本文为Agentic AI所需的大模型API调用的一些API示范，注重于使用SCNet以及DeepSeek的基于OpenAI 以及 OpenAI SDK 的 API调用。本文为公益类代码，由DeepSeek辅助生成，经过实例测试。

首先，用户需要注册SCNet账户和DeepSeek账户，并获取API。SCNet和DeepSeek都支持支付宝，其中，SCNet近期免费赠送1000万个Token，而且在折扣期间的价格相对于DeepSeek的要便宜一些，但是其服务器近期较为繁忙，实测近期每次调用overhead和Io延迟平均在30秒以上，但较为方便，而且关键的是支持多种国内主流大模型，这在现行技术框架下对于Agentic AI的构建非常重要。DeepSeek官方API调用迅速，成本也较为低廉，支持reasoning和非reasoning两种模式的选择。本文API调用示范消耗在一毛钱以内。

DeepSeek API

1. 注册DeepSeek账户。

1. 进入官网页面，点击API开放平台。https://www.deepseek.com/https://www.deepseek.com/
2. 点击左侧“API keys”->“Create new API key”

复制保存到本地。

3. 点击“Top up”充值，点击“CNY”而后使用支付宝或微信支付。

SCNet

1. 注册注册超算互联 SCNet账户。

https://www.scnet.cn/https://www.scnet.cn/2. 点击右上角红色按钮“控制台” 。

3. 点击右上角“费用”->“总览”。

4. 点击“充值” ->“支付宝” 。具体充值金额按服务所需选择。

近期SCNet开展了免费Token赠送活动，开发者可免费获取1000万Token作为测试额度，若参与此活动则本案例无需付费。

5. 返回主页（https://www.scnet.cn），再次点击右上角红色按钮“控制台” 。

6. 点击“服务导航”->“人工智能”（蓝色按钮）。

https://www.scnet.cn/ui/console/index.html#/notebookhttps://www.scnet.cn/ui/console/index.html#/notebook7. 点击左下角“模型API”

https://www.scnet.cn/ui/llm/https://www.scnet.cn/ui/llm/8. 点击左侧“模型API”->“API Key”

https://www.scnet.cn/ui/llm/apikeyshttps://www.scnet.cn/ui/llm/apikeys9. 点击“创建API Key”（红色按钮），将API保存至本地。

至此，DeepSeek 和 SCNet 的 模型调用 API 就 获取完成了。接下来，设置.env 文件并在Jupyter notebook中调用API。

1. Jupyter notebook的文件夹内创建一个全面为“.env”的文件。

2. 打开“.env” 文件，将DeepSeek API和SCNet API 以代码形式输入。

DEEPSEEK_API_KEY=sk-......


SCNET_API_KEY=sk-.......

由此，就可以开始Jupyter Notebook的编辑了。

3. 首先，安装OpenAI, OpenAI agents和python-dotenv library

pip install openai python-dotenv openai-agents

如果使用Anaconda，这一过程或有些复杂。实测pip更为稳定，或创建新的环境。

4. 使用以下命令载入API key

import os
from dotenv import load_dotenv

load_dotenv(override=True)

5. 创建OpenAI client，这相当于指定到具体的云端接口参数。

DeepSeek使用代码

# Initialize DeepSeek client
client = OpenAI(
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    base_url="https://api.deepseek.com/v1"
)

SCNet使用代码

# Initialize SCNet client
client = OpenAI(
    api_key=os.getenv("SCNET_API_KEY"),
    base_url="https://api.scnet.cn/api/llm/v1"
)

6. 演示一个对话

# Conversation with system, user, and assistant roles
messages = [
    {"role": "system", "content": "You are insightful academian."},
    # Sets the behavior, persona, rules, or constraints for the assistant.
    {"role": "assistant", "content": "Hello! How are you?"},
    # Represents the model’s own replies in the conversation history.
    {"role": "user", "content": "What can you do for me?"}
]

接下来通过API调用让LLM模型对于输入messages进行回答

DeepSeek使用代码

try:
    response = client.chat.completions.create(
        model="deepseek-chat",   # or "deepseek-reasoner"
        messages=messages,
        temperature=0.7,
        max_tokens=512
    )
    print("DeepSeek reply:", response.choices[0].message.content)
except Exception as e:
    print("DeepSeek error:", e)

SCNet使用代码

try:
    response = client.chat.completions.create(
        model="DeepSeek-R1-0528",   # or "Qwen3-30B-A3B" etc.
        messages=messages,
        temperature=0.7,
        max_tokens=512
    )
    print("SCNet reply:", response.choices[0].message.content)
except Exception as e:
    print("SCNet error:", e)

至此，使用SCNet和DeepSeek的API调用LLM模型的实例便完成了，这也是基于云端API调用的Agentic AI的基础。其中，用户可选择直接以此和pydantic构建Agentic AI系统，或采用OpenAI SDK更为迅速地部署。

7. 为了方便测试，可以安装Gradio library 并借助其复现DeepSeek网页交互环境，以此对Chatbot和Agentic AI的调试做准备。

# pip install gradio 

8. 使用Gradio与LLM进行有history的交互。

import os
from openai import OpenAI
from dotenv import load_dotenv
import gradio as gr

load_dotenv(override=True)

client = OpenAI(
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    base_url="https://api.deepseek.com/v1"
)

SYSTEM_PROMPT = "You are insightful academian."

def chat_with_deepseek(message: str, history: list) -> str:
    messages = [{"role": "system", "content": SYSTEM_PROMPT}]

    # Handle different history formats
    if history and isinstance(history[0], dict):
        # Dict format: either OpenAI style or Gradio native
        if "role" in history[0] and "content" in history[0]:
            messages.extend(history)          # already perfect
        elif "user" in history[0] and "bot" in history[0]:
            for turn in history:
                messages.append({"role": "user", "content": turn["user"]})
                messages.append({"role": "assistant", "content": turn["bot"]})
        else:
            # Unknown dict format – fallback: take first two values
            for turn in history:
                vals = list(turn.values())
                if len(vals) >= 2:
                    messages.append({"role": "user", "content": vals[0]})
                    messages.append({"role": "assistant", "content": vals[1]})
    elif history:
        # Assume list of tuples/lists (user, assistant)
        for turn in history:
            messages.append({"role": "user", "content": turn[0]})
            messages.append({"role": "assistant", "content": turn[1]})

    messages.append({"role": "user", "content": message})

    try:
        response = client.chat.completions.create(
            model="deepseek-chat",
            messages=messages,
            temperature=0.7,
            max_tokens=512
        )
        return response.choices[0].message.content
    except Exception as e:
        return f"Error: {e}"

demo = gr.ChatInterface(
    fn=chat_with_deepseek,
    title="DeepSeek Chat with Full History",
    description="Your entire conversation history is sent to the DeepSeek model with every message.",
    examples=[["What can you do for me?"], ["Tell me something interesting about AI."]]
)

if __name__ == "__main__":
    demo.launch()

所呈现的界面可在本地浏览器中访问。

http://127.0.0.1:7860/

如上文所述，DeepSeek和SCNet提供了多种不同的LLM模型。

9. 检测DeepSeek所提供的LLM模型。

# list_scnet_models.py
import os
from openai import OpenAI
from dotenv import load_dotenv

# Load environment variables
load_dotenv(override=True)

# Initialize SCNet client (using the same OpenAI-compatible client)
client = OpenAI(
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    base_url="https://api.deepseek.com/v1"  # This URL points to DeepSeek, not SCNet
)

try:
    # List available models
    models = client.models.list()
    print("Available models on SCNet:")
    for model in models.data:
        print(f"  - {model.id}")
except Exception as e:
    print(f"Error listing models: {e}")

10. 检测SCNet所提供的LLM模型。

# list_scnet_models.py
import os
from openai import OpenAI
from dotenv import load_dotenv

# Load environment variables
load_dotenv(override=True)

# Initialize SCNet client
client = OpenAI(
    api_key=os.getenv("SCNET_API_KEY"),
    base_url="https://api.scnet.cn/api/llm/v1"
)

try:
    # List available models
    models = client.models.list()
    print("Available models on SCNet:")
    for model in models.data:
        print(f"  - {model.id}")
except Exception as e:
    print(f"Error listing models: {e}")

这允许小微企业和个人迅速调用各类LLM大模型进行二次开发。

我在找工作，HR或项目合作请联系：yucongcai_business@outlook.com
与科研相关的请联系：yucongcai_research@outlook.com