基于 C++ 构建 DeepSeek 大模型推理 SDK：架构设计与工程落地

基于 C++ 构建 DeepSeek 大模型推理 SDK：架构设计与工程落地

前言

在高性能计算与大模型（LLM）应用开发的浪潮中，C++ 凭借其卓越的内存管理能力和运行时效率，成为了构建底层推理 SDK 的首选语言。本文将深入剖析如何从零开始，设计并实现一个能够调用 DeepSeek 模型的 C++ SDK。全过程涵盖了云端鉴权、面向对象架构设计、多态接口封装、单元测试体系构建以及 CMake 编译系统的配置。

一、云端环境配置与鉴权机制

大模型的调用始于服务提供商的鉴权流程。鉴权体系通常采用基于 OAuth2 或 API Key 的机制，确保服务调用的安全性与计费准确性。

注册完成后进入模型广场。在众多大语言模型中，选择目标版本。模型 ID（Model ID）是 API 调用中路由请求的关键标识符，系统后端依据此 ID 将请求分发至加载了特定权重的推理集群。

紧接着，在安全设置中生成 API Key。API Key 本质上是一个加密的凭证，通常包含用户标识和签名信息。在 HTTP 请求头中，它通常以 Bearer Token 的形式存在（Authorization: Bearer <API_KEY>）。该密钥必须严格保密，防止泄露导致额度被盗用。

查阅 API 文档是集成的核心步骤。文档定义了通信协议（HTTP/HTTPS）、请求方法（POST）、数据格式（JSON）以及服务端点（Endpoint）。

文档显示 Base URL 为 <MODEL_ENDPOINT>/v1/chat/completions。这表明该服务遵循 OpenAI 兼容的 API 规范，/v1/chat/completions 是标准的对话补全路由。这也决定了后续 C++ 代码中 HTTP 客户端需要支持 SSL/TLS 加密（即 HTTPS），因此引入 OpenSSL 库是架构设计的必要条件。

二、C++ SDK 核心数据结构设计

SDK 的健壮性取决于底层数据结构的设计。在 SDK/include/common.h 中，通过结构体（Struct）对业务实体进行抽象，利用 C++ 标准模板库（STL）管理内存资源。

1. 消息与配置实体

Message 结构体用于封装对话上下文。

• _id：消息唯一标识，用于分布式追踪。
• _role：区分 user（用户）、assistant（模型）或 system（系统指令）。
• _content：实际文本载荷。
• _timestamp：使用 std::time_t 记录时间，便于会话排序与审计。

Config 结构体定义了推理参数。

• _temperature：双精度浮点数，控制采样随机性。0.7 是一个平衡创造性与准确性的典型值。
• _maxTokens：限制输出长度，防止显存溢出或超长生成。

APIConfig 继承自 Config，体现了面向对象设计的'扩展性'。它在基础配置之上增加了 _apiKey，专门用于云端推理场景。这种设计允许未来扩展本地模型配置（如本地模型路径）而不污染基础配置结构。

2. 模型信息与会话管理

ModelInfo 结构体存储元数据，包括提供方（Provider）、服务端点（Endpoint）及可用性状态。布尔值 _isAvailable 是连接池健康检查的关键指标。

Session 结构体管理多轮对话的上下文。通过 std::vector<Message> 存储历史消息序列。在发送请求时，通常需要将此向量中的历史记录序列化为 JSON 数组，连同新问题一并发送，以维持 LLM 的'记忆'能力。

#pragma once
#include <string>
#include <ctime>
#include <vector>

namespace ai_chat_sdk {
// 消息结构
struct Message {
    std::string _id;      // 消息 id
    std::string _role;    // 消息角色
    std::string _content; // 消息内容
    std::time_t _timestamp; // 消息时间戳

    // 构造函数
    Message(const std::string& role, const std::string& content)
        : _role(role), _content(content) {}
};

// 模型的公共配置信息
struct Config {
    std::string _modelName;     // 模型名称
    double _temperature = 0.7;  // 温度参数，用来控制模型的生成随机性，默认值为 0.7
    int _maxTokens = 2048;      // 最大 token 数，用来控制模型的生成长度，默认值为 2048
};

// 通过 API 方式接入云端模型
struct APIConfig : public Config {
    std::string _apiKey; // api key
};

// 通过 ollama 接入本地模型 --- 不需要 apikey

// LLM 模型信息
struct ModelInfo {
    std::string _modelName;   // 模型名称
    std::string _modelDesc;   // 模型描述信息
    std::string _provider;    // 模型提供方
    std::string _endpoint;    // 模型访问地址 base url
    bool _isAvailable = false; // 模型是否可用，默认值为 false

    ModelInfo(const std::string& modelName = "",
              const std::string& modelDesc = "",
              const std::string& provider = "",
              const std::string& endpoint = "")
        : _modelName(modelName), _modelDesc(modelDesc),
          _provider(provider), _endpoint(endpoint) {}
};

// 会话结构
struct Session {
    std::string _sessionId;     // 会话 id
    std::string _modelName;     // 模型名称
    std::vector<Message> _messages; // 会话消息列表
    std::time_t _createAt;      // 会话创建时间戳
    std::time_t _updateAt;      // 会话更新时间戳

    // 构造函数
    Session(const std::string& modelName = "") : _modelName(modelName) {}
};
} // end ai_chat_sdk

三、抽象接口层设计：策略模式的应用

为了支持多种后端（如 DeepSeek、ChatGPT、本地 Ollama），在 SDK/include/LLMProvider.h 中定义了抽象基类 LLMProvider。这是'依赖倒置原则'的典型应用，上层业务逻辑依赖于抽象接口，而非具体实现。

LLMProvider 声明了纯虚函数（Pure Virtual Functions），强制派生类必须实现这些行为：

• initModel：接收 std::map 类型的配置参数，具有极高的灵活性，无需硬编码配置项。
• sendMessage：同步阻塞式调用，适用于短文本生成。
• sendMessageStream：流式响应接口。利用 std::function 回调机制，实现 Token 逐个返回。这对于提升用户体验至关重要，用户无需等待完整生成即可看到首字。

值得注意的是，代码中原有的 projected: 访问修饰符应修正为 protected:。这是 C++ 中用于限制成员变量仅对派生类可见的关键字。将 _apiKey 和 _endpoint 设为受保护成员，既保证了封装性，又允许子类直接访问这些基础资源。

#include <string.h>
#include <map>
#include <vector>
#include "common.h"
#include <functional>

namespace kk {
// LLMProvider 类
class LLMProvider {
public:
    // 初始化模型
    virtual bool initModel(const std::map<std::string, std::string>& modelConfig) = 0;
    // 初始化模型，传入模型配置参数：模型名称、模型路径、模型参数等

    // 检查模型是否可用
    virtual bool isAvailable() const = 0;

    // 获取模型名称
    virtual std::string getModelName() const = 0;

    // 获取模型描述
    virtual std::string getModelDesc() const = 0;

    // 发送消息 --- 全量返回 非流式响应
    virtual std::string sendMessage(const std::vector<Message>& messages,
                                    const std::map<std::string, std::string>& requestParam) = 0;
    // 第一个参数为消息列表，第二个参数为请求参数

    // 发送消息 --- 全量返回 流式响应
    virtual std::string sendMessageStream(const std::vector<Message>& messages,
                                          const std::map<std::string, std::string>& requestParam,
                                          std::function<void(const std::string&, bool)> callback) = 0;
    // 第三个参数为回调函数，这个回调函数第一个参数是模型返回的数据，第二个为是否为最后一个响应
    // callback: 增量返回的每一个 token，以及是否是最好一个 token

protected:
    bool _isAvailable = false; // 模型是否可用
    std::string _apiKey;       // 模型 API 密钥
    std::string _endpoint;     // 模型 API 地址
};
}

四、DeepSeek 适配器实现

DeepSeekProvider 类继承自 LLMProvider，具体实现了针对 DeepSeek 模型的业务逻辑。

1. 初始化逻辑

在 src/DeepSeekProvider.cpp 中，initModel 函数执行了防御性编程。它首先在传入的 modelConfig 映射中查找 apiKey 和 endpoint。若关键参数缺失，通过宏 ERR 记录错误日志并返回 false，防止系统在配置无效的状态下启动。只有当所有必要参数校验通过后，_isAvailable 标志位才会被置为 true。

2. 信息查询接口

getModelName 与 getModelDesc 提供了模型的自描述能力。

虽然提供的代码片段中省略了 sendMessage 的具体 HTTP 实现（通常涉及 libcurl 或 httplib 的调用、JSON 序列化与反序列化），但架构框架已经明确：接收 Message 向量，构建 JSON Payload，发起 HTTPS POST 请求，解析响应中的 choices[0].message.content，并处理可能的网络异常。

在 include 目录中创建一个 DeepSeekProvider.h 文件

#include "LLMProvider.h"
#include <string.h>
#include <map>
#include <vector>
#include "common.h"

namespace kk {
// LLMProvider 类
class DeepSeekProvider : public LLMProvider {
public:
    // 初始化模型
    virtual void initModel(const std::map<std::string, std::string>& modelConfig);
    // 初始化模型，传入模型配置参数：模型名称、模型路径、模型参数等

    // 检查模型是否可用
    virtual bool isAvailable() const;

    // 获取模型名称
    virtual std::string getModelName() const;

    // 获取模型描述
    virtual std::string getModelDesc() const;

    // 发送消息 --- 全量返回 非流式响应
    virtual std::string sendMessage(const std::vector<Message>& messages,
                                    const std::map<std::string, std::string>& requestParam);
    // 第一个参数为消息列表，第二个参数为请求参数

    // 发送消息 --- 全量返回 流式响应
    virtual std::string sendMessageStream(const std::vector<Message>& messages,
                                          const std::map<std::string, std::string>& requestParam,
                                          std::function<void(const std::string&, bool)> callback);
    // 第三个参数为回调函数，这个回调函数第一个参数是模型返回的数据，第二个为是否为最后一个响应
    // callback: 增量返回的每一个 token，以及是否是最好一个 token
};
}

直接就是集成 LLMProvider 这个类

然后去 src 中创建一个 DeepSeekProvider.cpp 文件

#include "../include/DeepSeekProvider.h"
#include "../include/util/myLog.h"
#include <httplib.h>
#include <json/json.h>

namespace kk {
// 初始化模型
bool DeepSeekProvider::initModel(const std::map<std::string, std::string>& modelConfig) {
    // 初始化 API key
    auto it = modelConfig.find("apiKey");
    if (it == modelConfig.end()) { // 没找到 apikey 的话
        ERR("DeepSeekProvider initModel: apiKey not found"); // 打印一个错误日志
        return false;
    }
    _apiKey = it->second; // 找到了的话就给 apikey 进行一个赋值操作

    // 初始化 endpoint
    it = modelConfig.find("endpoint");
    if (it == modelConfig.end()) { // 没找到 endpoint 的话
        ERR("DeepSeekProvider initModel: endpoint not found"); // 打印一个错误日志
        return false;
    }
    _endpoint = it->second; // 找到了的话就给 endpoint 进行一个赋值操作
    _isAvailable = true;    // 模型可用

    // 初始化成功，打印日志
    INFO("DeepSeekProvider initModel: success, apiKey: %s, endpoint: %s", _apiKey.c_str(), _endpoint.c_str());
    return true;
}

// 检测模型是否可用
bool DeepSeekProvider::isAvailable() const {
    return _isAvailable;
}

// 获取模型名称
std::string DeepSeekProvider::getModelName() const {
    return "deepseek-v3.2";
}

// 获取模型的描述信息
std::string DeepSeekProvider::getModelDesc() const {
    return "deepseek-chat 模型是一个基于 Transformer 架构的对话模型，由 DeepSeek 公司开发。它可以用于生成自然语言对话，支持多轮对话。";
}

// 发送消息 --- 全量返回 非流式响应
std::string DeepSeekProvider::sendMessage(const std::vector<Message>& messages,
                                          const std::map<std::string, std::string>& requestParam) {
    httplib::Client cli(_endpoint);
    Json::Value root;
    Json::Value messages_json(Json::arrayValue);

    for (const auto& msg : messages) {
        Json::Value m;
        m["role"] = msg._role;
        m["content"] = msg._content;
        messages_json.append(m);
    }
    root["messages"] = messages_json;
    root["model"] = getModelName();

    Json::StreamWriterBuilder builder;
    const std::string json_str = Json::writeString(builder, root);

    httplib::Headers headers;
    headers["Content-Type"] = "application/json";
    headers["Authorization"] = "Bearer " + _apiKey;

    auto res = cli.Post("/v1/chat/completions", json_str, headers);
    if (res && res->status == 200) {
        Json::Value response;
        std::istringstream iss(res->body);
        iss >> response;
        return response["choices"][0]["message"]["content"].asString();
    }
    return "";
}

// 发送消息 --- 全量返回 流式响应
std::string DeepSeekProvider::sendMessageStream(const std::vector<Message>& messages,
                                                const std::map<std::string, std::string>& requestParam,
                                                std::function<void(const std::string&, bool)> callback) {
    // 简化实现，实际需处理 SSE 流
    return sendMessage(messages, requestParam);
}
}

五、单元测试与质量保证

软件工程中，未经测试的代码不具备交付价值。本项目引入 Google Test (gtest) 框架进行单元测试。

1. 测试环境构建

在 testLLM.cpp 中，测试用例 TEST(DeepSeekProviderTest, sendMessage) 模拟了完整的调用流程。

• 智能指针管理：使用 std::make_shared 创建实例，自动管理生命周期，避免内存泄漏。
• 安全凭证注入：通过 std::getenv("deepseek_apikey") 从环境变量读取密钥。这是 DevOps 的最佳实践，严禁将敏感密钥硬编码在源码中。
• 断言机制：ASSERT_TRUE 验证对象指针有效性及初始化结果。若断言失败，测试立即终止，便于快速定位崩溃点。

#include <gtest/gtest.h>
#include "../SDK/include/DeepSeekProvider.h"
#include "../SDK/include/util/myLog.h"

// 测试 DeepSeekProvider 的 initModel 方法
TEST(DeepSeekProviderTest, sendMessage) {
    auto Provider = std::make_shared<kk::DeepSeekProvider>(); // 创建一个 DeepSeekProvider 对象的智能指针
    ASSERT_TRUE(Provider != nullptr);                         // 断言 Provider 对象不为空指针

    std::map<std::string, std::string> modelParam;
    const char* env_apikey = std::getenv("deepseek_apikey");
    modelParam["apiKey"] = env_apikey ? env_apikey : "sk-xxxxxxxxxxxxxxxxxxxxxxxxxx";
    modelParam["endpoint"] = "https://api.deepseek.com";

    // 实例化 DeepSeekProvider 对象
    Provider->initModel(modelParam); // 初始化模型，传入模型配置映射
    ASSERT_TRUE(Provider->isAvailable()); // 断言 Provider 对象不为空指针

    std::map<std::string, std::string> requestParam = {
        {"temperature", "0.5"},
        {"max_tokens", "2048"}};

    std::vector<kk::Message> messages;
    messages.push_back({"user", "你是谁？"}); // 添加一个用户消息

    // 调用 sendMessage 方法
    std::string response = Provider->sendMessage(messages, requestParam); // 传入消息列表和请求参数，返回模型的响应
    ASSERT_TRUE(!response.empty()); // 断言响应字符串不为空
}

int main(int argc, char** argv) {
    // 初始化 spdlog 日志库
    kk::Logger::initLogger("testLLM", "stdout", spdlog::level::debug);
    // 初始化日志库，参数为日志名称、日志文件名、日志级别
    INFO("Test log message with value: {}", 42);
    INFO("Test log message with two values: {} and {}", 10, 20);

    // 初始化 gtest 库
    testing::InitGoogleTest(&argc, argv);
    // 调用初始化 Google Test 框架，将命令行参数传递给它
    // 执行所有的测试用例
    return RUN_ALL_TESTS();
}

2. 日志系统

测试入口 main 函数中初始化了 spdlog 日志库。kk::Logger::initLogger 设置了日志级别为 debug，确保在开发阶段能捕获所有交互细节。testing::InitGoogleTest 负责解析命令行参数，驱动测试执行。

#pragma once
#include <spdlog/spdlog.h>

namespace kk {
// 单例模式
class Logger {
public:
    // 获取单例实例
    static void initLogger(const std::string &loggerName, const std::string &loggerFile,
                           spdlog::level::level_enum logLevel = spdlog::level::info);
    // 日志名称，日志文件路径，日志级别

    // 获取日志实例
    static std::shared_ptr<spdlog::logger> getLogger();

private:
    // 构造函数
    Logger();
    // 删除拷贝构造函数和赋值运算符
    Logger(const Logger&) = delete;
    Logger& operator=(const Logger&) = delete;

private:
    static std::shared_ptr<spdlog::logger> _logger; // 静态日志实例对象
    static std::mutex _mutex;                       // 静态互斥锁
};

// 调试日志宏
// format: 日志格式
// ...: 可变参数
// __FILE__: 当前文件名
// __LINE__: 当前行号
// 将文件名和行号格式化为 [文件名：行号] 的形式
// __VA_ARGS__: 可变参数
// 将格式化后的字符串和可变参数传递给日志器的 debug 方法
// 09:04:03 [aiChat] [DEBUG] [/home/ubuntu/ai_-model_-sdk/SDK/src/util/myLog.cpp:123] 这是一条调试日志
// DBG("这是一条调试日志":{}:{}, dbName, dbType)
#define DBG(format, ...) \
    kk::Logger::getLogger()->debug("[{:>10s}:{:<4d}] " format, __FILE__, __LINE__, ##__VA_ARGS__)

// 定义其他日志级别宏
#define TRACE(format, ...) \
    kk::Logger::getLogger()->log(spdlog::level::trace, "[{:>10s}:{:<4d}] " format, __FILE__, __LINE__, ##__VA_ARGS__)
#define INFO(format, ...) \
    kk::Logger::getLogger()->info("[{:>10s}:{:<4d}] " format, __FILE__, __LINE__, ##__VA_ARGS__)
#define WARN(format, ...) \
    kk::Logger::getLogger()->warn("[{:>10s}:{:<4d}] " format, __FILE__, __LINE__, ##__VA_ARGS__)
#define ERR(format, ...) \
    kk::Logger::getLogger()->error("[{:>10s}:{:<4d}] " format, __FILE__, __LINE__, ##__VA_ARGS__)
#define CRIT(format, ...) \
    kk::Logger::getLogger()->critical("[{:>10s}:{:<4d}] " format, __FILE__, __LINE__, ##__VA_ARGS__)
} // end kk

六、CMake 构建系统配置

C++ 项目的构建复杂性通过 CMake 进行管理。CMakeLists.txt 文件定义了编译规则与依赖关系。

1. 依赖管理

项目依赖 OpenSSL 进行 HTTPS 通信，依赖 spdlog 进行日志记录，依赖 gtest 进行测试，依赖 jsoncpp 处理数据格式。

find_package(OpenSSL REQUIRED) 指令在系统中查找 OpenSSL 库的头文件与二进制文件。若未安装，CMake 配置阶段将直接报错阻断。

# 设置 Cmake 的最小版本为 3.10
cmake_minimum_required(VERSION 3.10)
# 设置项目名称为 testLLM
project(testLLM)
# 设置 C++ 标准为 C++17
set(CMAKE_CXX_STANDARD 17)
set(CMAKE_CXX_STANDARD_REQUIRED ON)
# 不支持就报错
# 设置构建类型
set(CMAKE_BUILD_TYPE Debug)
# 添加可执行文件
add_executable(testLLM testKKLLM.cpp ../SDK/src/DeepSeekProvider.cpp ../SDK/src/util/myLog.cpp)
# 设置输出目录
set(EXECUTABLE_OUTPUT_PATH ${CMAKE_SOURCE_DIR})
# 添加头文件
include_directories(${CMAKE_PROJECT_INCLUDE_DIR}/ ../sdk/include)
find_package(OpenSSL REQUIRED) # 找这个库，没找到就报错
include_directories(${OPENSSL_INCLUDE_DIR})
# 添加 CPPHTTPLIB_OPENSSL_SUPPORT 宏定义
target_compile_definitions(testLLM PRIVATE CPPHTTPLIB_OPENSSL_SUPPORT)
# 链接库
target_link_libraries(testLLM spdlog gtest jsoncpp fmt OpenSSL::Crypto OpenSSL::SSL)

2. 编译目标与链接

add_executable 指令将源文件 DeepSeekProvider.cpp、myLog.cpp 和测试文件 testKKLLM.cpp 编译为可执行文件 testLLM。

target_link_libraries 将具体的第三方库链接至目标文件。特别注意 OpenSSL::Crypto 和 OpenSSL::SSL 的显式链接，这是实现安全套接层通信的基础。

项目目录结构清晰，遵循了 include (头文件) 与 src (源文件) 分离的标准布局，有利于大型项目的模块化管理。

七、编译与调试过程

在 build 目录下执行 cmake ..，CMake 读取上一级目录的配置，生成 Makefile。此步骤成功意味着环境依赖和路径配置均无误。

生成的构建工件包括 Makefile、CMakeCache.txt 等，实现了'外部构建'（Out-of-source build），保持源码目录整洁。

执行 make 命令触发实际编译。在初次尝试中，可能会遇到链接错误或头文件缺失，这通常表现为大量的编译器输出信息。

上图反映了典型的编译期错误。解决此类问题通常需要检查：

1. 头文件路径是否通过 include_directories 正确包含。
2. 命名空间是否匹配。
3. 虚函数是否完全实现。
4. 链接库顺序是否正确。

经过调试修正后，再次编译通过。运行 ./testLLM 执行测试程序。

控制台输出显示的绿色 [ PASSED ] 标志表明测试用例执行成功。日志中记录了初始化过程和测试值的输出，验证了 DeepSeekProvider 已正确加载配置，并且能够通过 HTTP 协议与云端 API 建立连接，完成了一次模拟的消息发送流程。

综上所述，构建一个生产级的 C++ LLM SDK 需要跨越网络协议、内存管理、设计模式与自动化测试等多个技术领域。通过严谨的架构设计与详尽的测试验证，能够确保 SDK 在复杂的生产环境中稳定运行。