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

在人工智能快速发展的背景下，传统上获取强大人工智能模型的机会往往受到高昂成本和技术门槛的限制。然而，由中国人工智能公司DeepSeek开发的DeepSeek AI，通过其开源策略和卓越性能，打破了这些障碍。本文将为您详细介绍如何免费使用DeepSeek AI及其API密钥，帮助您在无需财务负担的情况下充分利用这一技术。

什么是DeepSeek AI？

DeepSeek AI是一组大型语言模型（LLMs），凭借在推理、数学、编码以及一般知识任务上的卓越表现，在人工智能领域引起了广泛关注。DeepSeek的独特之处不仅在于其性能，还在于其开放性。该公司将多个版本的模型以开源形式发布，使研究人员、开发者和爱好者能够免费使用这些模型，而无需承担商业AI服务的高昂费用。

DeepSeek模型系列

DeepSeek AI的主要模型包括：

DeepSeek-R1：第一代推理模型，参数规模从1.5B到671B不等。
DeepSeek-V3：专为通用交互优化的对话AI模型。
DeepSeek Coder：专注于编程和代码生成的模型。

这些模型在基准测试中表现优异，一些版本的性能甚至可媲美大型AI公司的专有模型。

使用Anakin AI：最简单的DeepSeek访问方式

如果您希望以最简单的方式体验DeepSeek AI的功能，Anakin AI是一个理想的选择。无需任何技术配置或硬件要求，您即可通过其直观的界面快速上手。

使用步骤

访问 anakin.ai 并创建一个免费账户。
在应用商店中搜索“DeepSeek”。
找到您感兴趣的DeepSeek应用（如DeepSeek-R1或DeepSeek-V3）。
点击“使用此应用程序”。
通过聊天界面与模型直接交互。

Anakin AI的优势

无需安装或配置。
界面友好，适合初学者和专家。
提供多个AI模型的访问权限。
免费使用，限制合理。
支持自定义工作流和批处理等高级功能。

通过Anakin AI，您可以轻松完成问题解答、内容生成、代码辅助等任务，而无需担心硬件或技术配置。

在本地运行DeepSeek：通过Ollama实现

如果您更倾向于在本地运行DeepSeek模型以获得更高的隐私性、控制权和性能，Ollama是一个理想的工具。

硬件要求

根据模型的规模，硬件需求有所不同：

小型模型（1.5B、7B、8B）：至少16GB内存的现代CPU，推荐8GB以上显存的GPU。
中型模型（14B、32B）：需要16-24GB显存的高性能GPU。
大型模型（70B）：需要40GB以上显存的高端GPU。
超大模型（671B）：需要企业级硬件，支持多GPU。

使用指南

安装Ollama：
- MacOS/Linux 用户：运行 curl -fsSL https://ollama.com/install.sh | sh。
- Windows 用户：从 Ollama官网下载安装程序。
下载并运行DeepSeek：
根据硬件能力选择合适的模型：


# 示例命令
   ollama run DeepSeek-R1:1.5b
   ollama run DeepSeek-R1:7b

与模型交互：
模型加载后，您可以通过命令行输入问题或指令。
管理模型：
- 查看已安装模型：ollama list
- 删除模型：ollama rm DeepSeek-R1:7b
- 显示模型信息：ollama show DeepSeek-R1

添加图形界面

Ollama默认提供命令行界面，您也可以选择以下图形界面工具：

Open WebUI：功能丰富的Web界面。
LM Studio：桌面应用程序，用于管理和使用本地语言模型。
msty.app：为Ollama优化的用户友好界面。

例如，使用Docker安装Open WebUI：

docker run -d --name open-webui -p 3000:8080 -v open-webui:/app/backend/data --restart always ghcr.io/open-webui/open-webui:latest

然后在浏览器中访问 http://localhost:3000。

在云平台上运行DeepSeek

如果您的硬件无法满足本地运行需求，可以选择在云平台上部署DeepSeek模型。以下是两种常见方法：

谷歌Colab（免费使用）

安装必要的软件包：

!pip install transformers torch accelerate

加载并使用DeepSeek模型：

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))

Hugging Face Spaces

在 Hugging Face 注册账户。
创建一个新空间，选择Gradio作为框架。
使用模板快速搭建DeepSeek的交互界面。

使用DeepSeek构建RAG应用程序

DeepSeek的一个重要应用是构建恢复增强生成（RAG）系统，用于处理特定知识库的查询。

使用LangChain与DeepSeek集成

安装必要的软件包：

pip install langchain langchain-community langchain-deepseek-official

配置文档处理：

from langchain.document_loaders import PyPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter

loader = PyPDFLoader("your_document.pdf")
data = loader.load()
text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=100)
documents = text_splitter.split_documents(data)

创建嵌入并配置向量存储：

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

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

配置DeepSeek并创建RAG系统：

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

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

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

结论：拥抱免费人工智能的未来

DeepSeek AI通过开源高级语言模型，为个人和组织提供了前所未有的机会。无论您选择通过Anakin AI的简单界面快速上手，还是在本地或云端运行模型以实现更高的控制，DeepSeek都为您打开了通往人工智能创新的大门。

在探索DeepSeek的过程中，记住将其与您独特的数据和需求相结合，才能发挥其最大潜力。现在就开始您的DeepSeek之旅，构建属于您的创新应用吧！

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