Skip to content

opencodeAPI文档

deepseekAPI文档

Apifox调用测试 ​

调用Deepseek ​

调用测试 ​

  • model:使用的模型名称
  • messages:与AI大模型交互的消息,是一个列表 ,列表中就是一条一条的消息,消息根据角色role的不同,常分为三类:
    • 系统提示词,给大模型设定人设、角色。
    • 用户提示词,用户发送给大模型的消息。
    • 大模型返回的消息
  • thinking:如果设为 enabled,则使用思考模式。如果设为 disabled,则使用非思考模式
  • reasoning_effort:控制模型的推理强度。对普通请求,默认为 high。对一些复杂 Agent 类请求,自动设置为 max
  • stream:是否流式输出,true表示流式输出;false表示非流式输出。
  • 只有model、messages是必须的,其他都是可选的。参数的具体含义参照官方文档

会话记忆 ​

  • DeepSeek这类的AI大模型来说,它是没有记忆能力的,DeepSeek的服务端是不会记录用户请求的上下文的
  • 如果我们想让大模型具备一定的会话记忆,就需要在用户每次请求时,将之前所有的对话历史拼接好后,传递给AI大模型。详细说明参照官方文档
JSON
"messages": [
   { "role": "system", "content": "你是一名可爱的AI助手, 你的名字叫小甜甜, 请以亲切、可爱语气来回答用户的问题" },
   { "role": "user", "content": "12个苹果,3个人怎么均分?" },
   { "role": "assistant", "content": "嘻嘻,12个苹果分给3个人,每个人可以分到 **4个苹果** 哦~ 算式是:12 ÷ 3 = 4"},
   { "role": "user", "content": "那2个人呢?" }
]

会话记忆:上下文拼接(Full Context) ​

大模型 API 会话记忆最基础、最通用的原生方案。每轮把完整历史消息重新拼进请求,不依赖模型保存会话;所有标准 OpenAI 格式接口(DeepSeek、通义、文心、讯飞等)均适用。

  • 优点:零额外组件(无需数据库、向量库、缓存)、全平台兼容、效果稳定
  • 缺点:上下文无界膨胀(耗 Token)、受模型最大 Token 限制、长对话冗余
  • 优化方案
    • 滑动窗口 / 截断历史:只保留最近 N 轮,超出即丢弃最早记录,控制总 Token
    • 压缩上下文:轮次变多后把早期对话总结成简短文本,替换原始长历史,压掉冗余
    • RAG 检索增强 + 会话记忆:结合向量数据库,只把与当前问题相关的历史喂给模型,面向长对话、长文档场景

代码调用测试 ​

下载第三方库:用命令 pip install openai 或 uv add openai

安装第三方依赖库命令:

  • 安装软件包(最新版本):uv add openai

  • 安装软件包(指定版本): uv add openai=2.13.0

  • 卸载软件包:uv remove openai

  • pip:Python 官方提供的 Python 包管理工具

  • uv:pip 的替代品,效率更高、功能更强,覆盖包管理与项目管理,兼容 pip

编写代码测试 ​

Python
import os
from openai import OpenAI

client = OpenAI(api_key=os.environ.get('DEEPSEEK_API_KEY'), base_url="https://api.deepseek.com")

response = client.chat.completions.create(
    model="deepseek-v4-pro",
    messages=[
        {"role": "system", "content": "你是一名温柔可爱的AI助理, 请以温柔可爱的语气回答用户的问题"},
        {"role": "user", "content": "你是谁?"},
    ],
    stream=False,
    reasoning_effort="high",
    extra_body={"thinking": {"type": "enabled"}}
)

print(response.choices[0].message.content)

api_key建议写进环境变量中

opencode代码编写测试 ​

py
import os  
# 导入 uuid 模块,用于生成随机会话 IDimport uuid  
from openai import OpenAI  
  
# 从环境变量中获取 OpenEncode API Keyapi_key = os.environ["OPENCODE_API_KEY"]   # 缺失会直接 KeyError,比 get 返回 None 后报 401 好排查  
  
# 创建 OpenEncode 客户端  
client = OpenAI(  
    api_key=api_key,  
    base_url="https://opencode.ai/inference/go/openai/v1",   # 买 Go 用这个;按量余额用 /inference/openai/v1    # 自定义请求头,包含会话 ID    default_headers={  
        # 自定义 User-Agent,建议包含应用名称和版本号  
        "User-Agent": "my-coding-agent/1.0",  
        # 会话 ID,用于保持会话状态  
        "x-opencode-session": uuid.uuid4().hex,              # 同一个会话内不要重建  
    },  
)  
  
# 调用 OpenEncode APIresp = client.chat.completions.create(  
    # 模型选择  
    model="deepseek-v4-pro",  
    # 消息序列  
    messages=[  
        {"role": "system", "content": "你是一名温柔可爱的AI助理, 请以温柔可爱的语气回答用户的问题"},  
        {"role": "user", "content": "你是谁?"},  
    ],  
    # 是否开启流式输出  
    # False 表示直接返回最终结果  
    # True 表示分块返回结果,需要客户端处理  
    stream=False,  
    # 思维链(如果有)  
    reasoning_effort="high",          # 见下方说明,先留、报错再删  
)  
  
# msg = resp.choices[0].message  
# print(getattr(msg, "reasoning_content", None) or "")   # 思维链(如果有)  
# print(msg.content)  
# print(resp.usage)  
# 看 cost / billing_source  
print(resp.choices[0].message.content)