一文掌握 DeepSeek 全部使用方案：从免费资源到本地部署，再到 API 调用
随着 DeepSeek 的日益火热，官网经常出现繁忙状态。为了方便大家使用 DeepSeek R1，本文整理了多种使用途径，包括直接使用、本地部署、API 调用以及联网搜索等方案。其中，API 调用方式是最推荐的使用方式。
可以直接使用的资源
- 【搜索】秘塔搜索 https://metaso.cn/
- 【搜索】Perplexity AI https://www.perplexity.ai/
- 【聚合】Monica https://poe.com/DeepSeek-R1
- 【聚合】POE https://poe.com/DeepSeek-R1
【搜索】 秘塔搜索
秘塔搜索提供了基于 DeepSeek 的搜索服务，但存在以下限制：
- 需要登录才能使用
- 仅支持单轮对话，主要用于搜索，不具备上下文记忆功能
【搜索】Perplexity AI
作为一个强大的 AI 搜索引擎，但有以下使用限制：
- 需要登录账号
- 需要科学上网
- 免费版有使用次数限制
【聚合】Monica
提供多模型聚合服务，但主要缺点是：
- 付费较贵
【聚合】POE
同样提供多模型聚合服务，但：
- 付费价格较高
本地部署方案
LMStudio
LMStudio 支持本地部署 DeepSeek-R1 模型，并可以部署 API 接入 IDE。
由于 LMStudio 默认使用 Hugging Face 平台下载模型，国内用户需要配置镜像源：
需要修改的文件：
LMStudio文件位置\resources\app\.webpack\renderer\main_window.jsLMStudio文件位置\resources\app\.webpack\main\index.js
将所有
https://huggingface.co/替换为https://hf-mirror.com/重启 LMStudio 后：
- 点击左侧放大镜按钮
- 搜索框输入 "r1"
- 选择搜索结果进行下载
API 部署步骤
- 点击主界面第二个按钮进入开发者界面
- 开启 API 部署服务
- 在 Settings 中启用所有选项（确保 Windows WSL 可访问）
Ollama
下载地址：https://ollama.com/download
部署步骤：
安装验证：命令行输入
ollama确认安装成功拉取模型：
# 拉取 DeepSeek R1 模型
ollama pull deepseek-r1:1.5b
# 拉取文本嵌入模型
ollama pull nomic-embed-text- 启动服务：
- 模型将在 localhost:11434 上自动启动
- 运行命令：
ollama run deepseek-r1:1.5b
API 调用方案（推荐）
相比本地部署，API 调用方式更适合实际工作场景。以下是推荐的工具和平台：
本地工具
- Anything LLM：https://anythingllm.com/desktop（个人使用体验良好）
- Cherry Studio：https://cherry-ai.com/（界面设计优雅）
- Chatbox：https://chatboxai.app/zh
API 服务提供商
- 硅基流动：https://cloud.siliconflow.cn/models
- 火山引擎：https://console.volcengine.com/ark/region:ark+cn-beijing/experience/chat
- AskManyAI：https://askmanyai.cn/login 免费，联网搜索 + 图片对话 + 文件上传
- OpenRouter：https://openrouter.ai/
- 阿里云百炼：https://api.together.ai/playground/chat/deepseek-ai/DeepSeek-R1
- 腾讯云：https://console.cloud.tencent.com.cn/tione/v2/aimarket
- Groq：https://groq.com/（基于 Ollama 70B 模型蒸馏）
使用流程：注册账号 → 生成 API Key → 配置本地工具 → 选择模型 → 开始对话
硅基流动
特点：
- 免费额度：约 1000 次对话
- 在线试验场不支持保存历史记录
火山引擎
https://console.volcengine.com/ark/region:ark+cn-beijing/experience/chat
优势：
- 上下文长度充足
- 响应稳定
限制：
- 使用额度有限
OpenRouter
优势：
- 免费使用
限制：
- 不支持联网
- 需要注册
- 服务稳定性待改善
推荐组合
推荐搭配：
- 工具：Cherry Studio
- 接口：火山引擎-火山方舟
联网搜索配置
环境要求：Miniconda/pyenv
配置步骤：
使用 Conda 创建 Python 3.11 环境：
bashconda create -n webui python=3.11 conda activate webui pip install open-webui启动服务：
bashopen-webui serve
模型能力测试
测试一：24 点游戏
规则：
- 随机抽取 4 张扑克牌（可重复）
- 仅可使用加(+)、减(-)、乘(×)、除(÷)运算
- 每张牌必须且只能使用一次
- 计算结果需等于 24
测试数据：
- 第一组：3, 6, 7, 5
- 第二组：9, 1, 5, 4
测试二：网络梗理解
要求：用一个字回答"什么你太美"（禁止搜索）
如何编写推理型AI提示词
什么情况需要推理模型？
想象你要训练一个AI侦探，有两种教学方法：
- 填鸭式教学：手把手教破案步骤（对应SFT模型）
- 实战演练：只给案件线索让AI自己推理（对应RL模型）
▶ 最适合召唤「AI侦探」的5大场景
- 烧脑的智力题：需要逻辑推导的数学证明、哲学思辨
- 迷宫式任务：处理包含10+步骤的复杂流程（如产品设计评审）
- 灰度决策：没有标准答案的道德困境（如自动驾驶伦理问题）
- 信息迷宫：从海量非结构化数据中提炼洞见
▶ 别让AI做「大材小用」的事
- 需要即时反馈的对话场景
- 查快递单号这类简单查询，纯信息型查询易产生幻觉
- 有明确操作手册的流程性任务，过于简单的任务可能导致过度思考
三招设计「推理友好型」提示词
第一式：目标定位三部曲
把握以下三个要素能显著提升输出质量：
第二式：黄金公式
角色皮肤 + 任务靶心 + 安全护栏 + 呈现模板 = 专业级提示词| 组件 | 功能说明 | 示例片段 |
|---|---|---|
| 角色皮肤 | 激活专业知识库 | "作为诺贝尔奖得主..." |
| 任务靶心 | 定义成功标准 | "设计含5个指标的评估体系..." |
| 安全护栏 | 避免跑偏 | "排除技术可行性讨论..." |
| 呈现模板 | 控制输出结构 | "用SWOT框架呈现..." |
第三式：迭代心法
- 先给基础指令看反应
- 像调教实习生一样补充要求
- 关键结论要三重验证
避坑指南：90%的人都踩过这些雷
❌ 新手常见误区
- 过度控制：像写代码一样规定每个步骤
- 模糊指令："请专业点"这类无效要求
- 信息过载：一次性塞入10+个要求
✅ 高手这样做
用具体数字量化目标
- 差："分析市场趋势"
- 优："找出近3年增长最快的3个细分市场"
迭代优化
- 从零样本开始，必要时再添加示例
- 根据初始结果调整提示词
- 对重要结论进行多轮验证
动态调整策略
markdown首要目标：设计智能家居系统 阶段分解： 1. Phase1：列出用户核心需求（今日完成） 2. Phase2：根据需求匹配技术方案（明日进行） 动态规则：若识别到老年用户需求，增加适老化设计模块
实战案例库
案例1：物理科普写作
[角色] 费曼式科普作家
[目标] 用1个体育类比解释量子隧穿（200字）
[限制] 避开数学公式，突出概率概念
[呈现] 结尾要有引发思考的提问案例2：技术文档翻译
请尊重原意，保持原有格式不变，用{简体中文}重写内容
[要求]
1. 英文人名以及专业术语保持不变
2. 代码片段维持原格式案例3：伦理风险评估
作为技术伦理委员会主席，你需要构建自动驾驶伦理决策树，要求：
1. 覆盖碰撞场景中的5类利益相关方
2. 量化不同决策的道德权重（0-10分）
3. 排除法律合规性讨论
输出格式：Markdown流程图 + 配套注释
增强要求：对权重赋值逻辑进行概率敏感性分析进阶工具箱
检查清单
- ✅ 是否允许模型自主规划解决路径？
- ✅ 是否存在模糊的成功标准？
- ✅ 是否包含冗余的过程控制？
- ✅ 是否预设了思维步骤？
更多集成方案
接入 agent
如何构建靠谱的 AI agent？
https://www.anthropic.com/research/building-effective-agents
这是一篇来自于 Anthropic Claude 团队的座谈交流。他们围绕 agents 的定义、实践经验与未来展望展开了一个深入对话。
文章从理论到实践全面阐述了 AI agent 的开发要点：
- 首先明确区分了 agent 和工作流的本质区别，agent 具有自主决策能力而非简单的固定流程；
- 在代码实现层面，详细对比了工作流的线性特征和 agent 的灵活性；同时强调了开发者需要深入理解模型视角，在设计时保持同理心。
- 在工具设计方面，文章指出了开发者常见的忽视工具接口友好性的误区。 对于 agent 的应用前景，文章认为目前消费级 agent 被过度炒作，存在偏好表达复杂和风险控制等挑战，而企业级应用则更具潜力，特别适合自动化重复性任务。 最后，专家们建议开发者建立完善的度量体系，并着眼于开发能随模型进步而持续改进的产品。
我印象比较深刻的有三句话：
- Agents 不是工作流，而是管理工作流的自动化流程；
- 对 Agents 工作要有同理心，人要站在机器的视角考虑流程是否奏效；
- 最后一句，是奥特曼也说过很多次的，构建的工具要考虑模型演进，如果你的工具在模型演进之后失去意义了，那么即是坏选择，如果模型越好，你的工具越好，就是好选择。
Dify 知识库搭建
# mac os
# 克隆 Dify 源代码至本地环境。
git clone https://github.com/langgenius/dify.git
# 进入 Dify 源代码的 Docker 目录
cd dify/docker
# 复制环境配置文件
cp .env.example .env启动 Docker 容器（需要先安装 Docker）
docker compose up -d
# 如果版本是 Docker Compose V1，使用以下命令：
docker-compose up -dDify 创建聊天 访问http://localhost/（默认 80 端口） 进入 dify
首次进入初始化设置账号密码
点击 Dify 平台右上角头像 → 设置 → 模型供应商，选择 Ollama，轻点“添加模型”。
Dify 知识库创建 主页选择 知识库 -> 创建知识库 -> 上传知识 -> 等待处理完成