使用Python调用ollama部署的DeepSeek模型实现教案设计的详细步骤

python调用ollama部署的deepseek模型实现教案设计

教案设计说明

这个程序实现了从DeepSeek API响应中分别提取思考部分和回答内容，并根据回答内容自动生成教学教案的功能。主要包含以下模块：

1. 内容提取模块：

2. 分离标签内的思考过程和最终回答
3. 使用正则表达式进行精确匹配和内容提取
4. 处理可能的异常情况

5. 内容结构分析模块：

6. 识别不同级别的标题（###和####）
7. 解析内容层次结构
8. 将文本内容转换为结构化数据

9. 教学教案生成模块：

10. 根据内容结构自动创建教学目标
11. 为每个章节生成学习目标、关键点和讨论问题
12. 支持多级标题结构，生成完整的教案框架

13. 格式化输出模块：

14. 将结构化教案转换为易读的文本格式
15. 保持清晰的层次结构
16. 生成符合教学规范的文档格式

程序使用说明

1. 运行程序后，它会：

2. 调用DeepSeek API获取关于AI发展历程的内容
3. 提取模型的思考过程和最终回答
4. 分析回答内容的结构
5. 根据结构生成详细的教学教案
6. 在控制台显示教案内容
7. 将教案保存为文本文件

8. 教案内容包括：

9. 课程标题和总体教学目标
10. 各章节的学习目标、内容总结、关键点和讨论问题
11. 支持多级标题结构的子章节内容
12. 合理的时间分配建议

13. 如需自定义：

14. 修改user_prompt可以获取其他主题的教案
15. 调整create_teaching_plan函数可以自定义教案结构和内容
16. 修改format_teaching_plan函数可以调整输出格式

这个程序可以作为教育工作者快速生成教学材料的工具，也可以用于内容分析和结构化处理的学习。

代码

基础版本

import requests  # 用于发送HTTP请求调用API
import json  # 用于处理JSON数据
import re  # 用于正则表达式处理文本


def call_deepseek_api(prompt):
  """调用DeepSeek API获取AI发展历程的内容"""
  try:
    # 发送POST请求到DeepSeek API
    response = requests.post(
      url="http://localhost:11434/api/chat",  # API端点URL
      json={
        "model": "deepseek-r1:1.5b",  # 指定使用的模型
        "messages": [
          {"role": "user", "content": prompt}  # 用户输入的问题
        ],
        "stream": False  # 不使用流式响应
      }
    )
    response.raise_for_status()  # 检查请求是否成功，不成功则抛出异常
    return response.json()  # 将响应内容解析为JSON并返回
  except requests.exceptions.RequestException as e:
    print(f"API请求错误: {e}")  # 处理请求异常
    return None
  except json.JSONDecodeError as e:
    print(f"JSON解析错误: {e}")  # 处理JSON解析异常
    return None


def extract_ai_history(response_data):
  """从DeepSeek API响应中提取并格式化AI发展历程的内容"""
  try:
    # 从响应数据中提取模型返回的原始内容
    content = response_data["message"]["content"]

    # 提取模型思考过程
    think_match = re.search(r'<think>(.*?)</think>', content, flags=re.DOTALL)
    thought_process = think_match.group(1).strip() if think_match else "未找到模型思考过程"

    # 移除思考过程标签，保留实际回答内容
    cleaned_content = re.sub(r'<think>.*?</think>', '', content, flags=re.DOTALL).strip()

    # 使用正则表达式按###标题分割内容为多个章节
    sections = re.split(r'###\s*', cleaned_content)

    # 提取主体内容（第一个部分）
    main_content = sections[0].strip()
    chapters = []  # 用于存储各章节内容的列表

    # 处理每个章节（从第二个部分开始）
    for section in sections[1:]:
      if not section.strip():  # 跳过空部分
        continue
      # 分割章节标题和内容（按第一个换行符分割）
      lines = section.split('\n', 1)
      if len(lines) == 2:  # 确保有标题和内容
        title, content = lines
        chapters.append({  # 将章节信息添加到列表
          "title": title.strip(),  # 章节标题
          "content": content.strip()  # 章节内容
        })

    # 返回结构化的提取结果，拆分为两个独立参数
    return {
      "thought_process": thought_process  # 模型思考过程
    }, {
      "main_content": main_content,  # 主体内容
      "chapters": chapters  # 章节列表
    }
  except Exception as e:
    print(f"提取内容时出错: {e}")  # 处理异常
    return None, None


def format_thought_process(thought_data):
  """将模型思考过程格式化为易读的文本"""
  if not thought_data:
    return "未找到模型思考过程"

  return f"=== 模型思考过程 ===\n{thought_data['thought_process']}\n\n"


def format_inference_result(result_data):
  """将推理结果格式化为易读的文本"""
  if not result_data:
    return "未能提取有效内容"

  # 初始化格式化文本，先添加主体内容
  formatted = "=== 主体内容 ===\n"
  formatted += result_data["main_content"] + "\n\n"

  # 遍历每个章节，按序号和标题格式添加
  formatted += "=== 详细章节 ===\n"
  for i, chapter in enumerate(result_data["chapters"], 1):
    formatted += f"### {chapter['title']}\n{chapter['content']}\n\n"

  return formatted


def save_to_file(content, filename="ai_history.md"):
  """将内容保存到文件"""
  try:
    # 以写入模式打开文件（自动创建或覆盖）
    with open(filename, 'w', encoding='utf-8') as file:
      file.write(content)  # 写入内容
    print(f"内容已保存到 {filename}")  # 提示保存成功
  except Exception as e:
    print(f"保存文件时出错: {e}")  # 处理保存异常


# 主程序入口
if __name__ == "__main__":
  # 定义用户问题
  user_prompt = "请介绍一下人工智能的发展历程"

  # 调用API获取内容
  print("正在调用DeepSeek API获取内容...")
  response_data = call_deepseek_api(user_prompt)

  if response_data:  # 检查API响应是否成功
    # 提取内容，拆分为思考过程和推理结果
    print("正在提取并格式化内容...")
    thought_data, result_data = extract_ai_history(response_data)

    # 分别格式化思考过程和推理结果
    formatted_thought = format_thought_process(thought_data)
    formatted_result = format_inference_result(result_data)

    # 合并输出
    # formatted_content = formatted_thought + formatted_result

    # 打印结果
    print("\n=== 人工智能发展历程 ===")
    print(formatted_thought)
    print(formatted_result)

    # 保存到文件
    save_to_file(formatted_result)
  else:
    print("获取内容失败，请检查API连接和设置")

定制美化版本

import requests  # 用于发送HTTP请求调用API
import json  # 用于处理JSON数据
import re  # 用于正则表达式处理文本


def call_deepseek_api(prompt):
  """调用DeepSeek API获取AI发展历程的内容"""
  try:
    # 发送POST请求到DeepSeek API
    response = requests.post(
      url="http://localhost:11434/api/chat",  # API端点URL
      json={
        "model": "deepseek-r1:1.5b",  # 指定使用的模型
        "messages": [
          {"role": "user", "content": prompt}  # 用户输入的问题
        ],
        "stream": False  # 不使用流式响应
      }
    )
    response.raise_for_status()  # 检查请求是否成功，不成功则抛出异常
    return response.json()  # 将响应内容解析为JSON并返回
  except requests.exceptions.RequestException as e:
    print(f"API请求错误: {e}")  # 处理请求异常
    return None
  except json.JSONDecodeError as e:
    print(f"JSON解析错误: {e}")  # 处理JSON解析异常
    return None


def extract_think_and_response(response_data):
  """从API响应中分别提取<think>思考部分和最终回答部分"""
  try:
    # 从响应数据中提取模型返回的原始内容
    content = response_data["message"]["content"]

    # 使用正则表达式提取<think>标签内的思考内容
    think_match = re.search(r'<think>(.*?)</think>', content, re.DOTALL)
    think_content = think_match.group(1).strip() if think_match else ""

    # 移除<think>标签及其内容，得到最终回答部分
    response_content = re.sub(r'<think>.*?</think>', '', content, flags=re.DOTALL).strip()

    return {
      "think_content": think_content,  # 思考过程内容
      "response_content": response_content  # 最终回答内容
    }
  except Exception as e:
    print(f"内容提取错误: {e}")
    return {"think_content": "", "response_content": ""}


def analyze_response_structure(response_content):
  """分析回答内容的结构，提取标题和各部分内容"""
  # 定义不同级别的标题正则表达式模式
  section_pattern = r'###\s*(.*?)\n'  # 三级标题（###）
  subsection_pattern = r'####\s*(.*?)\n'  # 四级标题（####）

  # 初始化结构数据
  structure = {
    "main_content": "",  # 引言部分
    "sections": []  # 各章节内容
  }

  # 按三级标题分割内容
  sections = re.split(section_pattern, response_content)

  if len(sections) > 1:
    # 第一部分是引言
    structure["main_content"] = sections[0].strip()

    # 处理每个章节（标题和内容交替出现）
    for i in range(1, len(sections), 2):
      section_title = sections[i]
      section_content = sections[i + 1].strip()

      # 初始化章节数据
      section_data = {
        "title": section_title,
        "content": "",
        "subsections": []
      }

      # 检查章节内容中是否包含四级标题
      subsections = re.split(subsection_pattern, section_content)

      if len(subsections) > 1:
        # 第一部分是章节主体内容
        section_data["content"] = subsections[0].strip()

        # 处理每个子章节
        for j in range(1, len(subsections), 2):
          subsection_title = subsections[j]
          subsection_content = subsections[j + 1].strip()

          section_data["subsections"].append({
            "title": subsection_title,
            "content": subsection_content
          })
      else:
        # 如果没有子章节，整个内容就是章节主体
        section_data["content"] = section_content

      structure["sections"].append(section_data)
  else:
    # 如果没有三级标题，整个内容作为引言
    structure["main_content"] = response_content.strip()

  return structure


def create_teaching_plan(structure_data):
  """根据内容结构创建教学教案"""
  # 初始化教案数据
  teaching_plan = {
    "title": "人工智能发展历程教学教案",
    "objectives": [
      "了解人工智能的发展阶段",
      "掌握各阶段的关键技术和应用",
      "理解人工智能发展的历史脉络",
      "分析技术进步与应用场景的关系"
    ],
    "sections": []
  }

  # 为每个章节创建教学内容
  for section in structure_data["sections"]:
    # 初始化章节教案
    section_plan = {
      "title": section["title"],
      "learning_objectives": [],
      "content_summary": section["content"],
      "key_points": [],
      "discussion_questions": [],
      "time_allocation": 15  # 默认每节15分钟
    }

    # 根据章节标题设置学习目标
    if "早期模仿人类行为" in section["title"]:
      section_plan["learning_objectives"] = [
        "了解人工智能的起源",
        "掌握早期人工智能的特点",
        "识别早期AI的代表性应用"
      ]
      section_plan["key_points"] = [
        "达特茅斯会议的意义",
        "早期AI的局限性",
        "简单计算工具与AI的关系"
      ]
      section_plan["discussion_questions"] = [
        "为什么早期AI主要集中在模仿人类行为？",
        "早期AI技术对现代AI有哪些影响？"
      ]

    elif "机器学习与模式识别" in section["title"]:
      section_plan["learning_objectives"] = [
        "理解机器学习的基本概念",
        "掌握模式识别在AI中的应用",
        "分析这一时期AI的技术突破"
      ]
      section_plan["key_points"] = [
        "统计学与机器学习的关系",
        "早期模式识别的应用领域",
        "工业自动化的发展"
      ]
      section_plan["discussion_questions"] = [
        "为什么机器学习被认为是AI发展的重要阶段？",
        "模式识别技术在当今有哪些新的应用？"
      ]

    # 其他章节的学习目标和关键点（省略其他分支以保持简洁）

    # 添加子章节内容（如果有）
    if section["subsections"]:
      section_plan["subsections"] = []
      for subsection in section["subsections"]:
        subsection_plan = {
          "title": subsection["title"],
          "content_summary": subsection["content"],
          "key_points": [f"理解{subsection['title']}的核心技术",
                         f"掌握{subsection['title']}的应用场景"]
        }
        section_plan["subsections"].append(subsection_plan)

    teaching_plan["sections"].append(section_plan)

  return teaching_plan


def format_teaching_plan(teaching_plan):
  """将教学教案格式化为易读的文本"""
  formatted = f"# {teaching_plan['title']}\n\n"

  # 添加教学目标
  formatted += "## 教学目标\n"
  for i, objective in enumerate(teaching_plan['objectives'], 1):
    formatted += f"{i}. {objective}\n"
  formatted += "\n"

  # 添加各章节内容
  for i, section in enumerate(teaching_plan['sections'], 1):
    formatted += f"## 第{i}节: {section['title']} ({section['time_allocation']}分钟)\n\n"

    # 添加学习目标
    formatted += "### 学习目标\n"
    for j, obj in enumerate(section['learning_objectives'], 1):
      formatted += f"{j}. {obj}\n"
    formatted += "\n"

    # 添加内容总结
    formatted += "### 内容总结\n"
    formatted += f"{section['content_summary']}\n\n"

    # 添加关键点
    formatted += "### 关键点\n"
    for j, point in enumerate(section['key_points'], 1):
      formatted += f"{j}. {point}\n"
    formatted += "\n"

    # 添加讨论问题
    if section['discussion_questions']:
      formatted += "### 讨论问题\n"
      for j, question in enumerate(section['discussion_questions'], 1):
        formatted += f"{j}. {question}\n"
      formatted += "\n"

    # 添加子章节（如果有）
    if 'subsections' in section:
      for j, subsection in enumerate(section['subsections'], 1):
        formatted += f"#### 子节{j}: {subsection['title']}\n\n"
        formatted += "##### 内容总结\n"
        formatted += f"{subsection['content_summary']}\n\n"
        formatted += "##### 关键点\n"
        for k, point in enumerate(subsection['key_points'], 1):
          formatted += f"{k}. {point}\n"
        formatted += "\n"

  return formatted


def save_to_file(content, filename="ai_history_teaching_plan.md"):
  """将内容保存到文件"""
  try:
    with open(filename, 'w', encoding='utf-8') as file:
      file.write(content)
    print(f"内容已保存到 {filename}")
  except Exception as e:
    print(f"保存文件时出错: {e}")


# 主程序入口
if __name__ == "__main__":
  # 定义用户问题
  user_prompt = "请介绍一下人工智能的发展历程"

  # 调用API获取内容
  print("正在调用DeepSeek API获取内容...")
  response_data = call_deepseek_api(user_prompt)

  if response_data:
    # 提取思考部分和回答部分
    print("正在提取思考和回答内容...")
    extracted = extract_think_and_response(response_data)

    # 打印思考部分
    print("\n=== 模型思考过程 ===")
    print(extracted["think_content"])

    # 分析回答结构
    print("\n正在分析内容结构...")
    structure = analyze_response_structure(extracted["response_content"])

    # 创建教学教案
    print("正在生成教学教案...")
    teaching_plan = create_teaching_plan(structure)

    # 格式化教案文本
    formatted_plan = format_teaching_plan(teaching_plan)

    # 打印教案
    print("\n=== 人工智能发展历程教学教案 ===")
    print(formatted_plan)

    # 保存教案到文件
    save_to_file(formatted_plan)
  else:
    print("获取内容失败，请检查API连接和设置")

运行效果

正在调用DeepSeek API获取内容...
正在提取思考和回答内容...

=== 模型思考过程 ===
嗯，用户想了解一下人工智能的发展历程。首先，我应该从最近的进展开始，因为这样能吸引最新的关注。我记得最近几年，深度学习在AI里占据了很大比例，比如GPT系列这些模型，还有Transformer架构，这些都挺有名的。

然后，自动驾驶和智能设备方面，比如特斯拉Autopilot和蔚来Neuralink这样的项目，应该是个不错的切入点。AI在医疗里的应用，比如智能诊断系统，能很好地帮助医生，这也是一个重要的点。

人工智能在教育中的应用越来越广泛了，K12学校的在线学习平台，还有各种在线课程资源。这些地方可以吸引更多的学生参与进来。

 besides这些，我还可以提到一些其他领域，比如自动驾驶、智能助手和个性化推荐。这些都是AI带来的新方向。另外，AI伦理问题也是一个关键点，现在很多人在讨论如何平衡技术与人类的互动，这点也很重要。

总的来说，要全面地覆盖人工智能的发展历程，同时突出当前的热点和趋势，这样用户才能得到一个全面而有深度的回答。

正在分析内容结构...
正在生成教学教案...

=== 人工智能发展历程教学教案 ===
# 人工智能发展历程教学教案

## 教学目标
1. 了解人工智能的发展阶段
2. 掌握各阶段的关键技术和应用
3. 理解人工智能发展的历史脉络
4. 分析技术进步与应用场景的关系

## 第1节: 1. **20世纪80年代：AI 的概念与早期发展** (15分钟)

### 学习目标

### 内容总结
- **计算机程序的自动操作**：随着电脑技术的发展，从1945年开始，人类开始在计算机上进行一些简单的程序运算，如算术、逻辑推理等。
   - **专家系统（Expert systems）**：1976年，英国奥本海默的研究小组提出了“专家系统”理论，允许非专家的人类专家编写规则和逻辑，让计算机自动执行复杂的任务。
   - **机器学习（Machine Learning）**：1950年代末至20世纪中叶，人工智能领域开始转向研究算法的训练来模拟人类学习过程。一些早期的方法包括线性回归、神经网络等。

### 关键点

## 第2节: 2. **21世纪初：深度学习与模式识别** (15分钟)

### 学习目标

### 内容总结
- **人工神经网络（Artificial Neural Networks）**：随着计算能力的提升和神经元数量的增加，人工神经网络从理论到实践都取得了巨大进展。如自适应有限状态机器（ADAR）在语音处理中的应用。
   - **深度学习（Deep Learning）**：20世纪90年代末至21世纪中段，深度学习技术迅速发展，特别是使用卷积神经网络（CNN）、长短期记忆网络（LSTM）等方法解决复杂图像识别和自然语言处理任务。

### 关键点

## 第3节: 3. **21世纪 late to early: 智能驾驶与自动驾驶** (15分钟)

### 学习目标

### 内容总结
- **特斯拉Autopilot**：2018年，特斯拉开始推出Autopilot，能够自动泊车、自适应巡航等，标志着智能驾驶技术的大规模应用。
   - **蔚来Neuralink**：2020年，Brake Group推出了Neuralink，用于连接大脑与手部，推动了人体交互技术的发展。

### 关键点

## 第4节: 4. **21世纪中叶至后半：医疗与健康领域的应用** (15分钟)

### 学习目标

### 内容总结
- **智能诊断系统（Diagnosis System）**：人工智能在医学领域取得了显著进展。如深度神经网络应用于电子眼（NEST）和脑电图（EEG）分析，帮助医生更精准地诊断疾病。
   - **个性化治疗**：通过基因组学和机器学习，医生可以为患者推荐适合的药物组合，提高治疗效果。

### 关键点

## 第5节: 5. **21世纪后期至现在：AI 的多元化发展** (15分钟)

### 学习目标

### 内容总结
- **AI 在教育中的应用**：如K12学校的在线学习平台（Khan Academy）和智能辅导系统，帮助学生更好地学习。
   - **AI 的社会影响**：人工智能在治理、金融、娱乐等领域发挥着越来越重要的作用。例如，算法歧视检测、城市交通优化等。

### 关键点

## 第6节: 6. **AI 的伦理与社会挑战** (15分钟)

### 学习目标

### 内容总结
- **隐私与安全问题**：数据泄露和隐私泄露成为AI应用中的新威胁。
   - **算法公平性与偏见**：算法可能导致偏见，如何确保AI系统在不同群体中的公平性和公正性是一个重要课题。

### 关键点

## 第7节: 总结 (15分钟)

### 学习目标

### 内容总结
人工智能的发展是从概念到技术再到社会化的阶段。从20世纪80年代的早期概念，到21世纪的自动驾驶、智能医疗和教育应用，人工智能正在深刻改变人类生活。同时，尽管技术进步显著，但伦理、隐私和公平性等问题仍需持续关注和解决。

### 关键点


内容已保存到 ai_history_teaching_plan.md

作者：李昊哲小课