AI Agent白手起家16: DeepSeek云端部署与API调用实战指南

Wang's Blog

墨衍会员 · AI 创作全网分发码龄12年

关注

原创 2026-08-14 09:42:49 656 阅读 AI 写同款· GEO 优化 ›

「文智助手」全场景办公AI助理AI+OPC全流程实践方案（大赛作品）阅读详情

纲要

为何选择云端部署与 API 调用
- 低成本获取高性能算力
- 免去本地硬件与运维负担
三种资源获取方案对比
- 本地部署、云端部署、API 调用的核心差异
方案一：腾讯云一键部署 DeepSeek
- 创建高性能应用服务实例
- 选择社区应用，计费模式与区域配置
- GPU 选型建议（基础型 vs 进阶型）
- 使用 Open WebUI 直接对话
- 获取 API 端点与公网 IP
方案二：官方 API 与硅基流动
- DeepSeek 官方开放平台
- 硅基流动模型广场与计价
- API Key 创建与模型选择
统一接入：将云端模型导入本地 Cherry Studio
- 添加自定义 OpenAI 兼容服务
- 验证连接与模型切换
代码实战：用 Python 调用云端 API
- 通过公网 IP + 端口调用腾讯云部署的模型
- 通过硅基流动 API 调用满血版 R1
- 完整可运行脚本
总结与最佳实践

为何选择云端部署与 API 调用

对于大多数个人开发者和中小团队，本地部署虽然能实现完全的数据私有化，但受限于 GPU 显存与算力，往往只能流畅运行 7B~14B 的量化模型，且需承担较高的硬件采购成本。而云端部署与API 调用提供了另一种思路：按需付费、弹性伸缩，用几分钱就能调用满血版 671B 的推理能力。

目前国内主流云服务商（如腾讯云、阿里云）已光速集成 DeepSeek，提供一键部署的社区应用；同时第三方模型即服务平台（如硅基流动）也提供了丰富的蒸馏版本和满血版 API，极大地降低了使用门槛。

三种资源获取方案对比

方案	适用场景	模型范围	初始成本	运维成本	隐私性
本地部署	高隐私、内网运行	1.5B~32B（量化）	高（显卡）	低（电费）	极高
云端部署	需要高性能、弹性算力	最高 32B（一键包），可自行部署更高	中（按时计费）	无	中（可控）
API 调用	快速验证、低频调用	全量模型，含 671B	无	按 token 计费	依赖供应商

方案一：腾讯云一键部署 DeepSeek

腾讯云高性能应用服务（HAI）已将 DeepSeek 封装为社区应用，几分钟即可拉起一个带 GPU 的推理实例。

创建实例

登录腾讯云控制台，进入「高性能应用服务」产品页。
点击「新建」，在「社区应用」中选择 DeepSeek-R1-7B/14B/32B（推荐 32B 以获得最佳性能）。
计费模式：测试可选择「按量计费」；长期使用可考虑包年包月。
地域选择离自己最近的（如北京）。
算力方案：建议选择 GPU 进阶型（显存 32 GB），基础型（16 GB 显存）在跑 32B 时体验较慢。
设置实例名称，勾选协议，点击「立即购买」。

直接使用 Open WebUI

实例运行后，点击「Open WebUI」即可打开网页版对话界面。首次进入会提示创建管理员账号，之后便可直接选择已部署的模型（1.5B~32B）进行对话，体验丝滑的思维链推理。

获取 API 接口

在实例详情页的「监控」或「端口配置」中，可以看到开放的端口列表。通常 6399 端口映射到内部的 80 端口，提供 OpenAI 兼容的 API。你需要记录：

公网 IP：实例详情中显示。
端口：例如 6399。
API 基础路径：http://<公网IP>:6399/v1

通过浏览器访问 http://<公网IP>:6399/v1/models 应能返回当前加载的模型列表，证明接口可用。

方案二：官方 API 与硅基流动

DeepSeek 官方开放平台

访问 platform.deepseek.com 可直接创建 API Key。但目前由于用户量巨大，官方暂时停止充值，存量余额可继续使用。模型提供 deepseek-chat（V3）和 deepseek-reasoner（R1），价格透明，百万 token 输入仅需 1 元（命中缓存更便宜）。

硅基流动（SiliconFlow）

siliconflow.cn 是一个模型即服务平台，部署了大量开源模型，包含满血版 DeepSeek-R1-671B、DeepSeek-V3-671B 以及多种蒸馏版本。注册并实名认证后，在「模型广场」选择模型，即可获取 API Key 和调用地址。

推荐模型与价格参考：

模型	参数量	输入价格 (百万 token)	输出价格 (百万 token)
DeepSeek-R1-Pro	671B	¥4	¥16
DeepSeek-R1-Distill-Qwen-32B	32B	较低	较低
DeepSeek-V3	671B	¥2	¥8

调用端点统一为 https://api.siliconflow.cn/v1，兼容 OpenAI 格式。

统一接入：将云端模型导入本地 Cherry Studio

无论你使用腾讯云自建 API 还是硅基流动，都可以将它们添加到 Cherry Studio 中，实现本地统一的 AI 助手界面。

打开 Cherry Studio → 设置 → 模型服务 → 添加。
提供商类型选择 OpenAI，名称自定义（如“腾讯云 R1”）。
API 地址填写：
- 腾讯云：http://<公网IP>:6399/v1
- 硅基流动：https://api.siliconflow.cn/v1
API Key 填写对应的密钥（腾讯云可随意填写，硅基流动填写在平台生成的 key）。
点击「管理」，在列表中勾选你需要使用的模型，保存。
点击「检查」确认连接成功，随后即可在聊天界面切换模型。

代码实战：用 Python 调用云端 API

下面的脚本演示了如何通过 OpenAI 兼容接口分别调用腾讯云自部署的 32B 模型和硅基流动的满血版 R1，并对比输出。请根据你的实际情况替换 IP、端口和 API Key。

import openai

# ================= 配置区 =================
# 腾讯云自部署（请替换为你的公网 IP 和端口）
TENCENT_BASE_URL = "http://123.123.123.123:6399/v1"  # 替换为实际 IP:端口
TENCENT_API_KEY = "any-string"                       # 本地部署随意
TENCENT_MODEL = "deepseek-r1:32b"                    # 实例中的模型名

# 硅基流动（请替换为你的 API Key）
SILICON_BASE_URL = "https://api.siliconflow.cn/v1"
SILICON_API_KEY = "sk-your-silicon-key"              # 替换为真实 Key
SILICON_MODEL = "Pro/deepseek-ai/DeepSeek-R1"        # 满血版 R1
# ==========================================

client_tencent = openai.OpenAI(base_url=TENCENT_BASE_URL, api_key=TENCENT_API_KEY)
client_silicon = openai.OpenAI(base_url=SILICON_BASE_URL, api_key=SILICON_API_KEY)

question = "如何用 Python 实现快速排序？请给出带注释的代码。"

print("===== 腾讯云 32B 模型 =====")
resp_t = client_tencent.chat.completions.create(
    model=TENCENT_MODEL,
    messages=[{"role": "user", "content": question}],
    temperature=0.3,
    max_tokens=600
)
print(resp_t.choices[0].message.content)

print("\n===== 硅基流动 满血 R1 =====")
resp_s = client_silicon.chat.completions.create(
    model=SILICON_MODEL,
    messages=[{"role": "user", "content": question}],
    temperature=0.3,
    max_tokens=600
)
print(resp_s.choices[0].message.content)