模块二 原生API调用——多轮对话与上下文管理

模块二：原生API调用——多轮对话与上下文管理（Day 2-4）

2.1 理解ChatCompletion的消息结构

DeepSeek的Chat Completions API与OpenAI格式完全一致，采用无状态设计。多轮对话的核心是手动维护 messages 列表，每轮将完整历史发送给模型。

messages 的角色与OpenAI相同：

角色	含义
system	设定模型的行为准则和身份
user	用户输入
assistant	模型回复

2.2 基础API调用

response = client.chat.completions.create(
    model="deepseek-v4-pro",
    messages=[
        {"role": "system", "content": "你是一个简洁的技术助手。"},
        {"role": "user", "content": "什么是列表推导式？"}
    ]
)
print(response.choices[0].message.content)

2.3 DeepSeek特有参数：思考模式

DeepSeek V4 Pro支持通过 extra_body 控制思考模式，这是与OpenAI API的主要区别之一：

response = client.chat.completions.create(
    model="deepseek-v4-pro",
    messages=[...],
    extra_body={
        "thinking": {"type": "enabled"},
        "reasoning_effort": "high"  # 可选 low / high / max
    }
)

• thinking.type：设为 "enabled" 开启思考模式，设为 "disabled" 关闭
• reasoning_effort：控制推理深度。low 适合简单问答；high 适合日常Agent任务和中等复杂度推理；max 适合高度复杂场景

开启思考模式后，响应中会包含 reasoning_content 字段，记录模型的思考过程，可以与最终回复分开处理。

2.4 手动管理对话历史

核心模式：每轮对话后将用户消息和模型回复追加到 history，下一轮发送完整 history。

history = [
    {"role": "system", "content": "你是一个友好的技术助手。"}
]

def chat(user_input, thinking=False):
    history.append({"role": "user", "content": user_input})
    
    kwargs = {}
    if thinking:
        kwargs["extra_body"] = {"thinking": {"type": "enabled"}, "reasoning_effort": "high"}
    
    response = client.chat.completions.create(
        model="deepseek-v4-pro",
        messages=history,
        **kwargs
    )
    
    assistant_reply = response.choices[0].message.content
    history.append({"role": "assistant", "content": assistant_reply})
    
    return assistant_reply

print(chat("Python中如何读取文件？"))
print(chat("那如果是大文件呢？"))  # 模型保持上下文
print(chat("json格式的文件也一样吗？"))

关键理解：

• DeepSeek的 response.choices[0].message 对象可直接 append 到 history，包含 role、content 等字段
• 每次请求发送不断增长的完整历史，Token消耗随轮次线性增长
• DeepSeek V4 Pro上下文窗口达100万Token，可承载长对话历史，但需注意成本

2.5 实现交互式对话循环

history = [{"role": "system", "content": "你是一个有帮助的助手。"}]

print("输入 'quit' 退出，输入 '/think' 切换思考模式")
thinking = False

while True:
    user_input = input("\n你: ")
    if user_input.lower() == "quit":
        break
    if user_input.lower() == "/think":
        thinking = not thinking
        print(f"思考模式: {'开启' if thinking else '关闭'}")
        continue
    
    history.append({"role": "user", "content": user_input})
    
    kwargs = {}
    if thinking:
        kwargs["extra_body"] = {"thinking": {"type": "enabled"}, "reasoning_effort": "high"}
    
    response = client.chat.completions.create(
        model="deepseek-v4-pro",
        messages=history,
        **kwargs
    )
    
    reply = response.choices[0].message.content
    history.append({"role": "assistant", "content": reply})
    print(f"\n助手: {reply}")

2.6 完成标准

• 能解释 messages 列表结构和角色作用
• 能实现多轮记忆对话程序
• 能说明DeepSeek思考模式的启用方式和 reasoning_effort 的三档含义

2.7 代码

https://gitcode.com/chzhang16/LangChainLearning/blob/master/phase 1/example2.py