欢迎来到小灰灰的博客空间！Weclome you！

博客主页：IT·小灰灰

筑梦官网：筑梦官网

热爱领域：前端（HTML）、后端（PHP）、人工智能、云服务

---

目录

一、三种方式深度对比：选择你的最佳入口

二、通过官网使用：零门槛的即时生产力（包含进阶版）

2.1 直接使用

2.1.1 打开浏览器

2.1.2 进入DeepSeek官网

2.1.3 开始聊天

2.2 通过官网API使用

2.2.1 打开浏览器

2.2.2 进入DeepSeek官网

2.2.3 注册账号

2.2.4 获取API密钥

2.2.5 调用API

2.2.6 功能模块详解

三、硅基流动 API 调用：企业级自动化引擎

3.1 为什么选硅基流动？

3.2 通过硅基流动平台使用

3.2.1 获取API

3.2.2 通过代码调用API

3.3 高级应用场景

四、Ollama 本地运行：数据安全与极致性能

4.1 硬件配置指南

4.2 完整部署流程

4.2.1 安装 Ollama

4.2.2 模型管理

4.2.3 安全配置

4.2.4 Python 对接

4.3 性能优化技巧

4.3.1 模型量化压缩

4.3.2 GPU 显存优化

4.3.3 并发处理

五、DeepSeek 工作场景全景图：20+ 实战应用

5.1 文案创作类（适合所有接入方式）

5.2 数据分析类（推荐 API/本地方式）

5.2.1 销售数据异常检测

5.2.2 SQL 查询生成

5.2.3 数据可视化建议

5.3 代码开发类（推荐本地部署）

5.3.1 代码审查助手

5.3.2 跨语言翻译

5.3.3 单元测试生成

5.4 智能办公自动化（推荐 API 方式）

5.4.1 会议纪要实时转写与提炼

5.4.2 合同批量审查

5.4.3 简历智能筛选

5.5 创意构思类

5.6 学习与知识管理

5.6.1 技术文档速读

5.6.2 外语邮件撰写

六、进阶技巧：构建你的 AI 工作流

6.1 提示词工程（Prompt Engineering）

6.1.1 角色扮演法

6.1.2 思维链（Chain-of-Thought）

6.1.3 少样本学习（Few-shot）

6.2 自动化工作流搭建

6.3 成本优化策略

七、选择决策树：如何确定你的方案

八、总结与行动清单

30天上手计划

---

在 AI 技术重塑职场生产力的今天，DeepSeek 凭借其强大的中文理解能力、专业的代码生成水平和极具竞争力的成本优势，正在成为越来越多职场人的"第二大脑"。本文将为您深度解析三种主流使用方式——官网直接使用、硅基流动 API 调用、Ollama 本地部署，并详细拆解 DeepSeek 在真实工作场景中的 20+ 具体应用，助您构建专属的 AI 工作流。

一、三种方式深度对比：选择你的最佳入口

核心参数对比表

使用方式	成本结构	响应速度	数据安全	定制能力	学习曲线	推荐场景
官网直接使用	免费额度+按量付费	依赖网络	公有云存储	低	★☆☆☆☆	个人轻度使用、快速验证
硅基流动 API	阶梯定价，批量优惠	毫秒级	传输加密	中	★★★☆☆	企业级应用、自动化流程
Ollama 本地运行	硬件一次性投入	本地极速	完全私有化	高	★★★★★	敏感数据处理、高频调用

二、通过官网使用：零门槛的即时生产力（包含进阶版）

2.1 直接使用

2.1.1 打开浏览器

在电子设备中点击浏览器，进入浏览器主页。

2.1.2 进入DeepSeek官网

在浏览器网址栏中输入DeepSeek官网，进入后选择立即聊天。

2.1.3 开始聊天

在输入框中输入想发送的消息，然后点击右侧发送按钮，注意：电脑端可按回车发送哦。

2.2 通过官网API使用

2.2.1 打开浏览器

在电子设备中点击浏览器，进入浏览器主页。

2.2.2 进入DeepSeek官网

在浏览器网址栏中输入DeepSeek官网，进入后右上角选择开放平台。

2.2.3 注册账号

进入后根据提示注册并登录好账号

2.2.4 获取API密钥

点击左侧控制台中API Keys按钮

接下来点击创建API key按钮

接下来输入名字

接下来点击创建按钮

创建后记得复制哦

2.2.5 调用API

python：

# Please install OpenAI SDK first: `pip3 install openai`
import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ.get('DEEPSEEK_API_KEY'),
    base_url="https://api.deepseek.com")

response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[
        {"role": "system", "content": "You are a helpful assistant"},
        {"role": "user", "content": "Hello"},
    ],
    stream=False
)

print(response.choices[0].message.content)

curl：

curl https://api.deepseek.com/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer ${DEEPSEEK_API_KEY}" \
  -d '{
        "model": "deepseek-chat",
        "messages": [
          {"role": "system", "content": "You are a helpful assistant."},
          {"role": "user", "content": "Hello!"}
        ],
        "stream": false
      }'

node.js：

// Please install OpenAI SDK first: `npm install openai`

import OpenAI from "openai";

const openai = new OpenAI({
        baseURL: 'https://api.deepseek.com',
        apiKey: process.env.DEEPSEEK_API_KEY,
});

async function main() {
  const completion = await openai.chat.completions.create({
    messages: [{ role: "system", content: "You are a helpful assistant." }],
    model: "deepseek-chat",
  });

  console.log(completion.choices[0].message.content);
}

main();

2.2.6 功能模块详解

官网控制台提供三大核心功能区：

1. 对话交互区：

• 支持多轮对话，上下文记忆长达 32K tokens

• 可保存常用 prompt 为模板（如"日报生成器"、"邮件优化器"）

• 快捷键：Ctrl+Enter 快速发送，Ctrl+/ 调出模板库

2. API 调试区：

• 提供可视化接口测试工具，无需编写代码即可调试

• 支持调整 Temperature（0.2-1.0）、Top P、Frequency Penalty 等参数

• 实战技巧：将调试好的参数直接导出为 Python/JavaScript 代码片段

3. 用量监控区：

• 实时查看 token 消耗曲线

• 设置用量告警阈值（建议设为 50 元、80% 额度）

• 下载详细账单，分析高频调用场景以优化成本

三、硅基流动 API 调用：企业级自动化引擎

3.1 为什么选硅基流动？

硅基流动（SiliconFlow）作为专业 AI 基础设施提供商，其 DeepSeek API 服务具备三大优势：

• 成本优化：相比官网直调，批量调用平均节省 30-50% 费用

• 高可用性：承诺 99.9% SLA，自动故障转移

• 生态兼容：完美兼容 OpenAI SDK，现有代码无需改造

3.2 通过硅基流动平台使用

3.2.1 获取API

进入硅基流动平台，获取API密钥

3.2.2 通过代码调用API

python：

import os
from typing import List, Dict
from langchain_openai import ChatOpenAI
from langchain.schema import HumanMessage, SystemMessage
from dotenv import load_dotenv

# 加载环境变量
load_dotenv()

class DeepSeekClient:
    def __init__(self):
        self.llm = ChatOpenAI(
            model="deepseek-chat",
            openai_api_key=os.getenv("SILICONFLOW_API_KEY"),
            openai_api_base="https://api.siliconflow.cn/v1",
            temperature=0.3,  # 工作场景建议较低温度
            max_tokens=4096,
            streaming=True    # 支持流式输出，用户体验更好
        )
    
    def generate_report(self, data: str, report_type: str = "日报") -> str:
        """智能报告生成器"""
        system_prompt = f"""你是一个专业的企业数据分析助手。根据提供的数据，生成一份结构化的{report_type}。
        必须包含：
        1. 关键数据摘要（3-5条）
        2. 趋势分析（同比/环比）
        3. 问题预警（如有）
        4. 行动建议（2-3条）
        格式要求：Markdown，数据用表格呈现"""
        
        messages = [
            SystemMessage(content=system_prompt),
            HumanMessage(content=f"数据如下：\n{data}")
        ]
        
        response = self.llm.invoke(messages)
        return response.content
    
    def batch_process(self, tasks: List[Dict]) -> List[str]:
        """批量任务处理"""
        results = []
        for task in tasks:
            try:
                result = self.generate_report(task["data"], task["type"])
                results.append(result)
            except Exception as e:
                results.append(f"任务失败: {str(e)}")
        return results

# 使用示例
if __name__ == "__main__":
    client = DeepSeekClient()
    
    # 单任务调用
    sales_data = """
    本周销售额：120万，上周：95万，去年同期：80万
    客户投诉：5起，环比增加2起
    新品转化率：3.2%，低于目标5%
    """
    report = client.generate_report(sales_data, "周报")
    print(report)
    
    # 批量任务（适合定时任务）
    tasks = [
        {"data": "销售数据A", "type": "日报"},
        {"data": "运营数据B", "type": "日报"},
        {"data": "客服数据C", "type": "周报"}
    ]
    reports = client.batch_process(tasks)

3.3 高级应用场景

场景 1：智能客服工单自动分类

def classify_ticket(ticket_content: str) -> Dict:
    """自动分类工单并提取关键信息"""
    prompt = f"""
    分析以下客服工单，输出JSON格式：
    {{
        "category": "类别（技术/账单/售前/投诉）",
        "priority": "优先级（高/中/低）",
        "keywords": ["关键词列表"],
        "suggested_handler": "建议处理部门"
    }}
    
    工单内容：{ticket_content}
    """
    # 调用API并解析JSON响应

场景 2：合同条款智能审查

• 将合同文本分段提交给 API

• 设置 system prompt 为"你是一位资深法务顾问，识别合同中的风险条款"

• 自动标记异常条款并给出修改建议

四、Ollama 本地运行：数据安全与极致性能

4.1 硬件配置指南

最低配置（可运行 7B 模型）：

• CPU：Intel i5 或 AMD Ryzen 5 以上

• 内存：16GB DDR4

• 显卡：GTX 1060 6GB 或同等性能

• 存储：20GB 可用空间（模型文件约 4-5GB）

推荐配置（流畅运行 14B 模型）：

• CPU：Intel i7-13700K / AMD Ryzen 9 7900X

• 内存：32GB DDR5

• 显卡：RTX 4070 Ti Super（16GB 显存）

• 存储：NVMe SSD 500GB

企业级配置（支持 70B 模型 + 高并发）：

• 多卡服务器：NVIDIA A100 40GB × 4

• 内存：256GB ECC

• 采用 vLLM 部署框架，支持张量并行

4.2 完整部署流程

4.2.1 安装 Ollama

# Linux 推荐方式（自动配置 systemctl）
curl -fsSL https://ollama.com/install.sh | sh

# 验证安装
ollama --version  # 应显示 0.5.x 以上

# 启动服务并设置开机自启
sudo systemctl enable ollama
sudo systemctl start ollama

4.2.2 模型管理

# 查看可用模型
ollama list

# 拉取 DeepSeek-R1 系列模型
ollama pull deepseek-r1:7b      # 平衡性能与速度
ollama pull deepseek-r1:14b     # 推荐用于生产
ollama pull deepseek-r1:32b     # 需要24GB显存

# 删除不用的模型释放空间
ollama rm deepseek-r1:1.5b

# 查看模型占用
ollama ps  # 类似 docker ps，显示运行中的模型

4.2.3 安全配置

# 编辑配置文件
sudo nano /etc/systemd/system/ollama.service

# 在 [Service] 段添加：
Environment="OLLAMA_HOST=0.0.0.0:11434"  # 如需局域网访问
Environment="OLLAMA_API_KEY=sk-your-256-bit-secret-key"
Environment="OLLAMA_MAX_LOADED_MODELS=2"  # 同时加载2个模型
Environment="OLLAMA_KEEP_ALIVE=24h"       # 模型常驻内存

# 重启服务
sudo systemctl daemon-reload
sudo systemctl restart ollama

4.2.4 Python 对接

import requests
import json

class LocalDeepSeek:
    def __init__(self, api_key=None):
        self.base_url = "http://localhost:11434/api"
        self.headers = {
            "Authorization": f"Bearer {api_key}" if api_key else None,
            "Content-Type": "application/json"
        }
    
    def chat(self, prompt: str, model="deepseek-r1:7b", 
             temperature=0.3, stream=False) -> str:
        """本地对话接口"""
        payload = {
            "model": model,
            "messages": [{"role": "user", "content": prompt}],
            "temperature": temperature,
            "stream": stream
        }
        
        response = requests.post(
            f"{self.base_url}/chat",
            headers=self.headers,
            data=json.dumps(payload)
        )
        
        if response.status_code == 200:
            return response.json()["message"]["content"]
        else:
            raise Exception(f"调用失败: {response.text}")
    
    def generate_with_template(self, template_name: str, **kwargs) -> str:
        """使用预设模板生成"""
        # 可预先定义各类工作模板
        templates = {
            "meeting_minutes": "请根据以下会议录音转写内容，生成结构化会议纪要...\n{content}",
            "email_reply": "请帮我回复这封邮件，语气{tone}...\n{email}",
            # 更多模板...
        }
        prompt = templates[template_name].format(**kwargs)
        return self.chat(prompt)

# 使用示例
local_ai = LocalDeepSeek(api_key="sk-your-key")
result = local_ai.generate_with_template(
    "meeting_minutes",
    content="会议录音转写文本..."
)

4.3 性能优化技巧

4.3.1 模型量化压缩

# 使用 GGUF 格式量化模型（节省 50%+ 显存）
ollama cp deepseek-r1:14b deepseek-r1:14b-q4  # 创建副本
# 然后手动替换模型文件为量化版本

4.3.2 GPU 显存优化

# 限制显存使用（防止卡死）
export CUDA_VISIBLE_DEVICES=0  # 只使用第一块卡
export PYTORCH_CUDA_ALLOC_CONF=max_split_size_mb:128

4.3.3 并发处理

from concurrent.futures import ThreadPoolExecutor

# 多线程批量处理
with ThreadPoolExecutor(max_workers=4) as executor:
    futures = [executor.submit(local_ai.chat, task) for task in task_list]

五、DeepSeek 工作场景全景图：20+ 实战应用

5.1 文案创作类（适合所有接入方式）

应用场景	输入示例	输出价值	推荐模型
日报/周报生成	今日完成A项目需求评审，修改了3个Bug，参加了2小时会议	结构化报告+数据可视化建议+问题预警	deepseek-chat
邮件优化	草拟邮件：客户投诉产品延迟交付	语气优化+风险点提示+三种备选方案	deepseek-chat
营销文案	为新款降噪耳机生成小红书文案，目标Z世代	10个带emoji的标题+正文+话题标签	deepseek-chat
PPT大纲	主题：Q3销售复盘，受众：管理层，时长20分钟	逻辑框架+每页要点+数据呈现建议	deepseek-chat

实战 Prompt 模板：

角色：你是一位资深的企业文案专家
任务：将以下碎片化工作记录转化为专业的周报
要求：
1. 使用STAR法则描述关键任务
2. 包含量化数据（如效率提升30%）
3. 突出对团队/公司的价值贡献
4. 语言简洁，适合管理层快速阅读

输入：[粘贴你的原始记录]

5.2 数据分析类（推荐 API/本地方式）

5.2.1 销售数据异常检测

# 上传CSV数据，自动识别异常
data = """
日期,销售额,订单量,客单价
2024-01-01,150000,300,500
2024-01-02,120000,280,428
2024-01-03,80000, 290, 276  # 异常：销售额暴跌但订单量稳定
"""

prompt = f"""
分析以下销售数据，识别异常点并说明原因：
{data}

输出格式：
1. 异常点列表（日期+指标+偏离度）
2. 可能原因分析（3条）
3. 验证建议（如何确认原因）
4. 应对措施
"""

5.2.2 SQL 查询生成

• 输入："查询上个月销售额TOP10的客户及其复购率"

• 输出：可直接执行的 SQL 语句 + 执行计划优化建议

5.2.3 数据可视化建议

• 输入："我有用户留存数据，想展示 cohort 分析"

• 输出：推荐用热力图 + 提供 Python Plotly 代码实现

5.3 代码开发类（推荐本地部署）

5.3.1 代码审查助手

# 将DeepSeek集成到Git hooks
def pre_commit_review():
    changed_code = get_staged_changes()
    prompt = f"""
    作为资深Python工程师，审查以下代码：
    1. 找出潜在Bug
    2. 检查性能瓶颈
    3. 给出Pythonic改进建议
    4. 评估安全风险
    
    代码：
    ```python
    {changed_code}
    ```
    """
    review_comments = local_ai.chat(prompt, model="deepseek-r1:14b")
    if "CRITICAL" in review_comments:
        print("发现严重问题，提交被拒绝")
        exit(1)

5.3.2 跨语言翻译

• 将 Java 代码翻译为 Python，并解释语法差异

• 将老旧 VBScript 迁移到现代 PowerShell

5.3.3 单元测试生成

# 自动为函数生成pytest测试用例
def add(a, b):
    return a + b

# DeepSeek输出：
"""
import pytest

def test_add_integers():
    assert add(1, 2) == 3

def test_add_floats():
    assert add(10.5, 2.5) == 13.0

def test_add_negative():
    assert add(-1, -1) == -2

def test_add_mixed_types():
    with pytest.raises(TypeError):
        add("1", 2)
"""

5.4 智能办公自动化（推荐 API 方式）

5.4.1 会议纪要实时转写与提炼

• 使用阿里通义听悟等工具将会议录音转为文本

• 调用 DeepSeek API 自动生成：

  • 待办事项清单（@责任人+截止日期）

  • 决策记录

  • 关键词云图

5.4.2 合同批量审查

def review_contract(contract_path: str):
    with open(contract_path, 'r', encoding='utf-8') as f:
        content = f.read()
    
    # 第一轮：风险识别
    risk_prompt = f"""
    审查以下合同条款，识别法律风险：
    {content[:4000]}  # 分批处理长文档
    输出JSON：{{"risk_level": "高/中/低", "risk_points": []}}
    """
    
    # 第二轮：条款优化
    optimize_prompt = f"""
    针对以下风险点，给出3个优化方案：
    {risk_json}
    要求：保留商业意图，降低法律风险
    """
    
    return client.batch_process([risk_prompt, optimize_prompt])

5.4.3 简历智能筛选

• 输入：100份简历PDF

• 输出：按匹配度排序的Top10候选人+每份简历的优劣势分析+面试问题建议

5.5 创意构思类

应用场景	输入	输出	参数设置
产品命名	智能硬件，主打健康监测，目标中老年	20个候选名称+商标可用性分析	temperature=0.8
活动策划	科技公司年会，预算50万，300人	完整流程+场地布置方案+风险预案	temperature=0.7
头脑风暴	提升App用户留存的10个方法	每个方法含成本预估和ROI分析	temperature=0.9

5.6 学习与知识管理

5.6.1 技术文档速读

Prompt：
请总结这篇论文的核心贡献，要求：
1. 用一句话概括创新点
2. 列出3个关键技术细节
3. 评估在医疗行业的应用前景
4. 指出2个局限性

[粘贴论文摘要或URL]

5.6.2 外语邮件撰写

• 输入：用中文描述意图"向德国客户解释延迟交货，并给出补偿方案"

• 输出：正式商务德语邮件+中文翻译+文化注意事项（德国人重视精确时间）

六、进阶技巧：构建你的 AI 工作流

6.1 提示词工程（Prompt Engineering）

6.1.1 角色扮演法

角色：你是一位有10年经验的麦肯锡咨询顾问
背景：客户是零售行业，面临线上冲击
任务：提供数字化转型三步走战略
约束：每步预算不超过200万，6个月内见效
输出：PPT大纲+数据支撑+对标案例

6.1.2 思维链（Chain-of-Thought）

问题：我们部门Q4业绩下滑15%，请分析原因
要求：请一步一步思考，先列出可能因素，再验证每个假设

6.1.3 少样本学习（Few-shot）

示例1：
输入：客户反馈"物流太慢了"
输出：{"情绪": "负面", "标签": ["物流"], "优先级": "高"}

示例2：
输入：客户反馈"产品很好用"
输出：{"情绪": "正面", "标签": ["产品"], "优先级": "低"}

现在请分析：客服太敷衍，问题没解决

6.2 自动化工作流搭建

Airflow + DeepSeek 定时任务：

from airflow import DAG
from airflow.operators.python import PythonOperator
from datetime import datetime

def generate_daily_report():
    client = DeepSeekClient()
    # 从数据库获取数据
    # 调用API生成报告
    # 发送邮件给管理层

dag = DAG('daily_ai_report', schedule_interval='0 18 * * *')
task = PythonOperator(task_id='generate_report', python_callable=generate_daily_report, dag=dag)

6.3 成本优化策略

策略	实施方法	预期节省
缓存常用请求	Redis缓存相同问题的答案	30-50%
模型降级	简单任务用1.5B模型，复杂用14B	40-60%
批量处理	将10个请求合并一次API调用	20-30%
夜间任务调度	利用谷时电价运行批量任务	15%

七、选择决策树：如何确定你的方案

你的需求是？（个人/企业）
├─ 个人使用
│   ├─ 偶尔用用 → 官网直接调用（5分钟上手）
│   ├─ 高频使用 → Ollama本地（4090显卡）
│   └─ 开发学习 → Ollama + 7B模型（成本最低）
│
└─ 企业使用
    ├─ 数据敏感？（金融/医疗/政府）
    │   ├─ 是 → Ollama私有云（最小化数据泄露风险）
    │   └─ 否 → 硅基流动API（平衡成本与效率）
    │
    ├─ 预算充足？
    │   ├─ 是 → 硅基流动企业版（享受专属支持）
    │   └─ 否 → 自建Ollama集群（硬件一次性投入）
    │
    └─ 技术能力强？
        ├─ 是 → Ollama + 定制微调（最大化效果）
        └─ 否 → 硅基流动 + 低代码平台（快速落地）

八、总结与行动清单

DeepSeek 不仅是一个对话工具，更是可以深度嵌入工作流程的生产力引擎。无论选择哪种接入方式，关键在于将重复性、标准化、需要一定智力的工作逐步交给AI。

30天上手计划

Week 1：基础探索

• 注册官网账号，获取API Key

• 在WPS中完成首次配置

• 用DeepSeek生成3份不同风格的周报模板

Week 2：单点突破

• 识别1个最耗时的重复性工作（如数据处理）

• 用官网API实现自动化

• 记录时间节省效果

Week 3：流程整合

• 学习Ollama基础安装

• 在本地部署7B模型测试

• 对比云端与本地的响应速度差异

Week 4：体系构建

• 整理个人专属prompt库（至少20个）

• 搭建1个自动化工作流（如每日数据报告）

• 向团队分享使用心得，推动集体提效

终极建议：不要追求一步到位。从最简单的"官网+WPS"开始，在真实工作场景中积累使用体感，再逐步向API和本地部署进阶。AI工具的威力，在于持续使用带来的复利效应。

---

附录：关键资源链接

• DeepSeek 官方文档：platform.deepseek.com/docs

• Ollama 模型库：ollama.com/library

• 提示词大全：github.com/f/awesome-chatgpt-prompts