join(output_folder, f'{os.path.splitext(filename)[0]}_逻辑分析.md')
        with open(output_file_path, 'w', encoding='utf-8') as output_file:
            output_file.write(summary)