简介:DeepSeek把搜索、文件阅读、OCR和语音能力做成可单独调用、分别计费的接口。本文拆解各项能力的适用场景,说明如何按需组合接口、设计降级方案,并给出验收标准和成本控制方法,帮助团队判断怎样搭建接近成熟产品的AI应用。
DeepSeek 把原本包在自家 App 里的部分能力做成独立接口,包括联网搜索、文件上传、链接阅读、OCR、语音识别和语音合成。开发者不必再为每项能力单独找供应商或自己写解析代码,可以按需调用。本文说明这些能力分别解决什么问题,怎样组合进自己的产品,以及上线前要检查哪些地方。
过去调用大模型,多数团队拿到的是文本生成或对话补全能力。要让模型回答最新问题,需要自己接搜索服务;要读 PDF 或 Word,需要自己写解析代码;要做语音助手,还得另外接语音识别和语音合成。每接入一项能力,就多一套账号、密钥、计费和故障排查。
按照公开介绍,DeepSeek 这次把这些能力以接口形式开放,并允许分别调用、分别计费。对开发者来说,变化主要在两点。第一,能力边界更清楚,哪项能力出问题,可以单独定位。第二,成本可以按能力拆开看,不必为用不到的模块付费。
接口名称、参数、计费标准和可用范围都以 DeepSeek 官方文档为准。本文描述的是能力类型和接入思路,不替代官方文档。
| 能力 | 典型用途 | 开发时要关心的点 |
|---|---|---|
| 联网搜索与深度搜索 | 实时资讯问答、行业动态整理、热点归纳 | 答案是否标注来源,搜索结果是否可追溯 |
| 文件上传与链接阅读 | 文档摘要、网页要点提取、资料归档 | 文件大小限制、格式支持、敏感内容处理 |
| OCR | 扫描件、截图、票据文字提取 | 识别准确率,尤其是表格和手写内容 |
| 语音识别(ASR) | 语音转文字、会议记录、客服录音分析 | 方言和噪声环境下的效果,是否需要时间戳 |
| 语音合成(TTS) | 语音播报、语音助手回复、无障碍朗读 | 音色选择,长文本的断句和延迟 |
这些能力可以单独使用。只做文本问答,就不需要调用语音或 OCR。做语音助手,可以只接入语音识别和语音合成,中间的理解环节仍使用文本对话接口。模块越少,链路越短,排查问题也越快。
以前做一个能查资料的问答功能,开发者通常要自己编排流程。先让模型判断是否需要搜索,再调用搜索接口拿到网页列表,接着抓取网页正文,最后把正文和问题一起交回模型生成答案。每一步都要处理超时、空结果和格式不一致的问题。
如果搜索能力可以由模型侧在对话中自动触发,开发者只需要打开开关,并说明哪些问题需要最新信息。模型会自行决定何时搜索、搜索什么、读取哪些页面,再整理成回答。这样,代码里需要维护的工具调用逻辑会少很多。
这种省事也有代价。自动搜索的过程不完全可控,所以产品上最好保留搜索来源,让用户能打开原网页核对。同时,要在日志里记录每次回答用了哪些来源,便于事后排查错误答案。
建议按以下顺序推进,每一步都能单独验证。
第一步,明确核心任务。先写清楚产品最主要解决的一件事,例如“帮用户总结上传的合同”或“回答行业最新动态”。核心任务通常只需要一两项能力,其他能力放到后面再加。
第二步,选定对话接口。DeepSeek 的对话能力通常通过标准接口调用,具体支持哪些接口形式和模型版本,请以官方文档为准。团队已有的调用方式尽量沿用,减少改造成本。
第三步,配置鉴权。API Key 应放在环境变量或密钥管理服务中,不要写进前端代码或代码仓库。不同环境使用不同密钥,测试环境的密钥要单独设置额度上限。
第四步,逐项接入能力。每接入一项能力,就用一组固定样例测试一次。例如搜索能力用十个已知答案的问题测试,OCR 用二十张不同质量的图片测试。记录通过率,通过后再进入下一项。
第五步,设计统一调用层。如果将来可能切换模型,或同时使用多个模型,可以在业务代码和模型接口之间加一层封装。封装层统一负责请求格式、超时设置、重试次数和日志字段,业务代码只调用封装层。
下面是一段示意逻辑,用来说明调用失败时的处理方式,并非某个具体 SDK 的代码。
函数 调用能力(请求):最多重试 2 次每次超时 10 秒成功 -> 返回结果可重试错误(超时、限流)-> 等待后重试不可重试错误(参数错误、权限不足)-> 记录日志,返回友好提示全部失败 -> 走降级方案(例如返回已有缓存,或提示稍后再试)
降级方案要提前设计。搜索失败时,可以改为只基于已有资料回答,并告诉用户当前无法获取最新信息。语音识别失败时,可以提示用户改用文字输入。
每个场景都应有可以量化的验收标准,否则很难判断上线是否合格。
个人助理。 功能包括历史对话、联网搜索和文件上传。验收标准可以定为:常见问题的首次响应时间在可接受范围内,用户能在回答中看到来源链接。
企业知识库问答。 内部文档经过上传和解析后,模型基于这些资料回答。验收时抽取一百个真实问题,人工检查答案。能给出正确依据的比例达到团队设定的目标,例如九成以上。资料中没有相关内容时,系统应明确说明,不能编造答案。
内容研究。 研究人员提出问题,系统检索资料、阅读网页并生成摘要。验收标准包括:摘要中每条关键结论都能对应到原文,来源网页的发布时间与问题相关。
语音客服与会议纪要。 语音识别的文字准确率是关键指标。可以抽取若干段真实录音,统计识别错误率。语音合成则要检查播报速度和停顿是否自然。
文档与 OCR 处理。 扫描件先经过 OCR,再交给模型做分类或信息抽取。验收时重点检查金额、日期、编号等关键字段的准确率,这些字段一旦出错,后果可能很严重。
独立计费让成本更透明,也要求团队主动管理成本。
按能力拆分预算。 为搜索、文件解析、语音识别、语音合成分别建立统计标签,每周查看一次调用量和费用。这样能看出哪项能力花费最多,从而决定是否需要优化。
估算成本的方法。 月成本大致等于每项能力的调用次数乘以单价,再加上失败重试产生的额外调用。使用前应确认免费额度的范围和有效期。如果某些请求可以通过缓存复用结果,就能减少重复调用,这通常是最直接的降本方式。
先做最小闭环。 先用一个核心功能跑通,例如联网搜索问答,观察真实使用量。确认有用户持续使用后,再加入语音或 OCR。过早上线全部功能,成本可能先于价值增长。
建立监控指标。 至少记录以下数据:每项能力的调用次数、失败率、平均响应时长、单次请求的费用。失败率突然升高时,应能在一小时内发现并处理。
比较候选模型。 不同模型在推理、长文本、代码和多模态方面表现不同。选型时,应使用同一组真实业务样例测试各个候选模型,同时比较效果和成本,而不是只看单价。
数据安全。 文件上传、语音输入和网页内容可能包含个人信息或商业机密。上线前应明确哪些数据可以上传,哪些需要先脱敏。日志中不应保存完整的原始文件,只保留必要的元数据,并按内部制度设定保留期限,到期自动删除。
权限控制。 用户只能访问自己有权限的文件和知识库。调用接口的服务账号也应遵循最小权限原则,只开放当前功能需要的能力。
内容与合规。 联网抓取网页时,应遵守目标网站的使用条款和 robots 协议。生成内容如果用于对外发布,需要有人工审核环节。语音合成若模仿真人声音,需要确认授权范围。
降级与提示。 搜索、解析或识别失败时,界面应给出明确提示,不能让用户面对空白页面。重要回答应注明生成方式,便于用户判断可信度。
文档版本。 接口字段、模型名称和计费规则都可能更新。上线前应核对最新官方文档,并在项目中记录所