DeepSeek 编程实战指南：从写函数到调 Bug 的全流程教程

前言

DeepSeek 不仅是一个聊天工具——对于程序员来说，它是一个能写、能改、能调试、能做架构设计的 AI 编程搭档。本文用 6 个实战场景，从入门到进阶，带你掌握用 DeepSeek 辅助编程的完整方法论。

建议先下载 DeepSeek 桌面客户端，在电脑上边看边操作。如果还没申请 API，可以参考 DeepSeek API 申请教程把 DeepSeek 集成到自己的项目里。

一、代码生成：从需求到可运行代码

场景：Python 爬虫

需求：写一个爬取豆瓣 Top 250 电影信息的 Python 脚本

对 DeepSeek 说：

用 Python 写一个爬取豆瓣电影 Top 250 的脚本，要求：

使用 requests + BeautifulSoup

添加请求头伪装，防止被反爬

每请求一页后随机休眠 2-5 秒

结果保存为 CSV 文件（包含排名、片名、评分、评价人数）

添加异常处理和重试机制

DeepSeek 会给你一个完整的脚本，包含 fake_useragent、time.sleep(random.uniform(2,5))、try/except 重试逻辑和 CSV 写入。

关键技巧：需求越具体，代码越可用

模糊的"帮我写个爬虫"会产生一段无法直接用的代码。加上环境（requests+BS4）、反爬策略（休眠）、输出格式（CSV 字段）、容错（异常处理）之后，DeepSeek 给的代码基本可以直接跑。

二、Bug 调试：让 AI 当你的调试器

场景：诡异的数据丢失 Bug

真实案例：一个 Python 项目里，用户反映偶尔会碰到"操作成功但数据没保存"的问题，日志没有报错。

把相关代码和日志片段贴给 DeepSeek R1：

这段代码偶发性不更新数据库，日志没有任何报错，帮我分析可能的原因：

def update_user_profile(user_id, data):
    user = User.query.get(user_id)
    for key, value in data.items():
        setattr(user, key, value)
    # db.session.commit()  # 注释掉了？

R1 的推理过程：

代码中没有 db.session.commit()，这意味着 SQLAlchemy 不会把修改写入数据库

为什么"偶尔"丢失？因为 SQLAlchemy 在某些情况下会自动 flush（如查询前），导致数据看似持久化，实际上 session 关闭后就回滚了

建议：补上 db.session.commit()，并添加 try/finally 确保 session 正确关闭

R1 不仅找到了 bug，还解释了「为什么偶发」——这才是真正省时间的地方。

调试方法论

贴完整错误信息：Traceback 的每一行都有用
贴相关代码段：不要太长（50-100 行），也不要太短（缺少上下文 R1 会脑补）
先用 V3 快速排查：语法错误、import 路径之类的 V3 秒答
逻辑 Bug 切到 R1：需要深度推理时再切换

三、代码审查：用 AI 做 Code Review

场景：Review 一段 Python 后端代码

对 DeepSeek 说：

帮我 review 这段代码，从以下角度给改进建议：

安全性（SQL 注入、XSS、权限检查）

性能（N+1 查询、索引使用）

可读性（命名、注释、函数长度）

错误处理

[粘贴代码]

DeepSeek 会逐条列出问题和建议，类似：

🔴 安全：第 23 行直接用 f-string 拼接 SQL，建议改用参数化查询
🟡 性能：第 45 行循环内查询数据库，建议用 selectinload 预加载关联数据
🟢 可读性：函数 handle_data 超过 80 行，建议拆分为 3 个子函数

让 Review 更有效的技巧

在提示词末尾加一句「对每条建议标注严重程度（阻断/严重/建议）」，DeepSeek 会自动分类，方便你优先修复高危问题。

四、项目架构设计

场景：设计一个博客系统的技术方案

对 DeepSeek R1 说：

我要做一个技术博客系统，日均 UV 预估 5000。请帮我设计技术架构，考虑：

前后端技术选型（Python 生态优先）

数据库设计（用户、文章、评论、标签关系）

部署方案（成本控制在 ¥100/月以内）

安全方案（防 XSS、CSRF、SQL 注入）

R1 会给出一个详细的架构方案，包含：

技术选型：FastAPI + SQLAlchemy + PostgreSQL，前端 Vue 3 + SSG
数据库 ER 图：文字描述 5 张表的关系和索引策略
部署：阿里云 ECS 最低配 ≈ ¥68/月，加 RDS ≈ ¥30/月
安全：JWT 鉴权、CORS 白名单、参数化查询、markdown 渲染用 bleach 过滤

这些建议不是泛泛而谈，R1 会给出「为什么选 FastAPI 而不是 Django」的理由（异步性能更好、API 文档自动生成、适合博客这种读多写少的场景）。

五、单元测试自动生成

场景：给已有函数写测试

对 DeepSeek 说：

给这个函数生成 pytest 单元测试，覆盖：

正常输入
空输入
边界值（最大/最小）
异常输入（类型错误）

def calculate_discount(price, level):
    """根据会员等级计算折扣价
    level: 'normal'=原价, 'silver'=9折, 'gold'=8折, 'platinum'=7折
    """
    rates = {'normal': 1.0, 'silver': 0.9, 'gold': 0.8, 'platinum': 0.7}
    if price < 0:
        raise ValueError('价格不能为负数')
    if level not in rates:
        raise ValueError(f'无效的会员等级: {level}')
    return round(price * rates[level], 2)

DeepSeek 生成的测试不仅覆盖了所有场景，还会额外加上一个你没想到的测试：price=0 的情况（边界值），以及 level=None 的情况（类型错误的变体）。

六、通过 API 集成 DeepSeek

6.1 最简单的调用

import requests

response = requests.post(
    'https://api.deepseek.com/v1/chat/completions',
    headers={'Authorization': 'Bearer YOUR_API_KEY'},
    json={
        'model': 'deepseek-chat',
        'messages': [{'role': 'user', 'content': '用 Python 写一个快速排序'}]
    }
)
print(response.json()['choices'][0]['message']['content'])

6.2 在你的项目里封装一个 AI 助手

class DeepSeekAssistant:
    def __init__(self, api_key, model='deepseek-chat'):
        self.api_key = api_key
        self.model = model
        self.history = []
    
    def ask(self, prompt):
        self.history.append({'role': 'user', 'content': prompt})
        resp = requests.post(
            'https://api.deepseek.com/v1/chat/completions',
            headers={'Authorization': f'Bearer {self.api_key}'},
            json={'model': self.model, 'messages': self.history}
        )
        answer = resp.json()['choices'][0]['message']['content']
        self.history.append({'role': 'assistant', 'content': answer})
        return answer
    
    def clear_history(self):
        self.history = []

# 使用
ai = DeepSeekAssistant('YOUR_API_KEY')
print(ai.ask('解释装饰器的原理'))
print(ai.ask('给我写一个装饰器的例子'))

⚠️ 注意：API Key 不要硬编码在代码里，使用环境变量 os.environ.get('DEEPSEEK_API_KEY') 或 .env 文件管理。

6.3 用 R1 做代码审查的自动化脚本

import subprocess

def review_with_r1(file_path):
    """用 R1 审查指定文件"""
    with open(file_path, 'r') as f:
        code = f.read()
    
    prompt = f"""Review the following code. List issues by severity:
- BLOCKER: security vulnerabilities, data loss
- MAJOR: bugs, performance issues  
- MINOR: code style, naming

```{file_path.split('.')[-1]}
{code}
```"""
    
    resp = requests.post(
        'https://api.deepseek.com/v1/chat/completions',
        headers={'Authorization': f'Bearer {API_KEY}'},
        json={'model': 'deepseek-reasoner', 'messages': [{'role': 'user', 'content': prompt}]}
    )
    return resp.json()['choices'][0]['message']['content']

# 在 git commit 前自动审查改动的文件

七、编程场景的模型选择策略

任务类型	推荐模型	理由
写 CRUD / 脚手架代码	V3	快，这类代码不需要深度推理
调 Bug / 算法题	R1	完整推理链，不漏边界情况
Code Review	R1	能发现隐藏的逻辑漏洞
架构设计	R1	需要权衡多因素
生成测试用例	R1	边界条件覆盖更全面
解释代码	V3	简单直接
写文档 / 注释	V3	自然语言任务

如果你还不熟悉 R1 和 V3 的区别，建议先看 DeepSeek R1 深度推理指南。

八、总结

把 DeepSeek 当编程搭档，不是当代码生成器。关键方法论：

需求要具体——模糊的需求产生不可用的代码
V3 快速、R1 深入——简单任务用 V3，复杂推理切 R1
贴完整的上下文——错误信息、代码段、环境版本缺一不可
让 AI Review 你的代码——R1 经常能发现你忽略的边界情况
API 集成到工作流——写一个代码审查脚本，在 git commit 前自动跑

用好 DeepSeek，你花在调试和查文档上的时间可以减少 50% 以上。剩下的时间，去做更有价值的架构设计和业务理解。

FAQ

DeepSeek 写代码支持哪些语言？

Python 表现最好，JavaScript/TypeScript、Java、Go、Rust、C/C++ 也都支持。小众语言（如 Haskell、Elixir）正确率会打折扣。

用 DeepSeek 生成的生产代码安全吗？

需要 Review。DeepSeek 生成的代码在逻辑上通常正确，但可能缺少安全防护（如参数化查询、输入校验）。建议每次生成后做安全审查。

R1 写代码比 V3 慢很多吗？

是的，R1 的思考过程通常需要 10-60 秒，V3 只需 2-5 秒。如果不是复杂逻辑或调试，用 V3 就够了。

API 调用支持流式输出吗？

支持。在请求中设置 "stream": true 即可获得 SSE 流式响应，适合对话式应用场景。

免费 API 有速率限制吗？

目前 DeepSeek API 对个人开发者免费开放，没有明确的速率限制。商业化使用建议关注官方公告。

DeepSeek 编程实战指南：从写函数到调 Bug 的全流程教程

前言

一、代码生成：从需求到可运行代码

场景：Python 爬虫

关键技巧：需求越具体，代码越可用

二、Bug 调试：让 AI 当你的调试器

场景：诡异的数据丢失 Bug

调试方法论

三、代码审查：用 AI 做 Code Review

场景：Review 一段 Python 后端代码

让 Review 更有效的技巧

四、项目架构设计

场景：设计一个博客系统的技术方案

五、单元测试自动生成

场景：给已有函数写测试

六、通过 API 集成 DeepSeek

6.1 最简单的调用

6.2 在你的项目里封装一个 AI 助手

6.3 用 R1 做代码审查的自动化脚本

七、编程场景的模型选择策略

八、总结

FAQ

DeepSeek 写代码支持哪些语言？

用 DeepSeek 生成的生产代码安全吗？

R1 写代码比 V3 慢很多吗？

API 调用支持流式输出吗？

免费 API 有速率限制吗？

📄 相关阅读