deepseek 热爆了，任何帖子，任何文章，只要带着 deepseek 这个词儿，就能成为热文，包裹着我们的生活。

最近也做了不少这方面的探索，薅了一些蹭 ds 热点的厂商的羊毛，也做了一些折腾探索，本文做一下简单的记录与介绍。

羊毛薅起来

众所周知，deepseek 火起来之后，官方的对话服务经常出现服务器繁忙，开放平台的接口更是直接暂停了服务，可以理解，毕竟官方面对如此泼天的流量，优先保障 C 端也是可以理解的。

同时，因为 ds 的开源，使得一众厂商，在这个间隙，有了一些趁热度分一杯羹的时机，于是纷纷通过注册账号送 token 的方式，希望快速把用户吸引到平台，我这几天注册了不少，也体验了一圈，这里把我个人觉得还不错的做一下罗列。

• 派欧算力：点我注册 (opens new window) 注册账号填入我的邀请码即可获得 50 元代金券(约 5000 万 tokens)，三个月有效期，目前体验下来效果不错，不过随着越来越多人注册，这两天卡顿情况出现越来越多了。
• 硅基流动：点我注册 (opens new window) 注册账号可得2000 万 Tokens，硅基流动最初的 ds 模型 api 也是比较优秀的，只不过这几天用的人太多了，就有点吃力了。

目前这两个是相对比较理想的，其他火山，腾讯，阿里都有注册账号赠送 token 的活动，但是都不算特别理想。这里就不再一一推荐了。

另外还有一些不错的可在线体验的，如果你不想自己折腾，也可以直接用：

• 华为小艺 (opens new window)：速度快，好用
• 秘塔 AI 搜索 (opens new window)
• 腾讯元宝 (opens new window)：速度快，支持联网
• 国家超算平台 (opens new window)：满血，但速度略慢
• 纳米 AI 搜索 (opens new window)：体验还可以

很多地方都号称自己提供的是满血版(即 671b 版本)的 deepseek，有网友试出来通过如下问题大概可验证模型是否为满血版，你也可以试试看，比如下边是通过腾讯元宝测试：

羊毛集中管理

当我们注册了多个厂商提供的 api 之后，一个一个配置比较麻烦，GitHub 也有不少分发 api 的开源项目，我这里采用了 one-hub (opens new window) 这个开源项目来进行集中配置管理。

我配置的渠道：

我的调用历史日志：

这个项目还是比较成熟的，部署也支持 docker 一键拉起，所以部署方面我就不多讲了，这里只介绍一下我个人使用时的一些小配置，可能你在使用的时候，也会遇到类似的问题。

注意模型别弄错：

首先明确一个事情，我们想要通过 api 调用一个模型，需要三个基本信息：

• api 地址
• api 秘钥
• 模型

每个模型的名字在不同厂商那里，可能各不相同，这个时候，你在配置的时候，需要首先在对应厂商那里找到正确的 ds 模型的名字，如果你在界面上不好直接看到，一般到开放文档里也可以找到。

这里我拿硅基流动举例子，比如在硅基流动的官方模型列表中，deepseek-r1 对应的模型名字叫 deepseek-ai/DeepSeek-R1，如下：

那么在 one-hub 的渠道配置中，图标 1 就是要配置为 deepseek-ai/DeepSeek-R1，并且还要注意，图标 2 处，要配置对应的模型映射规则，把 deepseek-r1 映射给 deepseek-ai/DeepSeek-R1，这样就能确保我们统一通过 deepseek-r1 调用这个接口，能够自如分发。

特殊接口特殊处理：

通常平台都会兼容自定义的 api 接口，但是火山引擎提供的接口相对特殊，为 https://ark.cn-beijing.volces.com/api/v3/chat/completions，这个时候在 one-hub 里配置，可能怎么配都不成功，后来发现，可以在扩展配置里，指定对话接口的后缀，就能解决这个问题。如下图：

优秀的客户端 Cherry Studio

我必须要单独来推荐一下优秀的桌面客户端 Cherry Studio (opens new window)，这是一个开源的，免费的，支持多系统的大语言模型交互客户端。

关于它的介绍，官方的文档介绍已经很详细了，这里通过一张截图，把它的能力展示一下：

与大语言模型交互，是大部分客户端都支持的，我比较看重的，是它直接支持知识库本地化向量，然后你可以在本地进行知识库文档的体验，这里也简单对这块儿的实践，做一下介绍，关于 RAG，我之前有专门写过文章 rag-带你认识了解并劝退，感兴趣的同学可以跳转了解，这里就不过多展开，直接进入正题。

第一步，准备事项

配置嵌入模型，其中硅基流动以及阿里百炼都有嵌入模型，你可以根据自己的实际情况，进行配置，我这里使用的是硅基流动的 BAAI/bge-m3 模型。

第二步，准备知识库

Cherry Studio 这里支持目录，网址，网站，笔记四种类型，我这里拿二丫讲梵博客的站点地图来举例，如下图所示：

1. 点击添加知识库
2. 此处表示选择对应的嵌入模型。
3. 输入对应的站点地图，当然你也可以选择其他类型。
4. 看到这个表示文档向量化已经完成。
5. 你可以点击搜索知识库，验证向量化的效果。

下图是搜索知识库效果：

第三步，玩起来

仅需如上两步简单的配置之后，接下来就可以愉快地玩耍了。

比如：

再比如：

注：我导入的向量数据是198期周刊更新之前，所以这个答案是正确的。

现在看起来，已经初步把这个流程跑通了，并且也可以进行简单的交互了，但实际还有不少的问题，比如给到的答案不够全面准确，比如如何提问才能更准确获得自己想要的答案，这都是需要更多的训练以及探索才能磨合出来的。

如果你有更好的提示词，以及更好的实践，欢迎在评论区里交流。