前言

随着AI越来越火热，越来越多的产品都接入了DeepSeek，今天我们就来尝试在微信小程序中集成国产顶尖大模型DeepSeek，解锁智能对话｜实时翻译｜长文本生成三大核心场景。

准备工作

  • 注册一个微信小程序账号，并且创建本地小程序工程项目
  • 小程序基础库需要在 3.7.1 及以上版本，具备 wx.cloud.extend.AI 对象
  • 小程序需要开通「云开发」，可在小程序开发工具中点击工具栏里的「云开发」按钮进行开通，并创建环境(PS：对于首次使用云开发的用户，第一个月套餐免费)

微信小程序接入DeepSeek｜实现智能对话_前端

开发，调用大模型

以上工作完成后，我们会得到一个云开发环境ID，接下来我们可以正式接入 DeepSeek API。这里我使用的是Taro框架，开发过程中会遇到一些坑点，一起往下看看都是如何解决的。

初始化云开发环境

if(process.env.TARO_ENV === 'weapp') {
  Taro.cloud.init({
    env: 'cloud1-6gxxxxxxxxxxxx'
  })
}
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.

创建AI模型

const init = async () => {
   model = Taro.cloud.extend.AI.createModel("deepseek");
  // 创建模型实例，这里使用 DeepSeek 大模型
}
  • 1.
  • 2.
  • 3.
  • 4.

调用生成文本

const userInput = ref('')  // 用户输入内容
const messageList = ref<ChatMessage[]>([])  // 对话列表

const send = async () => {
  const res = await model.streamText({
      data: {
        model: "deepseek-r1", // 指定具体的模型
        messages: [
          { role: "user", content: userInput.value },
        ],
      },
  })
  
  // push 用户输入的消息到消息列表
  messageList.value.push({
    role: 'user',
    content: userInput.value,
  })
  userInput.value = ''  // 清空输入框
  
  if(res.textStream) {
     // 先push一条空内容,表示ai返回内容
    messageList.value.push({
      role: 'ai',
      content: '',
    })
     // 接收大模型的响应
    /