smolagents学习笔记系列（番外一）使用DeepSeek API Key + CodeAgent

这篇文章是在 smolagents 官方教程结束后的番外篇，实现了如何使用 DeepSeek API Key + CodeAgent 执行你的提示词。

之所以写这篇文章是因为 smolagents 没有提供 DeepSeek 的模型接口，尽管可以通过 HfApiModel 这个类来指定使用与 DeepSeek 相关的模型，但这些都不是直接使用 API 接口，因为 HuggingFace 官网的 DeepSeek-R1 页面直接写了下面这句话：

现在还不支持 HuggingFace 的 Tramsformers 调用，因此如果确实想通过 DeepSeek 的 API 接口调用模型，我们就需要自己实现一个类来为 CodeAgent 提供可操作的模型。

Step1. 购买 DeepSeek API Key

在日前（2025年02月27日，星期四）DeepSeek 官方已经重新恢复了 API Key 的购买，在此之前服务器爆满暂停了一段时间公开销售，登录 Platform 页面在完成实名认证后就可以直接购买：https://platform.deepseek.com/top_up。由于DeepSeek 是本土公司，所以在购买步骤上也更加人性化，可以直接使用支付宝或微信以预付的方式存放一些额度，不需要绑定信用卡也就不必担心自己将Token用超一夜破产的情况发生。

我购买的是最低额度的 10 元档位，根据使用经验直到我把代码调通总计消耗了不到 0.01 元的 Token，因此初学者也可以放心使用。

【注意】：这个API Key也是需要立即找一个地方记下来，后期也不能二次查看的。

Step2. 自定义 DeepSeek 的Model

• 官网链接：https://api-docs.deepseek.com/；

查看 DeepSeek API 平台官网中 Your First API Call 可以的发现API接口是兼容 OpenAI 格式的，我们需要参考官网demo编写自己的Model，首先要安装依赖：

【注意】demo中提到的 base_url 和 model 后期可以根据需求进行修改，官网提供了多个url与模型，但这里为了教学就用下面写的内容。

$ pip3 install openai

然后我们去查看 HfApiModel 这个类发现其通过继承 smolagents.Model 这个基类实现对 Qwen-Coder 模型的调用，并且至少需要对 __init__ 和 __call__ 这两个成员函数进行重写：

最快的方法就是仿照其实现一个，这里直接给出我实现好的代码，我将这个写成一个文件后面就可以放在 smolagents 库里，未来就能直接通过 from somlagents import DeekSeekModel 的方式导入了：

• DeepSeekModel.py

from smolagents import Model
from smolagents import Model, Tool
from typing import TYPE_CHECKING, Any, Dict, List, Optional
from smolagents.models import parse_tool_args_if_needed, ChatMessage
from openai import OpenAI

class DeepSeekModel(Model):
    """This model connects to [DeepSeek]("https://api.deepseek.com") as a gateway to hundreds of LLMs.
	   
    Parameters:
        model_id (`str`):
            The model identifier to use on the server (e.g. "deepseek-chat").
        api_base (`str`, *optional*):
            The base URL of the OpenAI-compatible API server.
        api_key (`str`, *optional*):
            The API key to use for authentication.
        custom_role_conversions (`dict[str, str]`, *optional*):
            Custom role conversion mapping to convert message roles in others.
            Useful for specific models that do not support specific message roles like "system".
        **kwargs:
            Additional keyword arguments to pass to the OpenAI API.
    """

    def __init__(
        self,
        model_id: str = "deepseek-chat",
        api_base="https://api.deepseek.com",
        api_key=None,
        custom_role_conversions: Optional[Dict[str, str]] = None,
        **kwargs,
    ):
        super().__init__(**kwargs)
        self.model_id = model_id
        self.api_base = api_base
        self.api_key = api_key
        self.custom_role_conversions = custom_role_conversions
        self.flatten_messages_as_text = (
            kwargs.get("flatten_messages_as_text")
            if "flatten_messages_as_text" in kwargs
            else self.model_id.startswith(("ollama", "groq", "cerebras"))
        )
        self.client = OpenAI(api_key=self.api_key, base_url=self.api_base)

    def __call__(
        self,
        messages: List[Dict[str, Any]],  # 允许 content 是 str 或 list
        stop_sequences: Optional[List[str]] = None,
        grammar: Optional[str] = None,
        tools_to_call_from: Optional[List[Tool]] = None,
        **kwargs,
    ) -> ChatMessage:
        completion_kwargs = self._prepare_completion_kwargs(
            messages=messages,
            stop_sequences=stop_sequences,
            grammar=grammar,
            tools_to_call_from=tools_to_call_from,
            model=self.model_id,
            api_base=self.api_base,
            api_key=self.api_key,
            convert_images_to_image_urls=True,
            flatten_messages_as_text=self.flatten_messages_as_text,
            custom_role_conversions=self.custom_role_conversions,
            **kwargs,
        )

        def format_content(content):
            if isinstance(content, list):
                return "\n".join(map(str, content))  # 处理 list -> str
            return str(content)

        response = self.client.chat.completions.create(
            model=self.model_id,
            messages=[
                {"role": "system", "content": "You are a helpful assistant"},
                {"role": "user", "content": "\n".join(format_content(msg["content"]) for msg in messages)},
            ],
            stream=False
        )      

        self.last_input_token_count = response.usage.prompt_tokens
        self.last_output_token_count = response.usage.completion_tokens
        message = ChatMessage.from_dict(
            response.choices[0].message.model_dump(include={"role", "content", "tool_calls"})
        )
        message.raw = response.choices[0].message.content

        if tools_to_call_from is not None:
            return parse_tool_args_if_needed(message)
        return message

Step3. Agent调用

在实现了 DeepSeekModel 这个类后就可以直接编写Agent进行调用了，和之前使用 HfApiModel 完全一致：

from DeepSeekModel import DeepSeekModel
from smolagents import CodeAgent

deepseek_api_key = "你的DeepSeek API Key"

model = DeepSeekModel(api_key=deepseek_api_key)
agent = CodeAgent(
    model=model,
    tools=[]
)
agent.max_steps = 3
agent.run("Could you give me the 118th number in the Fibonacci sequence?",)

运行如下：

$ python demo.py

可以看到 Agent 已经正确解析了我们自定义的模型，并将模型名 deepseek-chat 打印在控制台上：