一、直接调用 DeepSeek API（推荐快速接入）

1. 通用 API 调用（支持 OpenAI 格式）

import requests import json headers = {    "Authorization": "Bearer YOUR_API_KEY",    "Content-Type": "application/json" } data = {    "model": "deepseek-r1",    "messages": [{"role": "user", "content": "解释Python装饰器"}],    "temperature": 0.7 } response = requests.post(    "https://api.deepseek.com/chat/completions",    headers=headers,    json=data ) print(response.json()["choices"][0]["message"]["content"])

ava（Spring Boot）示例：

添加依赖：

com.deepseek   deepseek-sdk   最新版本

配置application.properties
deepseek.api.key=YOUR_API_KEY deepseek.api.url=https://api.deepseek.com

服务层调用：

@Service public class DeepSeekService {    @Value("${deepseek.api.key}")    private String apiKey;        public String getResponse(String prompt) {        // 使用SDK或HTTP客户端调用API    } }

二、本地部署模型（需硬件支持）

1. 使用 Ollama 部署 DeepSeek-R1

步骤：

安装 Ollama：

curl -fsSL https://ollama.ai/install.sh | sh

下载模型

ollama pull deepseek-r1:14b

通过 REST API 调用：

import requests response = requests.post(    "http://localhost:11434/api/generate",    json={"model": "deepseek-r1", "prompt": "写一个冒泡排序"} ) print(response.json()["response"])

2. 集成到 C# 项目

通过 Ollama API：

using HttpClient client = new HttpClient(); client.BaseAddress = new Uri("http://localhost:11434"); var request = new HttpRequestMessage(    HttpMethod.Post,    "/api/generate" ); request.Content = new StringContent(    JsonConvert.SerializeObject(new {        model = "deepseek-r1",        prompt = "解释C#委托"    }),    Encoding.UTF8,    "application/json" ); var response = await client.SendAsync(request); var result = await response.Content.ReadAsStringAsync();

三、深度定制化集成

1. 结合 LangChain 构建智能代理

Python 示例：

from langchain.llms import DeepSeek from langchain.chains import RetrievalQA from langchain.document_loaders import TextLoader # 加载本地文档 loader = TextLoader("knowledge_base.txt") docs = loader.load() # 初始化DeepSeek模型 llm = DeepSeek(    model_name="deepseek-r1",    api_key="YOUR_API_KEY",    temperature=0.5 ) # 构建问答链 qa = RetrievalQA.from_chain_type(    llm=llm,    chain_type="stuff",    retriever=docsearch.as_retriever() )

2. 前端集成（JavaScript）

通过浏览器插件实现对话：

// 使用Web API调用本地Ollama服务 async function getResponse(prompt) {    const response = await fetch('http://localhost:11434/api/generate', {        method: 'POST',        headers: { 'Content-Type': 'application/json' },        body: JSON.stringify({ model: 'deepseek-r1', prompt })    });    return (await response.json()).response; } // 在网页中展示对话 async function handleSubmit(e) {    e.preventDefault();    const prompt = document.getElementById('prompt').value;    const response = await getResponse(prompt);    document.getElementById('chatlog').innerHTML += `

`; }

四、注意事项

性能优化：

本地部署建议使用 NVIDIA H800/A100 GPU，启用 FP8 精度。

通过环境变量OLLAMA_CACHE_DIR调整模型缓存路径。

优先使用缓存（cache_hit计费更低）。

对长文本启用流式输出（stream: true）。

遵循 DeepSeek 开源协议（需在项目中声明引用）。

敏感数据避免通过 API 传输，优先本地部署。

通过以上方式，开发者可根据项目需求选择轻量级 API 调用或深度定制化方案，快速将 DeepSeek 的 AI 能力集成到现有系统中。