本文是AI系列文章的开篇，旨在引导读者入门大型语言模型（LLM）。文章首先介绍了LLM的基本概念，并通过DeepSeek等模型演示了如何进行API调用，包括注册、密钥设置和代码编写。随后，文章详细讲解了如何实现多轮对话和无限对话，通过循环结构实现记忆功能。文章强调了理解对话流程和步骤的重要性，鼓励读者实践，为后续深入探索AI领域奠定基础。

💡 LLM是基于深度学习技术的强大AI模型，通过海量文本数据训练，实现对自然语言的理解和生成，是构建智能对话系统的关键。

🔑 开启与LLM的对话，首先需要进入DeepSeek开放平台，注册账号并充值，然后创建API密钥，确保安全保存。接着，安装openai库，并参考官方文档，进行API调用。

🗣️ 实现多轮对话的关键在于维护对话的上下文信息。将前一轮的问答回复添加到messages列表中，再结合新的问题一起发送给LLM，从而让模型拥有记忆能力。

🔄 无限对话通过循环结构实现。在循环中，将用户输入的问题和LLM的回复不断添加到messages列表中，形成持续的对话，实现无限的交互。

引言

从这篇文章开始，作者即将开启一个新系列文章——AI篇，我将从最基本的AI概念开始说起到AIGC，AIGC是终点吗？当然不是，学无止境...

LLM

LLM（Large Language Model，大型语言模型）是一种基于深度学习技术的人工智能模型，通过海量文本数据的训练，实现对自然语言的理解与生成
在这个领域，已经有很多优秀的大模型涌现，比如：DeepSeek-R1、Claude 4.0、ChatGpt-4o等等

开启和LLM的第一轮对话

为了方便演示，这里选用DeepSeek
接下来，我们需要做以下工作：

进入DeepSeek开放平台，注册并进行充值创建API key，记得保存密钥查看deep seek接口文档（点击跳转）：首次调用 API | DeepSeek API Docs在终端输入 pip3 install openai这里可以看到官方提供的一个简单案例，只需要将<DeepSeek API Key>换成自己的密钥，{"role": "user", "content": "换成你的问题"}即可

如果选择的是推理模型deepseek-reasoner，可以打印出大模型的思考过程

from openai import OpenAI client = OpenAI(    api_key=os.getenv('DEEPSEEK_API_KEY'),    base_url='https://api.deepseek.com/v1')completion = client.chat.completions.create(    model = "deepseek-reasoner",    messages=[        {'role':'system','content':'你是一个数学老师，请你回答今年高考数学相关问题'},        {'role':'user','content':'客观评价今年高考数学的难度如何'},    ]) print('思考过程')print(completion.choices[0].message.reasoning_content)print('回答')print(completion.choices[0].message.content)

第一步，成功迈出！

开启有记忆的第二轮对话

凡事先看官方文档：多轮对话 | DeepSeek API Docs官方源码：
简单解释一下:把第一轮问答的回复添加到messages里，再带着新的问题，一起发给大模型，这样的大模型就有记忆了，就是如此朴实无华

from openai import OpenAIclient = OpenAI(api_key="<DeepSeek API Key>", base_url="https://api.deepseek.com")# Round 1messages = [{"role": "user", "content": "What's the highest mountain in the world?"}]response = client.chat.completions.create(    model="deepseek-chat",    messages=messages)messages.append(response.choices[0].message)print(f"Messages Round 1: {messages}")# Round 2messages.append({"role": "user", "content": "What is the second?"})response = client.chat.completions.create(    model="deepseek-chat",    messages=messages)messages.append(response.choices[0].message)print(f"Messages Round 2: {messages}")

代码就自己去跑一下就行了，任务就留给你了

如何开启有记忆的无限对话？

这个时候，就肯定要想到循环了
我相信，你肯定想到了，就是循环把每一轮的对话信息，添加进messages，一并发给 LLM不难理解，页不难写，代码如下：

from openai import OpenAI client = OpenAI(    api_key=os.getenv('DEEPSEEK_API_KEY'),    base_url='https://api.deepseek.com/v1')def seed_message(message):    response = client.chat.completions.create(        model='deepseek-reasoner',        messages=message,    )    return responseif __name__ == '__main__':    messages = []    while 1 :        question = input('请输入问题：')        if question == 'exit':            break        messages.append({'role': 'user', 'content': question})        response = seed_message(messages)        message = response.choices[0].message        messages.append(            {                'role': message.role,                'content': message.content            }        )        print('思考过程：')        print(message.reasoning_content)        print('回答：')        print(message.content)

总结：

代码很容易看懂，不要拘泥于细节写不出来，后面写多了都会掌握的，作为入门，只需要大概知道与大模型对话是怎么一回事，有哪些步骤，如此，即可