DeepSeek基础

1：产品介绍

DeepSeek-V3 是一款高性能的开源 AI 模型，支持自然语言处理、智能对话生成等任务。其 API 接口与 OpenAI 完全兼容，用户可以通过简单的配置迁移现有项目，同时享受更低的成本和更高的性能。本文 档将详细介绍如何快速接入 DeepSeek-V3 API

2：注册账号

官网：https://platform.deepseek.com/api_keys

登录成功

3：创建API key

注意：创建后API key只出现一次，请存储在安全位置，例如：环境变量或者配置文件中

4：使用Python调用API

1）安装OpenAI API库

pip install openai

2）API 是一个“无状态” API，即服务端不记录用户请求的上下文，用户在每次请求时，需将之前所有对 话历史拼接好后，传递给对话 API。

在系统环境变量里新建名称：OPENAI_AI_KEY 值：sk-xxxxxxxxxx

对话应用：

from http.client import responses
import openai,os
from openai import OpenAI

# 创建客户端
client=OpenAI(
    api_key=os.getenv('deepseek_key'),  # 在Windows中设置环境变量
    base_url="https://api.deepseek.com"
)


# 发送对话获取相应消息
response=client.chat.completions.create(
    # 模型类型
    model='deepseek-chat',
    messages=[
        {'role':'system','content':'你是一位运维工程师'},
        {'role':'user','content':input('请输入你的需求：')}
    ],
    # 流式输出
    stream=False
)

# 回应信息展现
print(response.choices[0].message.content)

多轮对话

from http.client import responses
import openai,os
from openai import OpenAI

text=input('请输入问题：\n')
print('正在与deepseek对话，请稍等...')

# 生成客户端
client=OpenAI(
    api_key=os.getenv('deepseek_key'),
    base_url='https://api.deepseek.com/',
)

# 生成消息
messages=[{
    'role':'user',   # 角色固定
    'content':text
}]

# 使用stream=True启用流式响应逐行获取响应
response=client.chat.completions.create(
    model='deepseek-chat',
    messages=messages,
    stream=True
)

# 逐行显示响应内容
print('deepseek回复：')
for line in response:
    # 如果有内容
    if line.choices[0].delta.content:
        # 逐行显示
        print(line.choices[0].delta.content,end='',flush=True)
print()

while True:
    text=input('继续提问：\n')
    messages.append({
        'role':'user',
        'content':text
    })

    response=client.chat.completions.create(
        model='deepseek-chat',
        messages=messages,
        stream=True
    )

    print('deepseek回复：')
    for line in response:
        # 如果有内容
        if line.choices[0].delta.content:
            # 逐行显示
            print(line.choices[0].delta.content,end='',flush=True)
    print()

PromptTemplate 教程

课程背景

在使用大语言模型（LLM）时，**Prompt（提示词）**决定了模型的行为方式。如果 Prompt 写死在代码中，会导致：

• 难以复用

• 难以维护

• 不利于扩展

LangChain 提供了 PromptTemplate，用于参数化、标准化 Prompt。

基础讲解

示例及讲解

from langchain_core.prompts import PromptTemplate

# 提示词模版
prompt = PromptTemplate.from_template(
    '你是一位{name},请为这个人起个带{country}特色的名字'
)
print(prompt.format(name='大师',country='英国'))

你是一位大师,请为这个人起个带英国特色的名字

1.导入 PromptTemplate

from langchain_core.prompts import PromptTemplate

PromptTemplate 是 LangChain 中用于构建 文本 Prompt 模板 的核心类。

2.使用 from_template 创建模板

from langchain_core.prompts import PromptTemplate

# 提示词模版
prompt = PromptTemplate.from_template(
    '你是一位{name},请为这个人起个带{country}特色的名字'
)

关键点说明：

• 使用的是 f-string 风格占位符

• {name} 、 {county} 是 变量

• 模板本身是“静态文本 + 占位符”

⚠ 注意：这里不是 Python 的 f-string

而是 LangChain 在运行时做变量替换

3.使用 format 传入变量

print(prompt.format(name='大师',country='英国'))

LangChain 会：

• 检查变量是否齐全
• 自动替换占位符
• 返回最终 Prompt 字符串

PromptTemplate 的优势

1.Prompt 参数化

print(prompt.format(name='大师',country='英国'))
prompt.format(name='智者', county='法国')

👉 同一套 Prompt，多种场景复用

2.避免 Prompt 写死在代码里

❌ 不推荐：

"你是一位大师,请为这个人起个带英国特色的名字"

✅ 推荐：

print(prompt.format(name='大师',country='英国'))

3.为后续链式调用打基础

PromptTemplate 是：

• LLMChain
• Runnable
• ChatPromptTemplate

的基础组件。

Prompt 设计小技巧

技巧 1：明确角色（Role）

你是一位{name}

让模型“进入角色”，回答会更稳定

技巧 2：任务描述清晰

请为这个人起个带{country}特色的名字

• 明确输出目标
• 限定风格范围

技巧 3：限制输出形式（可扩展）

prompt = PromptTemplate.from_template(
    '你是一位{name},请为这个人起个带{country}特色的名字'
)

常见错误

❌ 变量名不一致

print(prompt.format(name='大师',county='英国'))

❌ 会报错，因为模板中是 {country}

❌ 忘记传变量

prompt.format(name='大师')

❌ 会抛异常（缺少 country）

示例

prompt = PromptTemplate.from_template(
    """
你是{name}
请为一个机器人起一个具有{county}文化特色的男孩名字
要求：
1. 名字简短
2. 有文化含义
3. 适合科幻机器人
"""
)
print(prompt.format(name="智者", county="英国"))

PromptTemplate 的本质：

把“固定 Prompt”变成“可配置 Prompt”

模板引擎（Template Engine）

模板引擎的核心作用：

把「固定文本」 + 「变量占位符」组合成一段 可复用的动态文本

在 Web、AI、自动化脚本中非常常见，例如：

• HTML 页面渲染

• 自动生成文档

• AI Prompt（提示词）拼装

prompt提示词

Python 内置模板：f-string

Python 3.6 以后内置了一种最简单、最高效的模板方式：f-string

最基础的 f-string 示例

from langchain_core.prompts import PromptTemplate

name='马化腾'
what='创业'
text=f'给我讲一个关于{name}的{what}故事'
print(text)

给我讲一个关于马化腾的创业故事

特点

• {} 中直接写变量名
• 运行时自动替换
• 语法简单、性能高

多行 f-string 模板

fstring_template='''
给我讲一个关于{name}的{what}故事
'''

这是一个多行字符串模板，非常适合：

• Prompt
• 文案
• 邮件
• 长文本生成

PromptTemplate

PromptTemplate 本质上就是：

用 Python 的 f-string 思想，封装了一层专业 Prompt模板工具

逐行讲解

🔹 第一步：导入 PromptTemplate

from langchain_core.prompts import PromptTemplate

这是 LangChain 中最基础、最常用的 Prompt 构建类。

🔹 第二步：定义模板字符串

fstring_template='''
给我讲一个关于{name}的{what}故事
'''

• {name} 、 {what} 是 占位符

• 语法与 Python f-string 完全一致

• 但此时只是字符串，还没有替换

🔹 第三步：创建 PromptTemplate 对象

prompt=PromptTemplate.from_template(fstring_template)

这一步 LangChain 会：

• 解析模板

• 自动识别变量： name 、 what

• 构建一个“可复用 Prompt 对象”

🔹 第四步：传入参数并格式化

print(prompt.format(name='马化腾',what='创业'))

效果等价于：

f"给我讲一个关于{'马化腾'}的{'创业'}故事"

输出：

给我讲一个关于马化腾的创业故事

示例：

from langchain_core.prompts import PromptTemplate

# 定义模版
fstring_template='''
给我讲一个关于{name}的{what}故事
'''

# 创建模版对象
prompt=PromptTemplate.from_template(fstring_template)

# 输出内容
print(prompt.format(name='马化腾',what='创业'))

PromptTemplate vs直接 f-string

对比项	f-string	PromptTemplate
是否 Python 内置	✅	❌
是否支持变量校验	❌	✅
是否适合 AI Prompt	一般	⭐⭐⭐⭐⭐
是否可复用	一般	很强
是否支持链式调用	❌	✅

PromptTemplate 的价值

对于 大模型 / LangChain ，PromptTemplate 有 3 个关键价值：

✅ 1. Prompt 标准化

prompt.format(name='大师',country='英国')
prompt.format(name='智者',country='法国')

同一套 Prompt，反复复用

✅ 2.防止 Prompt 写死在代码里

❌ 不推荐：

llm.invoke("给我讲一个关于马化腾的创业故事")

✅ 推荐：

llm.invoke(prompt.format(name="马化腾", what="创业"))

✅ 3.为后续 Chain / Agent 打基础

PromptTemplate 是：

• LLMChain

• SequentialChain

• Agent

的地基

扩展示例

story_prompt = PromptTemplate.from_template("""
你是一位资深商业分析师，
请用通俗易懂的语言，
给我讲一个关于{name}的{what}故事，
字数不超过200字。
""")

print(
    story_prompt.format(
        name="马化腾",
        what="创业"
   )
)

Jinja2 模板生成 AI Prompt

为什么需要 Jinja2 模板？

在 AI 应用中，我们经常需要动态生成大量 Prompt，例如：

• 生成 HTML / Markdown 文档

• 构造复杂 Prompt（条件、循环）

• 批量生成结构化提示词

如果只使用 Python 的 f-string：

f"给我讲一个关于{name}的{what}故事“

一旦 Prompt 变复杂，就会变得难维护、难扩展。

👉 这正是 Jinja2 模板引擎的价值所在。

什么是 Jinja2？

Jinja2 是 Python 生态中最流行的模板引擎之一

常见应用场景：

• Flask / FastAPI 的 HTML 模板

• Markdown / 文档生成

• 配置文件（YAML / JSON）

• AI Prompt 模板（LangChain）

环境准备

安装依赖

pip install jinja2

LangChain 在使用 template_format=“jinja2” 时，底层会调用 Jinja2。

Jinja2模板基本语法

变量占位符

{{ variable_name }}

示例：

给我讲一个关于{{name}}的{{what}}故事

LangChain + Jinja2 实战

完整示例代码

from langchain_core.prompts import PromptTemplate

# jinja2模版
jinja2_template='给我讲一个{{name}}的{{what}}故事'

# 创建模版对象
prompt=PromptTemplate.from_template(
    jinja2_template,  #调用jinja2模版
    template_format='jinja2' 
)

print(prompt.format(name='马化腾',what='创业'))

代码解析

🔹 第一步：导入 PromptTemplate

from langchain_core.prompts import PromptTemplate

PromptTemplate 是 LangChain 中用于构造提示词模板的核心类。

🔹 第二步：定义 Jinja2 模板字符串

jinja2_template='给我讲一个{{name}}的{{what}}故事'

• {{name}} 、 {{what}} 是 Jinja2 变量

• 与 f-string 的 {} 不同，Jinja2 使用 双大括号

🔹 第三步：指定模板格式为 jinja2

prompt=PromptTemplate.from_template(
    jinja2_template,  #调用jinja2模版
    template_format='jinja2' 
)

⚠ 这是关键点

• 默认模板格式是 f-string

• 使用 Jinja2 必须显式指定：

template_format="jinja2"

🔹 第四步：传入参数并渲染模板

print(prompt.format(name='马化腾',what='创业'))

LangChain 会：

• 调用 Jinja2 渲染模板

• 用传入的参数替换变量

• 输出最终 Prompt 字符串

Jinja2 vs f-string

对比项	f-string	Jinja2
是否 Python 内置	✅	❌
模板语法	{name}	{{name}}
条件判断	❌	✅
循环	❌	✅
适合复杂 Prompt	一般	⭐⭐⭐⭐⭐
HTML / Markdown	一般	⭐⭐⭐⭐⭐

Jinja2 的核心优势

条件控制（if）

{% if level=="easy" %}
要求：语言简单，适合初学者
{% elif level=="hand" %}
要求：包含商业分析和战略思考
{% endif %}

循环生成 Prompt

请分别介绍以下人物：
{% for p in people %}
- {{ p }}
{% endfor %}

非常适合生成结构化内容

• HTML
• Markdown
• JSON
• YAML
• Prompt 模板

典型案例

场景：生成不同难度的故事 Prompt

jinja2_template='''给我讲一个关于{{name}}的{{what}}故事
{% if level=="easy" %}
要求：语言简单，适合初学者
{% elif level=="hand" %}
要求：包含商业分析和战略思考
{% endif %}
'''

# 创建模版对象
prompt=PromptTemplate.from_template(
    jinja2_template,
    template_format='jinja2'
)

print(prompt.format(name='马化腾',what='创业',level='easy'))

总结

f-string：简单 Prompt

Jinja2：复杂 Prompt

PromptTemplate：Prompt 工程化核心工具

Jinja2 + LangChain = 可维护、可扩展的 AI Prompt

Prompt 序列化

使用文件管理提示词

为什么要“序列化 Prompt”

在初学阶段，很多人直接把 Prompt 写在代码里，例如：

prompt = "给我讲一个关于{name}的{what}故事"

但在真实项目或团队协作中，这样做会带来很多问题。

Prompt 序列化的核心价值

1.便于共享

• Prompt 文件可以直接发给同事

• 不依赖具体代码逻辑

• AI 产品经理 / 运营 / 教研人员也能参与修改

2.便于版本控制

• Prompt 文件可以进入 Git

• 清楚看到 Prompt 的演进历史

• 支持回滚、对比（diff）

3.便于存储与复用

• 一个 Prompt 文件 = 一个“能力模块”

• 可在多个项目中复用

• 避免 Prompt 散落在代码各处

4.支持多种格式

• LangChain 原生支持：

• json

• yaml / yml

👉 非常适合工程化 Prompt 管理。

LangChain 中的 load_prompt

LangChain 提供了专门的 API：

from langchain_core.prompts import load_prompt

用于 从文件加载 PromptTemplate 对象。

JSON 格式 Prompt 示例

在当前目录写一个simple_prompt.json文件

{
  "_type": "prompt",
  "input_variable": ["name","what"],
  "template": "给我讲一个关于{name}的{what}故事"
}

📌 说明：

• type : Prompt 类型
• template : Prompt 模板内容
• input_variables : 必须传入的变量

加载 JSON Prompt

from langchain_core.prompts import load_prompt

prompt=load_prompt('simple_prompt.json',encoding='utf-8')

print(prompt.format(name='马斯克',what='创业'))

输出：

给我讲一个关于马斯克的创业故事

YAML 格式 Prompt 示例（推荐）

在当前目录写一个simple_prompt.yaml文件

_type: prompt
input_variables:
  ["name","what"]
template:
  给我讲一个关于{name}的{what}故事

以上三个变量名是固定的

📌 YAML 优点：

• 支持多行文本

• 可读性更好

• 非程序员更容易修改

加载 YAML Prompt

from langchain_core.prompts import load_prompt

prompt=load_prompt('simple_prompt.yaml', encoding='utf-8')

print(prompt.format(name='马斯克',what='创业'))

输出结果与 JSON 完全一致。

Prompt 文件 vs 代码 Prompt 对比

对比项	写在代码里	Prompt 文件
可维护性	❌ 差	✅ 好
可复用性	❌	✅
可版本控制	一般	⭐⭐⭐⭐⭐
非技术人员参与	❌	✅
工程化程度	低	高

• Prompt 也是“代码资产”
• 序列化让 Prompt 可管理、可协作
• JSON / YAML 各有适用场景
• load_prompt 是 Prompt 工程化的入口

propmt综合案例

Runnable 管道

用 LangChain 的 Runnable 管道，把「性格设定 + 行为规则 + 禁止行为」三层 Prompt 组合成

一个完整的 Prompt 字符串。

最终 print(result.to_string()) 只是打印拼接后的 Prompt 文本。

⚠ 很关键的一点：

👉 这里只是 Prompt 生成，准备给 LLM 推理

逐层拆解 Prompt 输出

✅ 第一层：性格设计

character_template=PromptTemplate.from_template(
    "你是{person}，你有着{char}"
)

你传入的参数是：

person=雷军
char=最红企业家，你是目前中国首富，精通计算机、企业管理、商业、你是营销奇才,你的终极梦想是创办一家伟大的公司。

👉 渲染结果：

你是雷军,你有着最红企业家，你是目前中国首富，精通计算机、企业管理、商业、你是营销奇才,你的终极梦
想是创办一家伟大的公司。

✅ 第二层：行为设计

behavior_template=PromptTemplate.from_template(
    '你遵从以下的行为：{behavior_list}'
)

参数：

behavior_list =
1.你敢于挑战创新突破
2.你非常崇拜乔布斯
3.你具备亲和力，耐心回答用户各种问题。

👉 渲染结果：

你遵从以下的行为：1.你敢于挑战创新突破 2.你非常崇拜乔布斯 3.你具备亲和力，耐心回答用户各种问题。

✅ 第三层：禁止行为

prohibited_template=PromptTemplate.from_template(
    "你禁止以下行为：{prohibited_list}"
)

参数：

prohibit_list =
1.你不可以说自己是一个智能助手或者机器人
2.当你不知道答案的时候，可以说让我再想想。

👉 渲染结果：

你禁止以下行为：1.你不可以说自己是一个智能助手或者机器人 2.当你不知道答案的时候，可以说让我再想想。

最终 Prompt 是如何拼接的？

最终模板

full_template=PromptTemplate.from_template(
    "{character}\n{behavior}\n{prohibited}"
)

也就是说:

三段内容，用换行符 \n 拼起来

完整代码

from langchain_core.prompts import PromptTemplate

# 性格设计
character_template=PromptTemplate.from_template(
    "你是{person}，你有着{char}"
)
# 行为设计
behavior_template=PromptTemplate.from_template(
    '你遵从以下的行为：{behavior_list}'
)
# 禁止行为
prohibited_template=PromptTemplate.from_template(
    "你禁止以下行为：{prohibited_list}"
)
# 连接完整模版
full_template=PromptTemplate.from_template(
    "{character}\n{behavior}\n{prohibited}"
)

# 管道相连
chain=({
    "character": character_template,
    "behavior": behavior_template,
    "prohibited":prohibited_template
    }
    | full_template
)

# 载入参数
result=chain.invoke(
    {
        "person": "雷军",
        "char": "最红企业家，你是目前中国首富，精通计算机、企业管理、商业、你是营销奇才,你的终极梦想是创办一家伟大的公司。",
        "behavior_list": "1.你敢于挑战创新突破 2.你非常崇拜乔布斯 3.你具备亲和力，耐心回答用户各种问题。",
        "prohibited_list": "1.你不可以说自己是一个智能助手或者机器人 2.当你不知道答案的时候，可以说让我再想想。"
    }
)

print(result.to_string())

最终 print(result.to_string()) 的完整输出

其中text=为调试，并非字符串。

text='你是雷军，你有着最红企业家，你是目前中国首富，精通计算机、企业管理、商业、你是营销奇才,你的终极梦想是创办一家伟大的公司。'
text='你遵从以下的行为：1.你敢于挑战创新突破 2.你非常崇拜乔布斯 3.你具备亲和力，耐心回答用户各种问题。'
text='你禁止以下行为：1.你不可以说自己是一个智能助手或者机器人 2.当你不知道答案的时候，可以说让我再想想。'

这就是最终输出内容

总结

这段代码，其实已经是一个标准 Prompt Engineering 模板设计范式：

✅ 你已经实现了

能力	是否做到
角色人格设定	✅
行为约束	✅
禁止行为（安全边界）	✅
Prompt 模块化	✅
Runnable 管道组合	✅