前 言

在日常工作中，利用 Python 和 DeepSeek API 可以自动化制作报告、培训、学习计划等文档。

通过 Python 调用 DeepSeek API 并自动化生成 Word 文档，能够显著提升工作效率、降低成本，并为复杂场景提供灵活的解决方案。

适用场景：技术文档生成、项目计划、报告生成、合同生成、教育材料等。

准备工作

deepseek api方式，需要提前创建一个api key

获取DeepSeek API KEY

访问 DeepSeek 官方网站，注册账号并登录。

https://www.deepseek.com/

在用户中心或开发者页面中，点击左侧菜单【API Keys】，点击创建API key，并妥善保存。

创建成功后，一定要记录此处的API key。因为deepseek的平台不会再次展示API Keys的值

一定要记录

一定要记录

一定要记录

安装 Python 环境

访问python官方网站下载。

https://www.python.org/

这里不再赘述，小栈使用的版本是python3.9.16

安装 PyCharm

访问PyCharm官方网站下载。

https://www.jetbrains.com.cn/pycharm/download/?section=windows

下载专业版本

pycharm-professional-2024.3.2.exe

这里也不再赘述，小栈使用的版本是PyCharm 2024.3

调用deepseek

在上次分享中，已经详细讲述如何调用deepseek api，这里不再赘述，我们直接使用。

上次有朋友提出疑问 “请求体中messages 中的两个角色 (role) system 和 user 代表什么含义？” 我们这里会补充一下：

1. system:

该角色用于提供系统的背景信息或指令。它可以定义对话的上下文、角色、风格或任何特定的行为期望。通过设置 system 消息，您可以影响模型的行为和回答的质量。

2. user:

该角色表示用户的输入或提问。这是用户希望模型回应的具体内容，通常是对话的实际问题或请求。

安装三方库

安装三方库 openai

pip3 install openai

引用三方库

引用三方库 openai

from openai import OpenAI

实际调用

将注册deepseek创建的api key输入，就可以直接使用了，这里将 角色、指令 和 参数 一同 传入请求体。

比如现在要给一位只有业余时间的同学制定一份python学习计划，

现在定义 系统背景 和 用户提问：

role_system = "你是一名专业的Python程序员，专注python技术的培训学习。"``role_user = "在每日可用2小时(19：00-21：00)、脑力峰值下降30%的晚间时段，设计Python机器学习进阶计划（需兼容Anki记忆曲线）,最终输出markdown格式"

这个可根据自己的实际情况定义，其实越清晰越好，本文只以python为例。

具体实际代码如下：

from openai import OpenAI``# 初始化客户端``client = OpenAI(api_key="deepseek创建的api key", base_url="https://api.deepseek.com")``# 系统角色和用户输入``   ``# role_system = "你是一名专业的Python开发工程师，最终输出markdown格式"``role_system = "你是一名专业的Python程序员，专注python技术的培训学习。"``role_user = "在每日可用2小时(19：00-21：00)、脑力峰值下降30%的晚间时段，设计Python机器学习进阶计划（需兼容Anki记忆曲线）,最终输出markdown格式"``   ``   ``response = client.chat.completions.create(`    `model="deepseek-chat",`    `messages=[`        `{"role": "system", "content": role_system},`        `{"role": "user", "content": role_user},`    `],`    `temperature=1.0,`    `top_p=0.9,`    `max_tokens=500,`    `stream=False``)``# 输出``markdown_text = response.choices[0].message.content``print(markdown_text)

结果：

## Python 机器学习进阶计划 (晚间时段，兼容 Anki 记忆曲线)``   ``**目标:**  在每日 2 小时 (19:00-21:00) 的晚间时段，利用脑力峰值下降 30% 的特点，高效学习 Python 机器学习进阶知识，并结合 Anki 记忆曲线进行知识巩固。``   ``**计划周期:** 8 周``   ``**每周安排:**``   ``* **周一至周五:** 学习新知识 + Anki 复习``* **周六:**  项目实践 + Anki 复习``* **周日:**  休息 + 自由复习``   ``**每日时间安排 (19:00-21:00):**``   ``* **19:00-19:30:**  Anki 复习 (复习前一天学习内容)``* **19:30-20:30:**  学习新知识 (视频/书籍/文档)``* **20:30-21:00:**  代码实践 + 笔记整理 + Anki 卡片制作``   ``**学习路线:**``   ``**第一阶段 (1-2 周): 机器学习基础回顾与强化**``   ``* **目标:**  巩固机器学习基础概念，为进阶学习打下坚实基础。``* **学习内容:**`    `* 机器学习基本概念 (监督学习、无监督学习、强化学习)`    `* 常用机器学习算法 (线性回归、逻辑回归、决策树、随机森林、SVM 等)`    `* 模型评估指标 (准确率、召回率、F1 值、ROC 曲线等)`    `* 特征工程 (特征选择、特征缩放、特征编码等)``* **资源推荐:**`    `* 书籍: 《机器学习实战》`    `* 视频: 吴恩达机器学习课程 (Coursera)`    `* 网站: Scikit-learn 官方文档``* **Anki 卡片制作:**`    `* 机器学习基本概念`    `* 常用机器学习算法原理、优缺点、应用场景`    `* 模型评估指标计算公式、意义`    `* 特征工程常用方法``   ``**第二阶段 (3-4 周): 深度学习入门**``   ``* **目标:**  掌握深度学习基本概念和常用模型。``* **学习内容:**`    `* 神经网络基础 (感知机、多层感知机、激活函数、损失函数、优化算法)`    `* 卷积神经网络 (CNN) 原理及应用`    `* 循环神经网络 (RNN) 原理及应用`    `* 深度学习框架

以上结果输出的是markdown格式

生成Word文档

markdown格式的直接写入Word，条理比较清晰，但格式需要做处理。在Python中，我们需要用到以下三方库：

1. markdown： Markdown 解析

2. python-docx：Word操作

3. beautifulsoup4：Html解析

这里可能有朋友会有疑问，说明一下为什么不直接使用Markdown 的解析能力，从而增加了辅助工具BeautifulSoup？

如果单纯使用Markdown 的解析处理会比较复杂，里面有部分Html标签，个人感觉用BeautifulSoup辅助更加方便。

安装三方库

安装三方库markdown python-docx beautifulsoup4：

pip install markdown python-docx beautifulsoup4

引入三方库

将添加的 角色 和 优化的指令传入请求体：

import markdown``from docx import Document``from bs4 import BeautifulSoup

代码实现

这里我们直接封闭一个函数：

import markdown``from docx import Document``from docx.shared import Pt``from docx.enum.text import WD_ALIGN_PARAGRAPH``from bs4 import BeautifulSoup``   ``def markdown_to_word(markdown_text, output_file):`    `# 解析 Markdown 为 HTML`    `html_content = markdown.markdown(markdown_text)``   `    `# 创建 Word 文档`    `doc = Document()``   `    `# 设置默认字体和样式`    `style = doc.styles['Normal']`    `font = style.font`    `font.name = 'Times New Roman'`    `font.size = Pt(12)``   `    `# 将 HTML 转为文本解析（不保留标签）`    `soup = BeautifulSoup(html_content, "html.parser")``   `    `# 遍历解析后的内容`    `for element in soup:`        `if element.name == "h1":`            `# 一级标题，居中显示`            `paragraph = doc.add_heading(element.text, level=1)`            `paragraph.alignment = WD_ALIGN_PARAGRAPH.CENTER`            `doc.add_paragraph()`        `elif element.name == "h2":`            `# 二级标题`            `paragraph = doc.add_heading(element.text, level=2)`            `paragraph.alignment = WD_ALIGN_PARAGRAPH.CENTER`            `doc.add_paragraph()`        `elif element.name == "h3":`            `# 三级标题`            `paragraph = doc.add_heading(element.text, level=3)`            `paragraph.alignment = WD_ALIGN_PARAGRAPH.LEFT`            `doc.add_paragraph()`        `elif element.name == "p":`            `# 普通段落`            `doc.add_paragraph(element.text)`        `elif element.name == "ul":`            `# 无序列表`            `for li in element.find_all("li", recursive=False):`                `doc.add_paragraph(li.text, style="List Bullet")`        `elif element.name == "ol":`            `# 有序列表`            `for li in element.find_all("li", recursive=False):`                `doc.add_paragraph(li.text, style="List Number")`        `elif element.name == "blockquote":`            `# 引用`            `doc.add_paragraph(element.text, style="Intense Quote")`        `elif element.name == "code":`            `# 代码块`            `doc.add_paragraph(element.text, style="Code")``   `    `# 保存生成的 Word 文档`    `doc.save(output_file)`    `return f"生成 {output_file} 成功！"

生成Word文档

我们把以上两部分结合，调用 deepseek 后直接 调用写入word函数

def main():`    `output_file = 'XXX_Python业余学习计划.docx'`    `result = markdown_to_word(markdown_text, output_file)`    `print(result)``   ``if __name__ == '__main__':`    `main()

结果：

这样是不是更加方便了呢，再也不用输出结果、复制、粘贴、调整Word格式了！大大节省了时间！

总 结

通过 Python 调用 DeepSeek API 并自动化生成 Word 文档具有以下好处：

1. 提高效率

自动化生成：无需手动编写或复制粘贴内容，节省大量时间和精力。

批量处理：可以快速生成多个文档，适用于需要大量文档的场景（如报告、合同、教程等）。

2. 内容一致性

标准化输出：通过 API 生成的内容格式统一，避免人为错误或格式不一致的问题。

动态更新：如果内容需要更新，只需修改 API 请求或模板，文档会自动同步更新。

3. 灵活性和可定制性

动态内容生成：可以根据不同需求生成定制化内容（如个性化报告、数据分析结果等）。

模板化设计：结合 Word 模板，可以灵活控制文档的样式、布局和结构。

4. 集成性强

与其他工具集成：可以与 Python 生态系统中的其他工具（如 Pandas、Matplotlib 等）结合，生成包含数据、图表和文本的复杂文档。

自动化工作流：可以嵌入到自动化脚本或工作流中，实现端到端的文档生成和分发。

5. 节省成本

减少人工干预：降低对人工编写文档的依赖，减少人力成本。

资源优化：通过 API 调用，可以按需生成文档，避免资源浪费。

6. 可扩展性

模块化设计：代码可以模块化，方便扩展和重用。

支持多种格式：除了 Word 文档，还可以生成 PDF、HTML 等其他格式。

有一点，使用Python 调用 DeepSeek API是消费的，但价格很亲民，这点请知悉！

AI大模型学习福利

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

大模型&AI产品经理如何学习

求大家的点赞和收藏，我花2万买的大模型学习资料免费共享给你们，来看看有哪些东西。

1.学习路线图

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

2.视频教程

网上虽然也有很多的学习资源，但基本上都残缺不全的，这是我自己整理的大模型视频教程，上面路线图的每一个知识点，我都有配套的视频讲解。

（都打包成一块的了，不能一一展开，总共300多集）

因篇幅有限，仅展示部分资料，需要点击下方图片前往获取

3.技术文档和电子书

这里主要整理了大模型相关PDF书籍、行业报告、文档，有几百本，都是目前行业最新的。

4.LLM面试题和面经合集

这里主要整理了行业目前最新的大模型面试题和各种大厂offer面经合集。

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓