企业官网建设流程全解析

【学习记录】DeepSeek 代码助手：FastAPI 后端 + Streamlit 前端完整实现

在上一篇文章中，我们展示了如何将 DeepSeek 大模型封装为 FastAPI 服务。今天，我们为其打造一个友好的 Web 界面——DeepSeek 代码助手。用户可以通过浏览器输入编程问题，系统调用后端 DeepSeek 模型生成代码或解答，并以高亮代码块的形式展示。本文详细讲解前后端代码、运行方法、原理及注意事项，帮助你快速搭建属于自己的 AI 编程助手。

📌 目录

1. 项目概览
2. 后端实现：FastAPI + DeepSeek
   • 2.1 依赖安装与配置
   • 2.2 代码详解
3. 前端实现：Streamlit 界面
   • 3.1 页面布局与组件
   • 3.2 调用后端 API
   • 3.3 结果展示与错误处理
4. 运行指南
   • 4.1 启动后端服务
   • 4.2 启动前端界面
   • 4.3 测试效果
5. 注意事项与优化建议
6. 总结

一、项目概览

本系统由两部分组成：

工作流程：

1. 用户在 Streamlit 界面输入问题（可附带系统提示词）。
2. 前端向 FastAPI 后端发送 HTTP POST 请求。
3. 后端调用 DeepSeek 模型，返回生成的回答。
4. 前端将回答以代码块形式展示，并显示模型信息。

二、后端实现：FastAPI + DeepSeek

2.1 依赖安装

创建虚拟环境并安装以下包：

pipinstallfastapi uvicorn llama-index-core llama-index-llms-deepseek

2.2 完整代码（app.py）

importosimportloggingfromfastapiimportFastAPI,HTTPExceptionfrompydanticimportBaseModel,Fieldfromllama_index.llms.deepseekimportDeepSeekfromllama_index.core.llmsimportChatMessage# 日志配置logging.basicConfig(level=logging.INFO)logger=logging.getLogger(__name__)# DeepSeek 配置（请勿硬编码！生产环境使用环境变量）DEEPSEEK_API_KEY="sk-xxxxxxxxxxxx"# 替换为你的真实 KeyDEFAULT_MODEL="deepseek-chat"llm=DeepSeek(model=DEFAULT_MODEL,api_key=DEEPSEEK_API_KEY,temperature=0.3,max_tokens=2048,timeout=60.0,)# 请求/响应模型classGenerateRequest(BaseModel):prompt:str=Field(...,description="用户输入的提示词")system_prompt:str|None=Field(None,description="可选的系统提示词")classGenerateResponse(BaseModel):response:strmodel:str# FastAPI 应用app=FastAPI(title="DeepSeek LLM API")@app.get("/health")asyncdefhealth():return{"status":"ok","model":DEFAULT_MODEL}@app.post("/generate",response_model=GenerateResponse)asyncdefgenerate_text(request:GenerateRequest):try:messages=[]ifrequest.system_prompt:messages.append(ChatMessage(role="system",content=request.system_prompt))messages.append(ChatMessage(role="user",content=request.prompt))response=llm.chat(messages)answer=response.message.contentreturnGenerateResponse(response=answer,model=DEFAULT_MODEL)exceptExceptionase:logger.error(f"推理失败:{str(e)}",exc_info=True)raiseHTTPException(status_code=500,detail=f"模型推理失败:{str(e)}")

代码要点：

• 使用DeepSeek类初始化模型，配置temperature（控制随机性）、max_tokens（输出长度）、timeout（超时）。
• ChatMessage支持多轮对话，这里构造了可选的system消息和必填的user消息。
• /generate端点接收 JSON 格式的请求，返回模型生成的文本。
• 统一异常处理，避免将内部错误直接暴露给客户端。

⚠️安全警告：API Key 硬编码在代码中，是严重的安全隐患。生产环境请使用环境变量（如os.getenv("DEEPSEEK_API_KEY")）或密钥管理服务。

三、前端实现：Streamlit 界面

3.1 依赖安装

pipinstallstreamlit requests

3.2 完整代码（ui.py）

importstreamlitasstimportrequestsimportjson# ---------- 页面配置 ----------st.set_page_config(page_title="DeepSeek 代码助手",page_icon="🤖",layout="centered")st.title("🤖 DeepSeek 代码助手")st.markdown("基于 DeepSeek 模型，专注代码生成与解答")# ---------- 侧边栏配置 ----------withst.sidebar:st.header("⚙️ 设置")backend_url=st.text_input("后端 API 地址",value="http://localhost:8000")system_prompt=st.text_area("系统提示词（可选）",value="你是一个严谨的代码助手，只输出代码和简洁注释，不要额外解释。",help="设定模型行为风格")st.markdown("---")st.markdown("### 使用说明")st.markdown("1. 在下方输入你的编程问题")st.markdown("2. 点击「生成回答」按钮")st.markdown("3. 等待模型返回代码或解答")# ---------- 主区域 ----------st.header("💬 问题输入")user_prompt=st.text_area("请输入你的问题：",height=150,placeholder="例如：用Python写一个计算斐波那契数列的函数",key="prompt_input")col1,col2=st.columns([1,5])withcol1:submit=st.button("🚀 生成回答",type="primary",use_container_width=True)# ---------- 结果展示区 ----------ifsubmit:ifnotuser_prompt.strip():st.warning("⚠️ 请输入问题内容")st.stop()api_endpoint=f"{backend_url.rstrip('/')}/generate"payload={"prompt":user_prompt,"system_prompt":system_promptifsystem_prompt.strip()elseNone}withst.spinner("🤔 DeepSeek 正在思考中，请稍候..."):try:response=requests.post(api_endpoint,json=payload,headers={"Content-Type":"application/json"},timeout=60)response.raise_for_status()result=response.json()st.success("✅ 生成成功")st.subheader("📄 回答内容")# 使用代码块展示（如果是代码会自动高亮）st.code(result["response"],language="python"if"python"inresult["response"].lower()else"text")st.caption(f"模型：{result['model']}")st.info("💡 提示：点击代码块右上角的复制图标可直接复制代码")exceptrequests.exceptions.ConnectionError:st.error(f"❌ 无法连接到后端服务，请确认后端已启动且地址正确：{backend_url}")st.info("启动后端命令：`uvicorn app:app --host 0.0.0.0 --port 8000`")exceptrequests.exceptions.Timeout:st.error("⏰ 请求超时，请稍后重试或检查模型响应时间")exceptrequests.exceptions.HTTPErrorase:st.error(f"❌ 后端返回错误：{e}\n{response.text}")exceptjson.JSONDecodeError:st.error("❌ 解析响应失败，后端可能返回了非 JSON 内容")exceptExceptionase:st.error(f"❌ 未知错误：{str(e)}")st.markdown("---")st.markdown("📌 提示：如果生成内容不全，可尝试在侧边栏修改系统提示词或检查后端 `max_tokens` 设置。")

前端要点：

• 侧边栏配置：允许用户修改后端 API 地址和系统提示词，增强灵活性。
• 错误处理：覆盖连接失败、超时、HTTP 错误、JSON 解析错误等常见情况，给出友好提示。
• 结果展示：使用st.code自动识别代码语言（简单判断是否包含“python”），支持复制功能。
• 用户体验：提交时显示加载动画（st.spinner），成功/失败有明确的状态反馈。

四、运行指南

4.1 启动后端服务

在终端中执行：

# 设置 API Key（Linux/macOS）exportDEEPSEEK_API_KEY="sk-xxxxxxxxxxxx"# 或 Windows (cmd)setDEEPSEEK_API_KEY=sk-xxxxxxxxxxxx# 启动 FastAPI 服务uvicorn app:app--host0.0.0.0--port8000--reload

看到类似输出表示成功：

INFO: Uvicorn running on http://0.0.0.0:8000 INFO: Application startup complete.

4.2 启动前端界面

打开另一个终端，运行：

streamlit run ui.py

浏览器将自动打开http://localhost:8501。

4.3 测试效果

1. 在 Streamlit 界面的输入框中输入问题，例如：用Python写一个快速排序函数。
2. 点击「生成回答」按钮。
3. 稍等片刻，后端返回的代码会显示在代码块中，并标注模型名称。

—

五、注意事项与优化建议

六、总结

通过本文，我们构建了一个完整的DeepSeek 代码助手，包括：

• ✅ 基于 FastAPI 的模型调用后端，支持系统提示词和用户问题。
• ✅ 基于 Streamlit 的 Web 前端，提供直观的交互界面。
• ✅ 完善的错误处理和用户提示，提升可用性。
• ✅ 清晰的代码注释和运行指南，方便二次开发。

你可以将此系统部署在个人服务器上，作为团队内部的 AI 编程辅助工具。后续还可以扩展：

• 支持多轮对话（保存历史消息）。
• 集成代码执行环境（如 Jupyter 内核）。
• 添加用户认证与计费功能。

希望这篇文章能帮助你快速搭建自己的大模型应用。如果在实践过程中遇到问题，欢迎在评论区留言交流。