> ## Content Index
> Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt
> Use this file to discover other available public pages before exploring further.
# DeepSeek-R1聊天机器人开发教程
- URL: https://www.hubwiz.com/blog/deepseek-r1-chatbot-development-tutorial/
- Published: 2025-02-10T03:27:18.000Z
- Updated: 2025-02-10T03:27:18.000Z
- Description: 在本教程中，我们用 Python 构建一个 DeepSeek-R1 聊天机器人。
- Author: admin
- Tags: APPLICATION, CHATBOT, DEEPSEEKR1, STREAMLIT, SNOWFLAKE, #Import 2026-10-14 14:41
AI 领域的进步速度确实在以前所未有的速度前进。短短一周多的时间，DeepSeek-R1 LLM 模型的发布就以其令人印象深刻的准确性震撼了 AI 世界，其准确性与现有模型相当，但创建成本仅为典型成本的一小部分。
DeepSeek 团队成功地将其庞大的 671B 参数模型的推理能力提炼为基于 Qwen（DeepSeek-R1-Distill-Qwen-1.5B、7B、14B 和 32B）和 Llama（DeepSeek-R1-Distill-Llama-8B 和 70B）的 6 个小模型。这实际上意味着你可以使用自己的模型副本 - 自定义它、进行更改、在本地运行它或将其托管在云平台上。
在本博客中，我们用 Python 构建一个 DeepSeek-R1 聊天机器人。简而言之，Streamlit 用于前端，而在后端，通过对托管在 Snowflake 中的 DeepSeek-R1 模型的 API 调用，可以实现为应用程序的响应提供支持的 LLM 模型。
点击[这里](https://github.com/Snowflake-Labs/snowflake-demo-streamlit/tree/main/DeepSeek-R1%20chatbot?ref=hubwiz.com)查看本教程的 GitHub 存储库。
## 1、什么是 DeepSeek-R1？
简而言之，DeepSeek-R1 是一种推理模型，它利用强化学习来教授基本语言模型 DeepSeek-V3 进行推理，而无需人工监督。
以下是 DeepSeek-R1 的 5 个主要功能：
- 最先进的推理：DeepSeek-R1 在高级数学任务上可以达到 97.3% 的准确率，优于早期的基准。同样，它在 AIME 2024 上的得分为 79.8%，在 SWE-bench Verified 上的得分为 49.2%，也优于其他模型。
- 成本效率：与行业标准相比，DeepSeek 模型的训练成本显著降低
- 应用广泛：在创意写作、长上下文理解和事实问答方面表现出色。
- 可扩展性：模型有多个精简版本（1.5B 到 70B 个参数），从而优化了能力和资源使用之间的平衡。
- 可访问性：开源可用性使开发人员和研究人员能够尝试该模型，以将高级 AI 工具应用于实际项目。
尽管其性能出色，但人们仍可能对其使用方面的安全问题感到担忧。鉴于此，由于模型是开源的，因此可以检查底层代码，而模型本身可以在用户自己的计算资源上自行部署。
在本教程中，我们将使用托管在[ Snowflake 平台中的 DeepSeek-R1 模型](https://www.snowflake.com/en/blog/deepseek-preview-snowflake-cortex-ai/?ref=hubwiz.com)。
## 2、应用程序概述
以下是 DeepSeek-R1 聊天机器人应用程序的高级概述：
- 用户提供提示输入（即提出问题）。
- 通过使用 `SNOWFLAKE.CORTEX.COMPLETE()` 进行 LLM 调用，其中提交提示输入，并获取 LLM 生成的响应，并将其显示在应用程序中。
## 3、聊天机器人的运行
让我们看看聊天机器人的实际运行，启动聊天机器人并在聊天输入中输入问题：
作为推理模型，LLM 首先进入思考阶段：
思考过程完成后，最终答案将在下面显示：
应该注意的是，思考和答案的深度直接受到最大令牌参数的影响。在这里，我们将最大令牌限制为 800 个以进行测试，但你可以将其增加到 20,480。
## 4、构建 DeepSeek-R1 聊天机器人
现在让我们继续在 Snowflake 平台上构建 DeepSeek-R1 聊天机器人。
### 4.1 设置开发环境
要访问必要的工具，请确保你可以访问[ Snowflake 帐户](https://signup.snowflake.com/?ref=hubwiz.com)。
接下来，导航到 [Snowflake 中的 Streamlit](https://docs.snowflake.com/en/developer-guide/streamlit/about-streamlit?ref=hubwiz.com)，转到项目→Streamlit，然后单击 + Streamlit App 以创建应用程序（然后你将指定应用程序位置和仓库）：
接下来，你将看到一个示例入门应用程序来帮助入门：
Snowflake 中的 Streamlit 界面类似于在线代码编辑器，您可以在左侧编辑代码并在右侧查看呈现的应用程序。
继续将其替换为我们今天要构建的应用程序。
### 4.2 检索代码
我们今天要构建的 DeepSeek-R1 聊天机器人应用程序由以下部分组成：
- environment.yml — 应用程序的环境依赖项
- streamlit\_app.py — Streamlit 应用程序文件
首先，environment.yml 文件的内容如下所示：
```
name: app_environment
channels:
- snowflake
dependencies:
- python=3.11.*
- snowflake-ml-python
- snowflake-snowpark-python
- streamlit
```
其次，sis\_app.py 文件的内容如下所示：
```
import streamlit as st
from snowflake.snowpark.context import get_active_session
import pandas as pd
import json
import re
# App configuration
st.set_page_config(page_title="🐳💬 DeepSeek R1 Chatbot", initial_sidebar_state="expanded")
session = get_active_session()
# Helper functions
def clear_chat_history():
st.session_state.messages = [{"role": "assistant", "content": "How may I assist you today?"}]
def escape_sql_string(s):
return s.replace("'", "''")
def extract_think_content(response):
think_pattern = r'(.*?)'
think_match = re.search(think_pattern, response, re.DOTALL)
if think_match:
think_content = think_match.group(1).strip()
main_response = re.sub(think_pattern, '', response, flags=re.DOTALL).strip()
return think_content, main_response
return None, response
def generate_deepseek_response(prompt, **params):
string_dialogue = "".join(
f"{msg['content']}\n\n"
for msg in st.session_state.messages
)
cortex_prompt = f"'[INST] {string_dialogue}{prompt} [/INST]'"
prompt_data = [{'role': 'user', 'content': cortex_prompt}], params
prompt_json = escape_sql_string(json.dumps(prompt_data))
response = session.sql(
"select snowflake.cortex.complete(?, ?)",
params=['deepseek-r1', prompt_json]
).collect()[0][0]
return response
# Model parameters configuration
MODEL_PARAMS = {
'temperature': {'min': 0.01, 'max': 1.0, 'default': 0.7, 'step': 0.01},
'top_p': {'min': 0.01, 'max': 1.0, 'default': 1.0, 'step': 0.01},
'max_tokens': {'min': 10, 'max': 100, 'default': 20, 'step': 10},
'presence_penalty': {'min': -1.0, 'max': 1.0, 'default': 0.0, 'step': 0.1},
'frequency_penalty': {'min': -1.0, 'max': 1.0, 'default': 0.0, 'step': 0.1}
}
# Sidebar UI
with st.sidebar:
st.title('🐳💬 DeepSeek R1 Chatbot')
st.write('This chatbot is created using the DeepSeek R1 LLM model via Snowflake Cortex.')
st.subheader('⚙️ Model parameters')
params = {
param: st.sidebar.slider(
param.replace('_', ' ').title(),
min_value=settings['min'],
max_value=settings['max'],
value=settings['default'],
step=settings['step']
)
for param, settings in MODEL_PARAMS.items()
}
st.button('Clear Chat History', on_click=clear_chat_history)
# Initialize chat history
if "messages" not in st.session_state:
st.session_state.messages = [{"role": "assistant", "content": "How may I assist you today?"}]
# Display chat messages
for message in st.session_state.messages:
with st.chat_message(message["role"]):
st.write(message["content"])
# Handle user input
if prompt := st.chat_input():
with st.chat_message("user"):
st.write(prompt)
st.session_state.messages.append({"role": "user", "content": prompt})
if st.session_state.messages[-1]["role"] != "assistant":
with st.chat_message("assistant"):
status_container = st.status("Thinking ...", expanded=True)
with status_container:
response = generate_deepseek_response(prompt, **params)
think_content, main_response = extract_think_content(response)
if think_content:
st.write(think_content)
status_container.update(label="Thoughts", state="complete", expanded=False)
st.markdown(main_response)
st.session_state.messages.append({"role": "assistant", "content": main_response})
```
你还可以从此 DeepSeek-R1 聊天机器人[ Github 存储库](https://github.com/Snowflake-Labs/snowflake-demo-streamlit/tree/main/DeepSeek-R1%20chatbot?ref=hubwiz.com)下载必要的应用文件。
### 4.3 运行应用
要运行应用，请复制粘贴上述代码，然后单击“运行”按钮。
你可以将鼠标光标放在代码/应用程序面板的分隔线上，然后将其向左移动，直到代码面板消失（见下文）。这会将应用程序面板扩展至全屏。
继续并输入提示以开始你的聊天会话：
此外，请参阅上面的 Chatbot 实际操作部分，了解 LLM 生成的思维过程和答案。
## 5、代码说明
让我们探索每个代码块在做什么……
### 5.1 导入库
我们首先从导入先决条件库开始。
```
import streamlit as st
from snowflake.snowpark.context import get_active_session
import pandas as pd
import json
import re
```
### 5.2 应用程序配置
接下来，我们使用 st.set\_page\_config() 定义应用程序页面并设置其初始页面参数，我们将设置 initial\_sidebar\_state="expanded"，以便它们完全按照那样做，展开侧边栏。在这里，我们还设置了会话变量，我们稍后会用到它。
```
# App configuration
st.set_page_config(page_title="🐳💬 DeepSeek R1 Chatbot", initial_sidebar_state="expanded")
session = get_active_session()
```
### 5.3 辅助函数
在此部分中，我们定义了几个将在应用程序的后面部分使用的辅助函数：
- `clear_chat_history()` — 这允许我们将聊天记录清除到初始状态
- `escape_sql_string()` — 在执行一些文本格式化时替换 SQL 字符串
- `extract_think_content()` — 解析并分离包含在 XML 样式“think”标签（ 和 ）中的内容，并将其与最终响应分开。
```
# Helper functions
def clear_chat_history():
st.session_state.messages = [{"role": "assistant", "content": "How may I assist you today?"}]
def escape_sql_string(s):
return s.replace("'", "''")
def extract_think_content(response):
think_pattern = r'(.*?)'
think_match = re.search(think_pattern, response, re.DOTALL)
if think_match:
think_content = think_match.group(1).strip()
main_response = re.sub(think_pattern, '', response, flags=re.DOTALL).strip()
return think_content, main_response
return None, response
```
例如，假设我们有以下生成的响应：
```
Let me analyze this problem step by step...
Here's the solution you're looking for...
```
它将解析并分离为：
- `think_content`：“让我一步一步分析这个问题……”
- `main_response`：“这是您正在寻找的解决方案……”
让我们继续使用最后一个辅助函数：
- `generate_deepseek_response()` — 使用 Snowflake 的 Cortex 服务和 DeepSeek R1 模型生成 LLM 响应
```
def generate_deepseek_response(prompt, **params):
string_dialogue = "".join(
f"{msg['content']}\n\n"
for msg in st.session_state.messages
)
cortex_prompt = f"'[INST] {string_dialogue}{prompt} [/INST]'"
prompt_data = [{'role': 'user', 'content': cortex_prompt}], params
prompt_json = escape_sql_string(json.dumps(prompt_data))
response = session.sql(
"select snowflake.cortex.complete(?, ?)",
params=['deepseek-r1', prompt_json]
).collect()[0][0]
return response
```
### 5.4 侧边栏 UI
我们首先将 `MODEL_PARAMS` 变量定义为字典格式，其中包含模型参数以及相关的最小值、最大值、默认值和步长值。
接下来，我们将定义以应用程序标题和应用程序描述开头的侧边栏。在这里，我们还包括几个通过 for 循环迭代创建的滑块小部件。最后，我们有一个清除聊天历史记录按钮，它调用 `clear_chat_history` 回调函数将历史记录重置为初始状态。
```
# Model parameters configuration
MODEL_PARAMS = {
'temperature': {'min': 0.01, 'max': 1.0, 'default': 0.7, 'step': 0.01},
'top_p': {'min': 0.01, 'max': 1.0, 'default': 1.0, 'step': 0.01},
'max_tokens': {'min': 10, 'max': 100, 'default': 20, 'step': 10},
'presence_penalty': {'min': -1.0, 'max': 1.0, 'default': 0.0, 'step': 0.1},
'frequency_penalty': {'min': -1.0, 'max': 1.0, 'default': 0.0, 'step': 0.1}
}
# Sidebar UI
with st.sidebar:
st.title('🐳💬 DeepSeek R1 Chatbot')
st.write('This chatbot is created using the DeepSeek R1 LLM model via Snowflake Cortex.')
st.subheader('⚙️ Model parameters')
params = {
param: st.sidebar.slider(
param.replace('_', ' ').title(),
min_value=settings['min'],
max_value=settings['max'],
value=settings['default'],
step=settings['step']
)
for param, settings in MODEL_PARAMS.items()
}
st.button('Clear Chat History', on_click=clear_chat_history)
```
### 5.5 聊天元素
在应用程序的最后部分，我们将初始化聊天历史记录的会话状态变量，迭代显示传入的聊天消息，并最终定义处理用户/应用程序聊天逻辑的条件流。后一部分利用先前定义的辅助函数来处理 LLM 生成的响应。
```
# Initialize chat history
if "messages" not in st.session_state:
st.session_state.messages = [{"role": "assistant", "content": "How may I assist you today?"}]
# Display chat messages
for message in st.session_state.messages:
with st.chat_message(message["role"]):
st.write(message["content"])
# Handle user input
if prompt := st.chat_input():
with st.chat_message("user"):
st.write(prompt)
st.session_state.messages.append({"role": "user", "content": prompt})
if st.session_state.messages[-1]["role"] != "assistant":
with st.chat_message("assistant"):
status_container = st.status("Thinking ...", expanded=True)
with status_container:
response = generate_deepseek_response(prompt, **params)
think_content, main_response = extract_think_content(response)
if think_content:
st.write(think_content)
status_container.update(label="Thoughts", state="complete", expanded=False)
st.markdown(main_response)
st.session_state.messages.append({"role": "assistant", "content": main_response})
```
将这些代码块拼凑在一起，我们就得到了 DeepSeek-R1 聊天机器人！
## 6、结束语
构建自己的聊天机器人，该聊天机器人由强大的 DeepSeek-R1 模型提供支持。这在不到 100 行代码中令人印象深刻地实现。
你可能会注意到，代码的很大一部分涉及“思考”标签和大量内联注释的处理，如果删除这些注释，应用程序会大大缩小。
---
原文链接：[How to build a DeepSeek-R1 chatbot](https://medium.com/snowflake/how-to-build-a-deepseek-r1-chatbot-1edbf6e5e9fe?ref=hubwiz.com)
汇智网翻译整理，转载请标明出处