🐑 |从零开始的Pyside2界面编程| 用Pyside2打造一个AI助手界面 🐑

♈前言♈

经过上周老学长的提点，这周进度飞速，感觉按照我原来的进度这周的成果需要多耗好多个星期，首先感谢一下学长@浩浩的科研笔记，其次这周的博客就准备简单记录一下，如何把一个AI以api的形式嵌入到自己的ui界面中，引入AI后确实增加了很多交互的体验，就拿我自己做的这个根据心电信号实时识别并预测情绪的系统来看，我完全可以在引入AI后通过AI调取我识别后的情绪模型结果来给用户相关建议或者下一步的想法，人机交互显得更加自然一点。本篇就以引入Deepseek的模型为例来记录一下如何将AI引入到自己的ui界面中。

♈调取Deepseek大模型♈

在打造ui界面的AI助手之前首先来介绍一下如何在python上调取Deepseek大模型并实现一个多轮对话，这里先推荐一下学长@浩浩的科研笔记的一篇博文调用阿里通义千问大语言模型API-小白新手教程-python，这里已经以阿里的通义千问为例将调取大模型API 以及实现多轮对话的功能介绍的很详细了，我这里就以调取Deepseek为例全程记录一下自己调取的步骤。

♒准备工作♒

首先我们需要申请一份Deepseek的API用于使用python访问Deepseek的模型。进入deepseek的官网：https://www.deepseek.com/，进入右上角的API开放平台。

进入后在开放平台左侧可以看到充值入口，充值后，进入API KEYs

点击创建API key即可创建一个自己的API 密钥，可以保存到电脑上，或者复制下来
（因为只有创建的时候才能看到自己的密钥，后面关闭创建的弹窗后就看不到了）
然后开始安装requests库，这个库的作用就是HTTP请求到Deepseek API内，安装命令符：
pip install requests。至此准备工作结束。

♒调用API♒

然后一点点来记录下调用刚刚保存的API 的代码。

import requests

# 配置参数
API_KEY = ""  # 替换为你的API密钥
API_URL = "https://api.deepseek.com/v1/chat/completions"

其中API_KEY为刚刚保存的密钥复制上即可，下面的API_URL为官方文档的断点地址。

def ask_deepseek(prompt):
    headers = {
        "Authorization": f"Bearer {API_KEY}",
        "Content-Type": "application/json"
    }

    data = {
        "model": "deepseek-chat",
        "messages": [{"role": "user", "content": prompt}],
        "temperature": 0.7,
        "max_tokens": 1024
    }

在ask_deepseek的函数中分别定义请求头headers以及构造请求数据data。messages中分别包含角色和对话的内容temperature则是控制模型回复的随机性，越靠近1回复就会越天马行空；max_tokens则是限制回复的最大长度（大约1024tokens≈700汉字），并且在data中我们可以改变调用的模型，除了代码中的deepseek-chat外还可以调用deepseek-coder相对而言代码能力更强。

    try:
        response = requests.post(API_URL, headers=headers, json=data)
        response.raise_for_status()  # 检查错误
        return response.json()["choices"][0]["message"]["content"]
    except Exception as e:
        return f"错误: {str(e)}"

然后就是发送请求与错误处理，当消息头和请求数据发送成功时，response.json会成功解析API返回的JSON数据，并且通过response.json()["choices"][0]["message"]["content"]提取出AI回复的文本内容，如果请求失败则会返回错误提示。

if __name__ == "__main__":
    while True:
        user_input = input("你: ")
        if user_input.lower() == 'exit':
            break

        answer = ask_deepseek(user_input)
        print("DeepSeek:", answer)

最后就是连续对话的一个交互逻辑，当用户输入exit时候退出对话。
完整代码：

import requests

# 配置参数
API_KEY = ""  # 替换为你的实际API密钥
API_URL = "https://api.deepseek.com/v1/chat/completions"


def ask_deepseek(prompt):
    headers = {
        "Authorization": f"Bearer {API_KEY}",
        "Content-Type": "application/json"
    }

    data = {
        "model": "deepseek-chat",
        "messages": [{"role": "user", "content": prompt}],
        "temperature": 0.7,
        "max_tokens": 1024
    }

    try:
        response = requests.post(API_URL, headers=headers, json=data)
        response.raise_for_status()  # 检查错误
        return response.json()["choices"][0]["message"]["content"]
    except Exception as e:
        return f"错误: {str(e)}"


if __name__ == "__main__":
    while True:
        user_input = input("你: ")
        if user_input.lower() == 'exit':
            break

        answer = ask_deepseek(user_input)
        print("DeepSeek:", answer)

运行后我们可以简单看下效果：

可以看到我们可以直接在pycharm的控制台中实现实时的对话功能，但是不好的一点就是pycharm的控制台不支持markdown的渲染，所以里面会难以识别出markdown的语法。

♈将模型嵌入到ui界面中♈

既然已经实现了简单使用requests在pycharm中调用deepseek的模型，后面就简单记录一下怎样在ui界面中调用。
这里还是以QTdesigner来制作ui界面为例，这里我是创建了一个名为aitest2.ui的文件，包含了一个QTexeBrowser、一个QtextEdit、一个Qpushbutton以及一个label

首先label就是简单给自己的AI助手设置一个名字，我这里也是随便起的一个，下面分别就是用户的输入栏发送按钮以及回复框,其中三个控件的名字分别为aitext，aibutton，以及textbrowser。创建好后我们只需要将他load并结合我们上面的代码，给各个控件加一个交互的指令即可。

import sys
import requests
from PySide2.QtWidgets import QApplication, QMainWindow
from PySide2.QtUiTools import QUiLoader

# API 配置（与原始代码保持一致）
API_KEY = ""  # 替换为你的实际API密钥
API_URL = "https://api.deepseek.com/v1/chat/completions"


def ask_deepseek(prompt):
    """与您提供的函数完全一致的API调用方法"""
    headers = {
        "Authorization": f"Bearer {API_KEY}",
        "Content-Type": "application/json"
    }
    data = {
        "model": "deepseek-chat",
        "messages": [{"role": "user", "content": prompt}],
        "temperature": 0.7,
        "max_tokens": 1024
    }
    try:
        response = requests.post(API_URL, headers=headers, json=data)
        response.raise_for_status()
        return response.json()["choices"][0]["message"]["content"]
    except Exception as e:
        return f"错误: {str(e)}"


class DeepSeekApp:
    def __init__(self):
        # 加载UI文件
        self.ui = QUiLoader().load("aitest2.ui")

        # 绑定按钮事件
        self.ui.aibutton.clicked.connect(self.on_button_click)

    def on_button_click(self):
        """按钮点击事件处理"""
        user_input = self.ui.aitext.toPlainText().strip()
        if not user_input:
            return

        # 调用与原始代码一致的API方法
        answer = ask_deepseek(user_input)

        # 显示结果
        self.ui.textbrowser.append(f"You: {user_input}")
        self.ui.textbrowser.append(f"AI: {answer}\n")
        self.ui.aitext.clear()


if __name__ == "__main__":
    app = QApplication(sys.argv)
    window = DeepSeekApp()
    window.ui.show()
    sys.exit(app.exec_())

第一个函数基本没什么变化，主要第二个调用的类里面记得在初始化中将按钮给初始化了。然后下面的on_button_click的方法也是很简单的交互指令，只是最后记得加上一句 self.ui.aitext.clear()目的是当我们把输入的文本发送后，将上次已发送的文本进行清空掉。
简单看下效果：

♈总结♈

简单记录一下这周学到的一些比较重要的地方，如果有不合适的地方也欢迎提出。