DeepSeek AI хранит чаты в 7 уровнях JSON: как извлечь 5 000+ сообщений за 10 минут

Стандартные визуализаторы JSON не справляются с такими объёмами. Например, расширение JSON Crack для VS Code отказывается работать с файлами, где больше 1 500 узлов. Автор утилиты, разработчик Балакирев, разобрал структуру бэкапа с нуля, потому что официальной документации по формату экспорта DeepSeek AI не существует. Ниже полный разбор: от скачивания архива до готового текста всех ваших диалогов.

Что понадобится?

• Аккаунт DeepSeek AI с историей чатов, которую нужно сохранить
• Текстовый редактор с подсветкой JSON, подойдёт VS Code (бесплатный) или любой аналог
• Python 3.x или другой язык, на котором напишете скрипт обработки (примеры ниже на псевдокоде, логика универсальна)
• 10 минут на скачивание и запуск, плюс время на обработку в зависимости от объёма переписки

Как устроен файл conversations.json?

Прежде чем извлекать текст, полезно понять, что внутри. Файл имеет семь уровней вложенности, но организован логично.

Уровень 1. Весь файл это массив чатов:

[<объект чата 1>, <объект чата 2>, ... <объект чата N>]

Уровень 2. Каждый чат содержит пять полей:

• id — уникальный идентификатор чата
• title — заголовок, присвоённый автоматически или изменённый вами
• inserted_at — дата создания в формате ISO 8601 (международный стандарт записи даты и времени)
• updated_at — дата последнего обновления
• mapping — объект со всеми сообщениями

Уровень 3. Объект mapping хранит сообщения не простым списком, а в виде дерева. Первый элемент называется root и указывает на начало чата. Остальные сообщения имеют числовые идентификаторы в виде строк. Нумерация не последовательная: после сообщения 100 может идти сообщение 125. Каждое сообщение хранит ссылку на родительский и дочерние элементы.

Уровень 4. Объект сообщения:

{
  "id": "1",
  "parent": "root",
  "children": [2, 3],
  "message": { ... }
}

Поле children содержит список дочерних сообщений в виде целых чисел, а parent и id записаны строками. Это важно учитывать при парсинге (автоматическом разборе структуры): типы данных разные.

Уровень 5. Детали сообщения включают:

• model — какая модель обработала запрос: deepseek-chat или deepseek-reasoner (рассуждающая модель, которая показывает ход мысли)
• inserted_at — дата добавления
• fragments — список фрагментов с контентом

Уровень 6. Фрагменты сообщения. Тип фрагмента определяется полем type:

• REQUEST — ваш промпт (запрос к нейросети)
• RESPONSE — ответ модели
• THINK — «размышление» модели (отображается у рассуждающих моделей)
• SEARCH или TOOL_SEARCH — результаты поиска в интернете
• TOOL_OPEN — служебный тип, полезной информации не несёт

Текст хранится в поле content. Результаты поиска хранятся в поле results.

Уровень 7. Каждый результат поиска содержит url и title найденной страницы.

Пошаговая инструкция

1. Откройте настройки аккаунта DeepSeek AI и найдите функцию экспорта данных. Скачайте архив с историей переписки. Внутри будет файл conversations.json.

2. Откройте файл в текстовом редакторе и убедитесь, что он валидный (не повреждён). Если файл небольшой (до нескольких тысяч узлов), можно использовать расширение JSON Crack для VS Code для визуального просмотра. Для больших файлов этот шаг пропустите, визуализатор не потянет.

3. Напишите скрипт обработки. Логика работы:

для каждого чата в файле:
    вывести заголовок чата (поле "title")
    вывести дату создания (поле "inserted_at")

    для каждого сообщения в чате["mapping"]:
        пропустить "root" (это служебный узел)

        для каждого фрагмента в сообщении["message"]["fragments"]:
            если тип == "REQUEST":
                вывести "Пользователь: " + content
            если тип == "RESPONSE":
                вывести "DeepSeek: " + content
            если тип == "THINK":
                вывести "Размышление: " + content
            если тип == "SEARCH":
                вывести список найденных URL

1. Учтите древовидную структуру. Сообщения связаны через parent и children. Если вам нужен линейный порядок диалога, стройте цепочку от root вниз по первому дочернему элементу каждого узла. Если нужны все ветки (например, вы задавали альтернативные вопросы), обходите дерево рекурсивно.

2. Сохраните результат в текстовый файл или Markdown. Готово: у вас полная история переписки в читаемом виде.

Что делать с этим прямо сейчас?

Автору на Дзене. Если вы вели длинные диалоги с DeepSeek AI для подготовки материалов, исследования тем или генерации черновиков, теперь можно достать весь текст и переработать его в статьи. Не нужно листать бесконечный чат и копировать по кусочку.

Маркетологу. Экспортированные диалоги это готовая база промптов, которые сработали. Извлеките пары «запрос плюс ответ», соберите библиотеку рабочих промптов для команды.

Предпринимателю в РФ. DeepSeek AI доступен из России. Если у вас или у сотрудников накопились рабочие переписки с нейросетью (анализ рынка, подготовка документов, мозговые штурмы), экспорт и парсинг позволят сохранить эти данные вне платформы. Это вопрос и удобства, и контроля над информацией.

Экспорт данных из нейросети это не техническая прихоть, а базовая гигиена для любого, кто использует ИИ в работе. Пока DeepSeek AI не предложит встроенный инструмент экспорта в читаемый формат, разбирайте JSON сами, теперь вы знаете, что внутри.