如何免费使用 DeepSeek AI：API 密钥、本地部署与 RAG 应用实战指南

一. 什么是 DeepSeek AI？

DeepSeek AI 是由中国人工智能公司 DeepSeek 开发的一组 大型语言模型（LLMs），凭借在 推理、数学、代码生成以及通用知识任务 上的卓越表现，迅速在全球 AI 社区引发关注。

DeepSeek 的独特之处在于其 开源与免费策略。公司将多个版本的模型开放给开发者和研究人员，使其能够在无需承担高昂商业 AI 服务费用的情况下，直接使用高性能模型。

1. DeepSeek 模型系列

DeepSeek-R1：首代推理模型，参数规模从 1.5B 到 671B。
DeepSeek-V3：专为通用交互优化的对话模型。
DeepSeek Coder：聚焦代码生成和智能编程助手。

这些模型在 基准测试 中表现优异，部分版本的性能甚至媲美 GPT-4、Claude 等闭源商业模型。

二. 使用 Anakin AI：最简单的 DeepSeek 访问方式

对于不想处理复杂硬件和安装配置的用户，Anakin AI 提供了最便捷的途径。通过其应用商店，用户可以一键启动并使用 DeepSeek 模型。

1. 使用步骤

访问 anakin.ai 并注册免费账号。
在应用商店搜索 “DeepSeek”。
选择感兴趣的模型（如 DeepSeek-R1 或 DeepSeek-V3）。
点击“使用此应用程序”。
直接通过网页聊天界面与模型交互。

2. Anakin AI 的优势

零配置：无需安装或服务器。
界面友好：适合初学者与开发者。
多模型支持：轻松切换不同版本的 DeepSeek。
免费使用：限制合理，可付费解锁更多功能。
支持自定义工作流：可进行批量处理与集成。

三. 在本地运行 DeepSeek：Ollama 方案

如果你注重 隐私、安全与性能，可以通过 Ollama 在本地运行 DeepSeek 模型。

1. 硬件要求

小型模型（1.5B、7B、8B）：16GB 内存，推荐 GPU ≥ 8GB 显存。
中型模型（14B、32B）：需要 GPU 显存 16-24GB。
大型模型（70B）：需 40GB 以上显存。
超大模型（671B）：企业级多 GPU 硬件。

2. 使用步骤

a. 安装 Ollama

curl -fsSL https://ollama.com/install.sh | sh

b. 下载并运行模型

ollama run DeepSeek-R1:7b

c. 管理模型

ollama list
ollama rm DeepSeek-R1:7b
ollama show DeepSeek-R1

3. 图形化界面推荐

Open WebUI（Web 界面）
LM Studio（桌面客户端）
msty.app（优化版界面）

四. 在云平台上运行 DeepSeek

如果本地硬件不足，可以借助 Colab 或 Hugging Face 等云平台。

1. Google Colab（免费）

!pip install transformers torch accelerate
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "DeepSeek-AI/DeepSeek-R1-7b"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id)

inputs = tokenizer("写一首关于人工智能的诗", return_tensors="pt")
outputs = model.generate(**inputs, max_length=200)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

2. Hugging Face Spaces

注册 Hugging Face。
新建 Space，选择 Gradio 框架。
直接部署 DeepSeek 模型交互界面。

五. 使用 DeepSeek 构建 RAG 应用程序

DeepSeek AI 非常适合用来构建 RAG（检索增强生成）系统，例如企业知识库问答。

1. LangChain + DeepSeek 集成

a. 安装依赖

pip install langchain langchain-community langchain-deepseek-official

b. 加载文档

from langchain.document_loaders import PyPDFLoader
loader = PyPDFLoader("your_document.pdf")
data = loader.load()

c. 创建向量存储

from langchain.vectorstores import FAISS
from langchain.embeddings import HuggingFaceEmbeddings

embeddings = HuggingFaceEmbeddings(model_name="all-miniLM-L6-v2")
vectorstore = FAISS.from_documents(data, embeddings)

d. 配置 LLM + RAG

from langchain.chat_models import ChatNvidia
from langchain.chains import RetrievalQA

llm = ChatNvidia(model="DeepSeek-AI/DeepSeek-R1", api_key="your_api_key")
qa_chain = RetrievalQA.from_chain_type(llm=llm, retriever=vectorstore.as_retriever())

print(qa_chain.invoke({"query": "文档中的关键点是什么？"}))

六. 结论：拥抱免费 AI 的未来

DeepSeek AI 通过 免费开源模型 + 灵活部署方式，为开发者和企业提供了前所未有的机会。

新手用户可选择 Anakin AI 快速上手。
开发者可在 本地运行 以获得隐私与高性能。
资源有限者可利用 Colab / Hugging Face 云端运行。
企业可借助 RAG 架构 将 DeepSeek 与业务数据结合。

无论你的需求是 学习研究、开发应用还是企业部署，DeepSeek 都为你打开了通往 AI 创新的大门。

📌 原文链接: http://anakin.ai/de/blog/how-to-use-deepseek-ai-for-free-es/