【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：

组件	技术栈	职责
后端 API	FastAPI + LlamaIndex + DeepSeek	接收用户问题及系统提示词，调用 DeepSeek 模型生成回答
前端 UI	Streamlit	提供 Web 交互界面，发送请求并展示模型返回的代码/文本

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：

pip install fastapi uvicorn llama-index-core llama-index-llms-deepseek

2.2 完整代码（app.py）

import os
import logging
from fastapi import FastAPI, HTTPException
from pydantic import BaseModel, Field
from llama_index.llms.deepseek import DeepSeek
from llama_index.core.llms import ChatMessage

# 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 Key
DEFAULT_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
class GenerateRequest(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")

class GenerateResponse(BaseModel):
    response: str
    model: str

# FastAPI 应用
app = FastAPI(title="DeepSeek LLM API")

@app.get("/health")
async def health():
    return {"status": "ok", "model": DEFAULT_MODEL}

@app.post("/generate", response_model=GenerateResponse)
async def generate_text(request: GenerateRequest):
    try:
        messages = []
        if request.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.content
        
        return GenerateResponse(response=answer, model=DEFAULT_MODEL)
    except Exception as e:
        logger.error(f"推理失败: {str(e)}", exc_info=True)
        raise HTTPException(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

pip install streamlit requests

3.2 完整代码（ui.py）

import streamlit as st
import requests
import json

# ---------- 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 ----------
with st.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])
with col1:
    submit = st.button("🚀 生成回答", type="primary", use_container_width=True)

# ---------- 结果展示区 ----------
if submit:
    if not user_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_prompt if system_prompt.strip() else None
    }
    
    with st.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" in result["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")
            
        except requests.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`")
        except requests.exceptions.Timeout:
            st.error("⏰ 请求超时，请稍后重试或检查模型响应时间")
        except requests.exceptions.HTTPError as e:
            st.error(f"❌ 后端返回错误：{e}\n{response.text}")
        except json.JSONDecodeError:
            st.error("❌ 解析响应失败，后端可能返回了非 JSON 内容")
        except Exception as e:
            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）
export DEEPSEEK_API_KEY="sk-xxxxxxxxxxxx"

# 或 Windows (cmd)
set DEEPSEEK_API_KEY=sk-xxxxxxxxxxxx

# 启动 FastAPI 服务
uvicorn app:app --host 0.0.0.0 --port 8000 --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

方面	注意事项	优化建议
API Key 安全	代码中硬编码了 Key，有泄露风险	使用环境变量 os.getenv("DEEPSEEK_API_KEY")；生产环境使用密钥管理服务
CORS 问题	前端和后端可能端口不同，但 Streamlit 默认请求后端时属于跨域？实际上 Streamlit 是客户端发送请求到后端，不涉及浏览器跨域限制。	无需额外配置。若前端部署在独立域名，后端需启用 CORSMiddleware。
请求超时	模型生成较长内容可能超过 60 秒	可适当调高 timeout 参数，或改为异步任务队列
并发处理	FastAPI 的同步 llm.chat 会阻塞事件循环	使用 asyncio.to_thread 将同步调用放入线程池，或改用 DeepSeek 的异步 API（如果提供）
前端代码高亮	当前仅通过判断字符串中是否含“python”来决定高亮语言	可根据返回代码块中的语言标记（如 ```python）更精确高亮；也可使用 pygments 库
对话历史	当前仅支持单轮对话	扩展前端维护 messages 历史，并通过 API 传递完整的对话列表

---

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。