2026年用C++调用DeepSeek API？保姆级教程来了（附完整代码）

大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。

在AI大模型API调用的主流示例中，curl、Python、Node.js是最常见的三种方式。但对于习惯用C++开发的同学来说，如何快速对接大模型API呢？

今天就以DeepSeek API为例，完整走一遍C++调用大模型的全过程——从核心接口认知，到依赖环境搭建，再到完整代码实现与运行！

无论用哪种语言调用DeepSeek API，首先要确认3个关键信息，这是对接成功的基础：

api_key：需到DeepSeek官网注册账号后获取，是身份认证的核心凭证；
base_url：访问大模型的基础URL地址，DeepSeek默认是 https://api.deepseek.com；
model：要调用的模型类型，比如对话模型 deepseek-chat。

先放一张DeepSeek官网文档的示例截图，大家可以清晰看到官方支持的三种调用方式：

DeepSeek API兼容OpenAI协议，所以先搞懂OpenAI接口的核心设计，后续C++实现会更顺畅。OpenAI API基于HTTP/HTTPS协议，核心逻辑可总结为“身份认证+接口参数”两部分。

所有请求必须携带api_key验证身份，两种传递方式对比：

推荐方式：通过HTTP请求头传递，格式为 Authorization: Bearer <你的api key="">，安全性更高；
备选方式：在请求参数中直接传递api_key，不推荐！容易导致密钥泄露。

日常开发中最常用的是对话接口、嵌入接口和函数调用接口，下面逐一说明关键参数（必选参数标红）：

用于和大模型进行多轮对话，核心是构造符合格式的JSON请求参数，具体说明如下：

参数名	参数类型	是否必选	简介
model	string	是	模型名称，如 deepseek-chat
messages	list[dict]	是	对话历史，每个dict包含 role（角色）和 content（内容）
role	string	否	可选值：system（系统指令）、user（用户）、assistant（助手）、function（函数）
temperature	float	否	随机性，0~2，0最确定，2最随机（默认1）
max_tokens	int	否	生成的最大tokens数（模型总tokens有限，如GPT-3.5上限4096）
top_p	float	否	核采样，0~1，替代temperature的随机性控制（二选一即可）
stream	bool	否	是否流式返回（实时输出，而非一次性返回）
tools	list[dict]	否	函数调用配置，定义模型可调用的工具/函数
response_format	dict	否	指定响应格式，如 {“type”: “json_object”}（强制JSON输出）
响应方式由 stream 参数决定：

非流式响应：返回完整JSON，包含核心对话内容；
流式响应：返回SSE（Server-Sent Events）流，逐段输出（适合实时对话场景）。

用于将文本转换为向量（Embedding），适用于文本检索、相似度计算等场景，核心参数如下：

参数名	参数类型	是否必选	简介
model	string	是	模型名称，如 deepseek-embed
input	string/list	是	待嵌入的文本（单文本或文本列表）
encodingformat	string	否	输出格式：float（默认）、base64

data-pid=“RZZye3P”>属于对话接口的扩展，通过 tools 参数定义函数，让模型自主判断是否需要调用工具（比如查天气、调用数据库）。举个获取城市天气的示例：

model=“gpt-3.5-turbo”, messages=[{“role”: “user”, “content”: “北京今天气温多少？”}], tools=[ // 定义可调用的函数 { "type": "function", "function": { "name": "get_weather", "description": "获取指定城市的实时气温", "parameters": { "type": "object", "properties": { "city": {"type": "string", "description": "城市名"} }, "required": ["city"] } } } 
 ], tool_choice=“auto” // 让模型自动决定是否调用函数 }

接下来进入核心环节，用C++实现DeepSeek API的调用。我们需要两个核心依赖：处理HTTP请求的 libcurl 和处理JSON的 nlohmann-json。

直接执行以下两条命令即可完成安装：

sudo apt install nlohmann-json3-dev # 安装JSON处理库 sudo apt install libcurl4-openssl-dev # 安装HTTP请求库

下面是完整的C++代码，实现了“持续对话”功能，包含类封装、请求构造、响应解析等逻辑，关键步骤已加注释：

#include 
   
     
     
       #include 
      
        #include 
       
         #include 
        
          #include 
          
          using json = nlohmann::json; 
          // 回调函数：接收HTTP响应数据 static size_t WriteCallback(void* contents, size_t size, size_t nmemb, void* userp) { 
          ((std::string*)userp)->append((char*)contents, size * nmemb); return size * nmemb;  
          } 
          // OpenAI客户端类封装 class OpenAIClient { private: 
          std::string api_key; // 核心密钥 std::string base_url; // 基础URL CURL* curl; // curl句柄  
          public: 
          // 构造函数：初始化密钥、URL和curl OpenAIClient(const std::string& api_key, const std::string& base_url = "https://api.deepseek.com") : api_key(api_key), base_url(base_url) { curl = curl_easy_init(); if (!curl) { throw std::runtime_error("Failed to initialize curl"); } } // 析构函数：释放资源 ~OpenAIClient() { if (curl) { curl_easy_cleanup(curl); } curl_global_cleanup(); } // 核心方法：发送对话请求并获取响应 // 参数：model-模型名；messages-对话历史（角色+内容） std::string chat_completion(const std::string& model, const std::vector 
          
            
            
              >& messages) { if (!curl) { throw std::runtime_error("Curl not initialized"); } // 1. 构造JSON请求体 json request_data; request_data["model"] = model; // 指定模型 // 构造对话历史数组 json messages_json = json::array(); for (const auto& msg : messages) { json msg_obj; msg_obj["role"] = msg.first; // 角色（system/user/assistant） msg_obj["content"] = msg.second; // 内容 messages_json.push_back(msg_obj); } request_data["messages"] = messages_json; request_data["temperature"] = 0.7; // 中等随机性 request_data["max_tokens"] = 1000; // 最大生成 tokens 数 std::string request_body = request_data.dump(); // JSON转字符串 std::string response_string; // 存储响应数据 // 2. 设置curl选项 curl_easy_setopt(curl, CURLOPT_URL, (base_url + "/v1/chat/completions").c_str()); // 完整请求URL curl_easy_setopt(curl, CURLOPT_POST, 1L); // POST请求 curl_easy_setopt(curl, CURLOPT_POSTFIELDS, request_body.c_str()); // 请求体 curl_easy_setopt(curl, CURLOPT_POSTFIELDSIZE, request_body.length()); // 请求体长度 curl_easy_setopt(curl, CURLOPT_WRITEFUNCTION, WriteCallback); // 响应回调函数 curl_easy_setopt(curl, CURLOPT_WRITEDATA, &response_string); // 响应数据存储地址 // 3. 设置请求头（身份认证+JSON格式） struct curl_slist* headers = NULL; headers = curl_slist_append(headers, "Content-Type: application/json"); headers = curl_slist_append(headers, ("Authorization: Bearer " + api_key).c_str()); curl_easy_setopt(curl, CURLOPT_HTTPHEADER, headers); // 4. 执行请求 CURLcode res = curl_easy_perform(curl); curl_slist_free_all(headers); // 释放请求头资源 // 错误处理 if (res != CURLE_OK) { throw std::runtime_error(std::string("curl_easy_perform() failed: ") + curl_easy_strerror(res)); } // 5. 解析响应JSON json response_data = json::parse(response_string); if (response_data.contains("error")) { throw std::runtime_error("API Error: " + response_data["error"]["message"].get 
             
               ()); } // 返回核心对话内容 return response_data["choices"][0]["message"]["content"].get 
              
                (); } 
               
              
             
          }; 
          // 主函数：测试持续对话 int main() { 
          try { // 初始化curl全局环境 curl_global_init(CURL_GLOBAL_DEFAULT); // 替换为你的DeepSeek API密钥（官网注册获取） std::string api_key = "填写你的API密钥（官网注册账号获取）"; OpenAIClient client(api_key); // 定义模型和初始系统指令 std::string model = "deepseek-chat"; std::vector 
          
            
            
              > messages = { {"system", "You are a helpful assistant."} }; // 打印欢迎信息 std::cout << "========================================" << std::endl; std::cout << "DeepSeek AI 对话系统（C++版）" << std::endl; std::cout << "输入 'exit' 或 'quit' 结束对话" << std::endl; std::cout << "========================================" << std::endl; // 持续对话循环 while (true) { // 获取用户输入 std::string user_input; std::cout << "\n用户: "; std::getline(std::cin, user_input); // 退出条件判断 if (user_input == "exit" || user_input == "quit") { std::cout << "\n感谢使用，对话结束！" << std::endl; break; } // 添加用户消息到对话历史 messages.emplace_back("user", user_input); try { // 调用API获取响应 std::string response = client.chat_completion(model, messages); // 打印响应内容 std::cout << "\nDeepSeek: " << std::endl; std::cout << response << std::endl; // 添加模型响应到对话历史（支持多轮对话） messages.emplace_back("assistant", response); } catch (const std::exception& e) { // 异常处理：打印错误信息并回滚对话历史 std::cerr << "\n错误: " << e.what() << std::endl; messages.pop_back(); // 移除失败的用户消息 std::cout << "请重试或输入 'exit' 结束对话" << std::endl; } } } catch (const std::exception& e) { // 全局异常处理 std::cerr << "程序错误: " << e.what() << std::endl; return 1; } return 0; 
             
          }

将代码保存为 deepseek_chat.cpp，然后执行以下编译命令（需链接curl库）：

g++ deepseek_chat.cpp -o deepseek_chat -lcurl -std=c++11

编译成功后，运行生成的可执行文件：

./deepseek_chat

运行程序后，输入问题即可和DeepSeek进行对话，输入 exit 或 quit 可结束对话。实际运行效果如下：

“C++通过OpenAI协议调用DeepSeek API”，本质是封装HTTPS请求+JSON数据交互：

依赖：libcurl（处理HTTP请求）+ nlohmann-json（处理JSON序列化/反序列化）；
步骤：构造符合协议的JSON请求体 → 设置HTTP请求头（携带api_key） → 执行请求 → 解析JSON响应。

拓展方向：

实现流式响应（设置stream=true），适配实时对话场景；
集成函数调用，让大模型能调用本地工具/接口；
替换为其他兼容OpenAI协议的模型（如GPT、通义千问等），只需修改base_url和model、apikey参数。

我是小C 欢迎大家讨论交流～觉得有用的话，记得点赞+在看+转发哦！

2026年用C++调用DeepSeek API？保姆级教程来了（附完整代码）

相关推荐