目录

第一章 核心流程总览

第二章 环境准备

第三章 核心代码实现

第四章 总结

---

本文基于DeepSeek 大模型，用 Python 实现从环境准备→大模型调用→会话记忆→Web 界面→会话管理的完整 AI 应用开发，全程可直接运行。

第一章 核心流程总览

1. 基础概念：AI → 大模型 → AI 应用
2. 大模型部署：本地 Ollama / 官方 API / 云平台
3. 核心开发：API 调用 → 会话记忆 → 提示词工程 → Streamlit Web 界面 → 文件会话管理

第二章 环境准备

• 安装依赖包（python使用 pip命令）

# 大模型调用
pip install openai==2.13.0
# Web快速开发
pip install streamlit
# JSON/文件处理（Python内置，无需安装）

• 获取 API Key（deepseek）

注册 DeepSeek 平台 → 登录 → 充值（1 元起）
创建并复制 API Key

【工具分享】vscode+deepseek的接入与使用

第三章 核心代码实现

• Python 调用大模型 API

deepseek api文档

import os
from openai import OpenAI

# 1. 配置客户端
client = OpenAI(
    api_key="你的DeepSeek API Key",
    base_url="https://api.deepseek.com"
)

# 2. 构造请求（提示词工程）
messages = [
    {"role": "system", "content": "你是温柔可爱的AI助手小VE"},
    {"role": "user", "content": "12个苹果3个人怎么分？"}
]

# 3. 发送请求
response = client.chat.completions.create(
    model="deepseek-chat",
    messages=messages,
    stream=False
)

# 4. 输出结果
print(response.choices[0].message.content)

• 进阶：会话记忆（滚雪球机制)

由于大模型无状态，需手动拼接历史对话实现记忆：

import os
from openai import OpenAI

client = OpenAI(
    api_key="你的API Key",
    base_url="https://api.deepseek.com"
)

# 初始化对话历史
messages = [{"role": "system", "content": "你是可爱助手小VE"}]

def chat(user_input):
    # 追加用户问题
    messages.append({"role": "user", "content": user_input})
    # 请求大模型
    res = client.chat.completions.create(model="deepseek-chat", messages=messages)
    reply = res.choices[0].message.content
    # 追加助手回复
    messages.append({"role": "assistant", "content": reply})
    return reply

# 测试多轮对话
print(chat("12个苹果3个人怎么分？"))
print(chat("那2个人呢？"))
print(chat("4个人呢？"))

• 实战：第一个AI对话demo

import streamlit as st
import json
import os
from datetime import datetime
from openai import OpenAI

# 初始化页面
st.set_page_config(page_title="AI智能伴侣", page_icon="🤖")
st.title("🤖 AI智能伴侣")

# 侧边栏配置
with st.sidebar:
    st.subheader("AI控制面板")
    # 伴侣设置
    nick_name = st.text_input("AI昵称", value="小美")
    nature = st.text_input("性格设定", value="温柔可爱台湾腔")
    # 会话管理
    session_id = datetime.now().strftime("%Y%m%d_%H%M%S")
    st.info(f"当前会话：{session_id}")

# 初始化会话历史
if "messages" not in st.session_state:
    st.session_state.messages = [
        {"role": "system", "content": f"你叫{nick_name}，性格{nature}，用可爱语气回答"}
    ]

# 展示历史消息
for msg in st.session_state.messages[1:]:
    with st.chat_message(msg["role"]):
        st.markdown(msg["content"])

# 输入框
prompt = st.chat_input("请输入问题...")
if prompt:
    # 显示用户消息
    with st.chat_message("user"):
        st.markdown(prompt)
    st.session_state.messages.append({"role": "user", "content": prompt})

    # 请求大模型
    client = OpenAI(api_key="你的API Key", base_url="https://api.deepseek.com")
    res = client.chat.completions.create(model="deepseek-chat", messages=st.session_state.messages)
    reply = res.choices[0].message.content

    # 显示助手消息
    with st.chat_message("assistant"):
        st.markdown(reply)
    st.session_state.messages.append({"role": "assistant", "content": reply})

• 会话持久化（JSON 文件保存）

# 保存会话
def save_session(session_id, nick_name, nature, messages):
    data = {
        "session_id": session_id,
        "nick_name": nick_name,
        "nature": nature,
        "messages": messages
    }
    with open(f"{session_id}.json", "w", encoding="utf-8") as f:
        json.dump(data, f, ensure_ascii=False, indent=2)

# 加载会话
def load_session(file_path):
    with open(file_path, "r", encoding="utf-8") as f:
        return json.load(f)

• 完整运行步骤

1. 安装依赖：pip install openai streamlit
2. 替换代码中的API Key
3. 运行：streamlit run app.py

第四章 总结

• 大模型调用：API Key + 请求报文（system/user/assistant）
• 会话记忆：手动拼接历史对话列表
• 提示词工程：角色 + 任务 + 格式 + 风格
• Web 界面：Streamlit 快速搭建无需前端
• 数据持久化：JSON 文件保存会话记录
• 文件操作：with open() 安全读写