两种方式结合自有数据和 DeepSeek 的 API 实现定制化需求

源码资源网

两种方式结合自有数据和 DeepSeek 的 API 实现定制化需求
方案一：通过 Prompt Engineering 动态注入数据

[size=16.002px]适用场景：数据量较小、实时性要求高、无需长期记忆的场景
实现步骤：

• 数据预处理
  将您的数据整理成结构化文本（如JSON或文本片段），确保信息简洁清晰。
  
  1. # 示例：知识库数据
     
  2. custom_knowledge = {
     
  3.     "company_info": "DeepSeek是一家专注实现AGI的中国的人工智能公司...",
     
  4.     "products": [
     
  5.         {"name": "DeepSeek-R1", "description": "高性能对话模型..."},
     
  6.     ]
     
  7. }

  复制代码
  
  
• 构建动态Prompt
  在API请求时，将相关数据嵌入prompt中，引导模型参考该信息生成回答。
  
  1. import requests
     
  2. 
     
  3. def get_custom_response(user_query, knowledge):
     
  4.     prompt = f"""
     
  5.     根据以下已知信息回答问题：
     
  6.     {knowledge}
     
  7.     ---
     
  8.     用户问题：{user_query}
     
  9.     """
     
  10.    
      
  11.     headers = {"Authorization": "Bearer YOUR_API_KEY"}
      
  12.     response = requests.post(
      
  13.         "https://api.deepseek.com/v1/chat/completions",
      
  14.         headers=headers,
      
  15.         json={
      
  16.             "model": "deepseek-chat",
      
  17.             "messages": [{"role": "user", "content": prompt}]
      
  18.         }
      
  19.     )
      
  20.     return response.json()["choices"][0]["message"]["content"]

  复制代码
  
  
• 调用API
  
  1. answer = get_custom_response("DeepSeek有哪些产品？", custom_knowledge)
     
  2. print(answer)

  复制代码
  
  

优点[size=16.002px]：简单快捷，无需训练成本
缺点[size=16.002px]：受限于模型上下文长度，不适合大数据量；需要手动设计prompt逻辑

方案二：通过微调（Fine-tuning）定制模型

[size=16.002px]适用场景：数据量大、需长期记忆、希望提升特定任务性能
注意事项：需确认DeepSeek官方是否开放微调API（截至当前信息，未正式开放，建议联系官方确认）

[size=16.002px]假设开放微调API时的预期步骤：

• 准备训练数据
  按标准格式整理数据，通常为JSONL文件，每行包含对话或补全示例：
  
  1. {"messages": [{"role": "user", "content": "解释深度学习"}, {"role": "assistant", "content": "深度学习是机器学习的一个分支..."}]}
     
  2. {"messages": [{"role": "user", "content": "DeepSeek成立时间"}, {"role": "assistant", "content": "DeepSeek成立于2023年"}]}

  复制代码
  
  
• 上传数据 & 启动微调
  （假设存在类似OpenAI的微调接口）
  
  1. curl https://api.deepseek.com/v1/fine_tuning/jobs \
     
  2. -H "Authorization: Bearer YOUR_API_KEY" \
     
  3. -F "training_file=@data.jsonl" \
     
  4. -F "model=deepseek-r1-lite-preview" \
     
  5. -F "hyperparameters={"epochs":3}"

  复制代码
  
  
• 使用微调后的模型
  获取微调模型ID（如ft:deepseek-r1-lite-preview:your-org:custom-id），通过API调用：
  
  1. response = requests.post(
     
  2.     "https://api.deepseek.com/v1/chat/completions",
     
  3.     headers={"Authorization": "Bearer YOUR_API_KEY"},
     
  4.     json={
     
  5.         "model": "ft:deepseek-r1-lite-preview:your-org:custom-id",
     
  6.         "messages": [{"role": "user", "content": "你的问题"}]
     
  7.     }
     
  8. )

  复制代码
  [size=16.002px]优点：模型真正学习到数据特征，适合复杂任务
  缺点：依赖平台支持，可能需要较高费用和等待时间

  ---

  推荐方案
  
  • 优先尝试Prompt Engineering：通过动态上下文注入测试效果。
  • 联系DeepSeek官方：咨询是否有企业级定制训练服务或即将推出的微调功能。
  • 自托管方案：如果拥有模型权重和训练权限，可在本地环境训练后部署私有API（需确认许可协议允许）。