如何导出DeepSeek-R1推理结果？数据保存教程-开发者社区

如何导出DeepSeek-R1推理结果？数据保存教程

1. 引言

1.1 业务场景描述

在本地部署大语言模型的实践中，推理结果的可追溯性与后续分析能力是衡量系统实用性的重要指标。尤其对于 DeepSeek-R1-Distill-Qwen-1.5B 这类专注于逻辑推理任务的轻量级模型，用户常需将对话历史、中间推理步骤及最终结论进行结构化保存，用于知识归档、教学演示或工程复现。

然而，默认的 Web 界面交互模式仅提供实时响应功能，缺乏内置的数据导出机制。本文将围绕这一实际需求，详细介绍如何从本地运行的 DeepSeek-R1 推理服务中高效、完整地导出推理结果，并实现持久化存储。

1.2 痛点分析

当前使用过程中存在以下典型问题：

对话内容无法自动记录，关闭页面即丢失上下文；
多轮推理过程难以回溯，不利于复杂问题的调试与优化；
缺乏标准化输出格式，不便与其他系统集成或做进一步处理；
手动复制粘贴效率低，易出错且不适用于批量操作。

1.3 方案预告

本文将提供一套完整的解决方案，涵盖：

后端 API 数据捕获方法
前端日志监听与导出功能增强
JSON/CSV 格式化保存策略
自动化脚本辅助批量导出

通过本教程，您将能够构建一个支持“输入→推理→导出→归档”闭环的本地推理系统。

2. 技术方案选型

2.1 可行路径对比

方案	实现难度	数据完整性	实时性	是否需要修改源码
修改前端 JS 直接添加导出按钮	中等	高	高	是
调用后端 REST API 获取响应流	低	高	高	否（若API开放）
拦截浏览器 LocalStorage 缓存	低	中	延迟	否
使用 Python 脚本调用模型接口并写入文件	高	完整	可控	否

推荐选择：Python 脚本调用 + 文件写入
理由：兼容性强、易于自动化、适合长期运行和批量任务。

2.2 最终技术栈确定

我们采用如下组合方案以兼顾灵活性与稳定性：

通信协议：HTTP POST 请求调用/v1/chat/completions接口
数据格式：JSON 结构化存储原始响应，CSV 用于表格化展示
执行环境：Python 3.9+ +requests+pandas
存储方式：按时间戳命名的本地文件系统存储

该方案无需修改原项目代码，仅依赖公开接口即可完成全流程控制。

3. 实现步骤详解

3.1 环境准备

确保已成功部署 DeepSeek-R1-Distill-Qwen-1.5B 并启动服务。通常可通过以下命令启动：

python app.py --model_name_or_path deepseek-ai/deepseek-r1-distill-qwen-1.5b \ --device cpu \ --port 8080

确认服务正常运行后，访问http://localhost:8080可打开 Web 界面。

安装所需依赖库：

pip install requests pandas openpyxl

3.2 核心代码实现

以下为完整的推理请求与结果导出脚本：

import requests import json import pandas as pd from datetime import datetime import os # 配置参数 BASE_URL = "http://localhost:8080/v1/chat/completions" HEADERS = {"Content-Type": "application/json"} def query_model(prompt, history=None): """ 向本地模型发送请求并获取响应 """ payload = { "model": "deepseek-r1-distill-qwen-1.5b", "messages": [{"role": "user", "content": prompt}], "temperature": 0.7, "max_tokens": 1024, "stream": False } if history: payload["messages"] = history + payload["messages"] try: response = requests.post(BASE_URL, headers=HEADERS, json=payload) response.raise_for_status() return response.json() except requests.exceptions.RequestException as e: print(f"请求失败: {e}") return None def save_to_json(data, filename): """保存为 JSON 文件""" with open(filename, 'w', encoding='utf-8') as f: json.dump(data, f, ensure_ascii=False, indent=2) print(f"✅ JSON 文件已保存至: {filename}") def save_to_csv(records, filename): """保存为 CSV 文件""" df = pd.DataFrame(records) df.to_csv(filename, index=False, encoding='utf-8-sig') print(f"✅ CSV 文件已保存至: {filename}") def main(): # 创建输出目录 output_dir = "exported_results" os.makedirs(output_dir, exist_ok=True) timestamp = datetime.now().strftime("%Y%m%d_%H%M%S") json_file = os.path.join(output_dir, f"reasoning_result_{timestamp}.json") csv_file = os.path.join(output_dir, f"reasoning_summary_{timestamp}.csv") # 示例问题集 questions = [ "鸡兔同笼，头共35个，脚共94只，问鸡和兔各有多少只？", "请用数学归纳法证明：1 + 2 + ... + n = n(n+1)/2", "以下代码是否有逻辑错误？如果有，请指出并修复：\nfor i in range(len(arr)):\n if arr[i] == target:\n return i\nreturn -1" ] all_records = [] for idx, q in enumerate(questions, 1): print(f"\n🔍 正在处理第 {idx} 个问题...") result = query_model(q) if result: choice = result.get("choices", [{}])[0] content = choice.get("message", {}).get("content", "") # 构建记录项 record = { "question_id": idx, "question": q, "response": content, "created_at": datetime.now().isoformat(), "model": result.get("model"), "usage": result.get("usage") } all_records.append(record) # 单条 JSON 记录追加（可选） with open(json_file, 'w' if idx == 1 else 'a', encoding='utf-8') as f: if idx == 1: json.dump([record], f, ensure_ascii=False, indent=2) else: f.write(",\n") json.dump(record, f, ensure_ascii=False) else: print(f"⚠️ 第 {idx} 个问题请求失败") # 封装完整 JSON 数组 with open(json_file, 'r+', encoding='utf-8') as f: content = f.read() f.seek(0) f.write("[\n" + content.strip()[1:-1] + "\n]") # 保存 CSV 汇总 save_to_csv(all_records, csv_file) if __name__ == "__main__": main()

3.3 代码解析

请求构造说明

使用标准 OpenAI 兼容接口/v1/chat/completions
设置stream=False保证一次性获取完整响应
temperature=0.7保持适度创造性，避免过于死板

数据结构设计

每条记录包含：

question_id: 序号标识
question: 原始输入问题
response: 模型返回的完整推理文本
created_at: 时间戳
model: 模型名称（用于多模型管理）
usage: token 使用统计（便于成本评估）

文件命名策略

采用YYYYMMDD_HHMMSS时间戳命名，避免覆盖冲突，同时支持按时间排序检索。

4. 实践问题与优化

4.1 常见问题及解决方案

问题现象	原因分析	解决方法
请求超时	CPU 推理较慢，长文本生成耗时高	增加`timeout=60`参数，或分批处理
中文乱码	文件编码未指定	使用`encoding='utf-8-sig'`写 CSV
JSON 格式错误	多次写入导致非合法数组	先写列表再整体封装
接口拒绝连接	服务未开启或端口占用	检查`netstat -an \| grep 8080`

4.2 性能优化建议

异步并发请求：使用asyncio+aiohttp提升批量处理效率
增量导出模式：结合数据库（如 SQLite）实现断点续传
压缩归档：对大量历史数据启用.zip或.parquet存储
日志分级：区分 debug / info / error 日志级别，便于排查

示例：启用超时重试机制

from tenacity import retry, stop_after_attempt, wait_exponential @retry(stop=stop_after_attempt(3), wait=wait_exponential(multiplier=1, max=10)) def robust_query(prompt): return query_model(prompt)

5. 总结

5.1 实践经验总结

通过本次实践，我们验证了在无图形界面支持的情况下，依然可以通过编程方式高效获取 DeepSeek-R1 的推理结果，并实现结构化存储。关键收获包括：

利用 OpenAI 兼容 API 可快速对接本地模型服务；
JSON + CSV 双格式输出满足不同层级的数据使用需求；
脚本化导出流程具备良好的可复用性和扩展性。

5.2 最佳实践建议

定期备份导出目录，防止意外删除重要推理记录；
建立命名规范，如project_topic_date.json，提升文件管理效率；
结合版本控制工具（Git），对关键推理过程进行版本追踪。

获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。

如何导出DeepSeek-R1推理结果？数据保存教程