【番外】04：Python 和 LabVIEW 对接 DeepSeek API

原创已于 2026-05-28 22:47:53 修改 · 476 阅读

7 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

标签

#python #labview #deepseek

于 2026-05-23 23:00:34 首次发布

AI 时代程序员必备技能

Codex、Claude Code、Cursor、Hermes Agent、OpenClaw等工程化实战专栏，讲透 AI 如何接管脏活累活

一键订阅

文章目录

1. Python 对接方法
2. 协议参数分析
3. LabVIEW 对接方法
4. 多轮对话

1. Python 对接方法

在 Python 中，可以通过 OpenAI 的格式来访问 DeepSeek 模型。

使用前，需要先登录 DeepSeek 开放平台，申请一个 api_key ，并充值一定金额。

网址：https://platform.deepseek.com

以对话 API 为例，代码如下：

from openai import OpenAI

client = OpenAI(
    api_key="DEEPSEEK_API_KEY",			# 替换成自己的 api_key.
    base_url="https://api.deepseek.com")

response = client.chat.completions.create(
    model="deepseek-v4-pro",
    messages=[
        {"role": "user", "content": "Hello"},
    ],
    stream=False,
    reasoning_effort="high",
    extra_body={"thinking": {"type": "enabled"}}
)

print(response.choices[0].message.content)

2. 协议参数分析

对于上文的 Python 范例，我们通过在 openai 底层代码中的关键位置加一些 print()，探明其等效的 HTTPS 请求如下：

URL:		https://api.deepseek.com/chat/completions
Method:		POST

Header:		"content-type" : "application/json"
			"authorization" : "Bearer api_key"

Body:		b'''
			{"model": "deepseek-v4-pro",
			"messages": [
						{"role": "user", "content": "Hello!"}
						],
			"thinking": {"type": "enabled"},
			"reasoning_effort": "high",
			"stream": false}
			
			'''

注意：
（1）Header 还有很多，上面只列出了必须的 2 项，其余的不必写入请求；
（2）authorization 的值为 “Bearer + 空格 + 自己的api_key”，固定格式，大小写也必须一致；
（3）Body 为 JSON 格式的二进制字符串，其中涉及的布尔值（true 和 false），必须小写；

发送请求后，DeepSeek 服务器返回 JSON 作为响应结果，格式如下：

{
"id":"5f70d312-2bbf-4826-8305-a5175ffff1e4",
"object":"chat.completion",
"created":1779367066,
"model":"deepseek-v4-pro",

"choices":[{"index":0,
			"message":{"role":"assistant",
					   "content":"Hi there! How can I help you today?",
					   "reasoning_content":"We need to respond to the user's greeting. The user said \"Hello!\" in the conversation. It's a simple greeting. My response should be friendly and engaging, offering assistance. I'll reply warmly and ask how I can help."
					   },
			"logprobs":null,
			"finish_reason":"stop"}],
			
"usage":{"prompt_tokens":6,
		 "completion_tokens":59,
		 "total_tokens":65,
		 "prompt_tokens_details":{"cached_tokens":0},
		 "completion_tokens_details":{"reasoning_tokens":48},
		 "prompt_cache_hit_tokens":0,
		 "prompt_cache_miss_tokens":6},	
		 	 
"system_fingerprint":"fp_9954b31ca7_prod0820_fp8_kvcache_20260402"
}

其中，choices 是具体响应内容，choices[0][“message”][“content”] 是AI的回答，紧随其后的 “reasoning_content” 是 AI 的思考过程（它心里的小九九）。usage 统计了本次请求消耗的 tokens 数量。

3. LabVIEW 对接方法

在 LabVIEW 中，我们采用底层 HTTPS 协议来对接 DeepSeek API。

相关函数位于：Functions >> Data Communication >> Protocols >> HTTP Client ，如下图。

在这里插入图片描述

根据上文所述的协议参数，调用相关VI，实现等效的 HTTPS 请求。如下图。

在这里插入图片描述

至此，基本对接方法已经实现。接下来，我们进行一些优化。

优化1：JOSN 格式转化

在前面的 VI 中，我们直接用一大段JSON字符串来描述请求参数。这对于参数修改与接口封装很不方便。

现在，改用 LabVIEW 的簇结构来组织请求参数，然后再调用 Flatten To JSON 函数，转换成JSON字符串，传递给 POST 进行发送。

与此同时，对于服务器返回的响应，调用 Unflatten From JSON 函数，从中提取出我们所需的 message 数据。
提取路径为：choices -> 0 -> message

优化后的程序框图如下：

在这里插入图片描述

优化2：中文及特殊字符的处理

DeepSeek 支持动态语言切换。只要你在发送的请求中使用中文来描述问题，那么返回的响应也将是中文的结果。

但是，DeepSeek 的请求与响应都是 UTF-8 编码，而大多数 LabVIEW 采用与操作系统一致的中文编码（比如，中国大陆为 GBK 编码）。为了能与 DeepSeek 适配，我们需要将请求字符串统一转换成 UTF-8 编码。同时，再将返回的响应转换为系统编码，从而保证中文正常显示。

LabVIEW 自带一对互逆的转换函数：Text to UTF-8 和 UTF-8 to Text ，可以用来实现上述转换功能。
（虽然是自带的，但它们不在任何选板中，很难找到。有需要的读者，请下载本文附带的范例，从中拷贝使用。）

在这里插入图片描述

好消息： JSON 转化函数自带编码转换功能。

如果您采用上文所述的 JSON 转化来处理请求参数与返回响应的话，那么恭喜您，通常不必再进行 UTF-8 编码转换了。

因为 Flatten To JSON 函数本身就会将 LabVIEW 簇中的中文转成UTF-8 编码。同时 Unflatten From JSON 函数本身就能将 UTF-8 编码的 JSON 字符串转化成系统编码的 LabVIEW 变量。

坏消息： DeepSeek 喜欢卖萌，常常返回表情符号。

DeepSeek 返回的响应中，如果出现无法解码的符号，会导致 Unflatten From JSON 函数报错。

这与中文编码无关，纯英文对话时，也可能返回表情符号。就像这样：

在这里插入图片描述

解决办法：
对于 DeepSeek 返回的字符串，先用 UTF-8 to Text 解码，再用 Text to UTF-8 编码，最后传递给 Unflatten From JSON 进行转换。

这个看似无用的 “反复” 操作，实际上会提前过滤非法字符，并替换成双问号 (??) ，从而避免直接传递给 Unflatten From JSON 发生报错。优化后的程序框图如下：

在这里插入图片描述

其他优化
DeepSeek 服务器有时会很忙碌，或者由于问题过于复杂，导致响应超时。您可以通过 POST 函数的下方接线端，设置自定义的超时时间。（默认为 10000 毫秒，即 10 秒）

4. 多轮对话

如果需要进行多轮对话，并且要求 AI 给出上下文相关联的回答，那么必须将前面所有交互的问题、回答，以及本次的新问题，一起拼接在 messages 数组中，发送给 DeepSeek 进行处理。原理如下图：

在这里插入图片描述

Python 多轮对话

from openai import OpenAI

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

messages = []

while True:
    q = input("Q: ")
    question = {"role": "user", "content": q}
    messages.append(question)

    response = client.chat.completions.create(
        model="deepseek-v4-pro",
        messages=messages,
        stream=False,
        reasoning_effort="high",
        extra_body={"thinking": {"type": "enabled"}}
    )

    answer = response.choices[0].message
    messages.append(answer)
    print("A: " + answer.content)
    print("\n")