从零到一：如何用阿里云百炼和火山引擎搭建专属 AI 助手（DeepSeek）？

本文首发：从零到一：如何用阿里云百炼和火山引擎搭建专属 AI 助手（DeepSeek）？

阿里云百炼和火山引擎都推出了免费的 DeepSeek 模型体验额度，今天我和大家一起搭建一个本地的专属 AI 助手。　

阿里云百炼为 DeepSeek-R1 与 DeepSeek-V3 模型分别提供 100 万 tokens 免费额度

🐳 https://www.aliyun.com/solution/tech-solution/deepseek-r1-for-platforms　

火山引擎为 DeepSeek 在内的多种模型提供 50 万 tokens 免费额度

🐳 https://www.volcengine.com/product/ark　

一、阿里云百炼部署 DeepSeek 模型

1、登录阿里云百炼

注册并登录阿里云百炼平台，进入模型广场即可查看 DeepSeek 模型。　

2、创建 API Key

在阿里云百炼主页右上角的个人图标中，进入 API-KEY 页面并创建专属的 API Key。　

3、调用 API 验证

参考《配置 API Key 到环境变量》文档，将 API Key 配置到环境变量中，并通过代码调用 API 进行验证。　

🐳配置 API Key 到环境变量　

https://help.aliyun.com/zh/model-studio/developer-reference/configure-api-key-through-environment-variables　

以下是官方提供的代码示例，帮助您快速上手：　

import os
from openai import OpenAIclient = OpenAI(# 若没有配置环境变量，请用百炼API Key将下行替换为：api_key="sk-xxx",api_key=os.getenv("DASHSCOPE_API_KEY"),  # 如何获取API Key：https://help.aliyun.com/zh/model-studio/developer-reference/get-api-keybase_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)completion = client.chat.completions.create(model="deepseek-r1",  # 此处以 deepseek-r1 为例，可按需更换模型名称。messages=[{'role': 'user', 'content': '9.9和9.11谁大'}]
)# 通过reasoning_content字段打印思考过程print("思考过程：")
print(completion.choices[0].message.reasoning_content)# 通过content字段打印最终答案print("最终答案：")
print(completion.choices[0].message.content)

二、火山引擎部署 DeepSeek 模型

1、登录火山方舟

🐵

注册并登录火山方舟平台，可使用我的邀请码 9Z52V71T 可免费获得每个模型 50 万 tokens 的推理额度。　

# 登录后免费赠送每个模型50万tokens推理额度。
https://www.volcengine.com/experience/ark?utm_term=202502dsinvite&ac=DSASUQY5&rc=9Z52V71T

登录后就能体验 DeepSeek-R1 等各种模型　

2、创建 API Key

在“在线推理”页面找到“API 接入”，按照提示创建 API Key。　

3、创建自定义推理接入点

根据官方教程，在“在线推理”页面选择“创建推理接入点”。　

创建过程比较简单，填写名称并选择模型（如 DeepSeek-R1），比如我选择 DeepSeek-R1 模型，为了方便我自己识别，所以接入点名称我填写成“DeepSeek-R1”　

在模型选择页，可以根据自己需求去选择模型　

创建完成就可以得到接入点名称。注意：后续用到的 model_name 是火山平台自动生成（以“ep-”开头）。　

4、调用 API 验证

设置 API Key 作为环境变量，其中"YOUR_API_KEY"需要替换为火山方舟上创建的 API Key　

export ARK_API_KEY="YOUR_API_KEY"

官方示例参考　

import os
from openai import OpenAIclient = OpenAI(api_key = os.environ.get("ARK_API_KEY"),base_url = "https://ark.cn-beijing.volces.com/api/v3",
)# Non-streaming:
print("----- standard request -----")
completion = client.chat.completions.create(model = "ep-",  # your model endpoint IDmessages = [{"role": "system", "content": "你是人工智能助手"},{"role": "user", "content": "常见的十字花科植物有哪些？"},],
)
print(completion.choices[0].message.content)# Streaming:
print("----- streaming request -----")
stream = client.chat.completions.create(model = "ep-",  # your model endpoint IDmessages = [{"role": "system", "content": "你是人工智能助手"},{"role": "user", "content": "常见的十字花科植物有哪些？"},],stream=True
)for chunk in stream:if not chunk.choices:continueprint(chunk.choices[0].delta.content, end="")
print()

三、搭建专属 AI 助手

无论是开发者还是普通用户，都可以通过以下方式快速搭建专属的 AI 助手：　

1、用 streamlit 编写个应用

对于程序员，可以使用 Streamlit 编写一个简单的网页应用，实现本地化交互。　

我已经编写了一个基础版，日常用用就足够了，代码参考　

import streamlit as st
import uuid
import os
import hashlib
from openai import OpenAI, AuthenticationError, APIError# 生成或获取用户特定的会话ID
if'user_session_id'notin st.session_state:st.session_state.user_session_id = str(uuid.uuid4())# 使用用户会话ID来获取或初始化用户特定的数据
defget_user_data():if'user_data'notin st.session_state:st.session_state.user_data = {}if st.session_state.user_session_id notin st.session_state.user_data:st.session_state.user_data[st.session_state.user_session_id] = {'messages': [{"role": "system", "content": "你是一个AI助手，请回答用户提出的问题。"}],'uploaded_files': [],'api_key': 'sk-','base_url': 'https://dashscope.aliyuncs.com/compatible-mode/v1','model_name': 'deepseek-r1','past_sessions': []}return st.session_state.user_data[st.session_state.user_session_id]# 更新用户数据的辅助函数
defupdate_user_data(key, value):user_data = get_user_data()user_data[key] = value# 保存当前会话
defsave_current_session():user_data = get_user_data()iflen(user_data['messages']) > 1:  # 只有当有实际对话时才保存current_session = {'id': st.session_state.user_session_id,'messages': user_data['messages']}# 检查是否已存在相同ID的会话，如果存在则更新，不存在则插入existing_session = next((session for session in user_data['past_sessions'] if session['id'] == current_session['id']), None)if existing_session:existing_session.update(current_session)else:user_data['past_sessions'].insert(0, current_session)# 限制保存的会话数量，例如只保留最近的5个会话user_data['past_sessions'] = user_data['past_sessions'][:5]# 加载选定的会话
defload_session(session_id):user_data = get_user_data()for session in user_data['past_sessions']:if session['id'] == session_id:st.session_state.user_session_id = session_idst.session_state.user_data[session_id] = {'messages': session['messages'],'uploaded_files': [],'api_key': user_data['api_key'],'base_url': user_data['base_url'],'model_name': user_data['model_name'],'past_sessions': user_data['past_sessions']}breakdefsave_uploaded_files(upload_dir, uploaded_files):"""保存上传的 txt 和 markdown 文件到临时目录并返回文件信息"""user_data = get_user_data()saved_files = []current_files = [f["name"] for f in user_data['uploaded_files']]for file in uploaded_files:if file.name in current_files:continueifnot file.name.lower().endswith(('.txt', '.md', '.markdown')):st.warning(f"不支持的文件类型: {file.name}。请上传 .txt 或 .md 文件。")continueif file.size > 1 * 1024 * 1024:  # 1MB限制st.error(f"文件 {file.name} 超过大小限制（1MB）")continuetry:# 保存文件到指定目录file_path = os.path.join(upload_dir, file.name)withopen(file_path, "wb") as f:f.write(file.getbuffer())# 读取文件内容withopen(file_path, "r", encoding='utf-8') as f:content = f.read()# 生成内容哈希值content_hash = hashlib.md5(content.encode()).hexdigest()# 检查重复内容ifany(f["hash"] == content_hash for f in user_data['uploaded_files']):st.info(f"文件 {file.name} 的内容与已上传的文件重复，已跳过。")continuesaved_files.append({"name": file.name,"content": content,"size": file.size,"hash": content_hash})st.success(f"成功上传文件: {file.name}")except Exception as e:st.error(f"处理文件 {file.name} 时出错: {str(e)}")continuereturn saved_filesdefformat_file_contents(files):return"\n".join([f"=== {f['name']} ===\n{f['content']}\n"for f in files])defget_active_api_config():user_data = get_user_data()return user_data['base_url'], user_data['api_key'], user_data['model_name']defprocess_stream(stream):"""合并处理思考阶段和响应阶段"""thinking_content = ""response_content = ""# 在状态块外部预先创建响应占位符response_placeholder = st.empty()with st.status("思考中...", expanded=True) as status:thinking_placeholder = st.empty()thinking_phase = True# 思考阶段标记for chunk in stream:# 解析数据块delta = chunk.choices[0].deltareasoning = delta.reasoning_content ifhasattr(delta, 'reasoning_content') else""content = delta.content ifhasattr(delta, 'content') else""role = delta.role ifhasattr(delta, 'role') else""# 处理思考阶段if thinking_phase:if reasoning:thinking_content += reasoningthinking_placeholder.markdown(f"思考过程：\n{thinking_content}")# 检测思考阶段结束if content:status.update(label="思考完成", state="complete", expanded=False)thinking_phase = Falseresponse_placeholder.markdown("回答：\n▌")  # 初始化响应光标# 处理响应阶段（无论是否在思考阶段都收集内容）if content:response_content += contentifnot thinking_phase:response_placeholder.markdown(f"回答：\n{response_content}▌")# 流结束后移除光标response_placeholder.markdown(f"回答：\n{response_content}")returnf"{thinking_content}{response_content}"defdisplay_chat_history():user_data = get_user_data()for message in user_data['messages']:with st.chat_message(message["role"]):st.markdown(message["content"])defhandle_user_input():user_data = get_user_data()base_url, api_key, model_name = get_active_api_config()ifnot api_key or api_key == 'sk-':st.error("请在侧边栏输入有效的 API Key。")returntry:client = OpenAI(api_key=api_key, base_url=base_url)uploaded_files = st.file_uploader("上传文本文件（支持 .txt 和 .md）",type=["txt", "md", "markdown"],accept_multiple_files=True,key="file_uploader")if uploaded_files:new_files = save_uploaded_files(dirs, uploaded_files)user_data['uploaded_files'].extend(new_files)user_content = []if user_input := st.chat_input("请问我任何事!"):user_content.append(user_input)if user_data['uploaded_files']:file_content = format_file_contents(user_data['uploaded_files'])user_content.append("\n[上传文件内容]\n" + file_content)user_data['uploaded_files'] = []  # 清空已处理的文件列表full_content = "\n".join(user_content)user_data['messages'].append({"role": "user", "content": full_content})with st.chat_message("user"):st.markdown(user_input)with st.chat_message("assistant"):try:stream = client.chat.completions.create(model=model_name,messages=user_data['messages'],stream=True)response = process_stream(stream)user_data['messages'].append({"role": "assistant", "content": response})except AuthenticationError:st.error("API 认证失败。请检查您的 API Key 是否正确。")except APIError as e:st.error(f"API 错误: {str(e)}")except Exception as e:st.error(f"发生未知错误: {str(e)}")except Exception as e:st.error(f"设置 OpenAI 客户端时发生错误: {str(e)}")defmain_interface():st.title("AI 助手")user_data = get_user_data()with st.sidebar:api_key = st.text_input("API Key", user_data['api_key'], type="password")if api_key:update_user_data('api_key', api_key)else:st.warning("请输入有效的 API Key")# Base URL 选项base_url_options = {"DashScope": "https://dashscope.aliyuncs.com/compatible-mode/v1","ARK": "https://ark.cn-beijing.volces.com/api/v3","自定义": "custom"}selected_base_url = st.selectbox("选择 Base URL",options=list(base_url_options.keys()),index=list(base_url_options.keys()).index("DashScope") if user_data['base_url'] == base_url_options["DashScope"] else0)if selected_base_url == "自定义":custom_base_url = st.text_input("自定义 Base URL", user_data['base_url'])update_user_data('base_url', custom_base_url)else:update_user_data('base_url', base_url_options[selected_base_url])# Model Name 选项model_options = {"deepseek-r1": "deepseek-r1","deepseek-v3": "deepseek-v3","自定义": "custom"}selected_model = st.selectbox("选择 Model",options=list(model_options.keys()),index=list(model_options.keys()).index("deepseek-r1") if user_data['model_name'] == "deepseek-r1"else0)if selected_model == "自定义":custom_model = st.text_input("自定义 Model Name", user_data['model_name'])update_user_data('model_name', custom_model)else:update_user_data('model_name', model_options[selected_model])if st.button("🆕 新会话"):save_current_session()  # 保存当前会话new_session_id = str(uuid.uuid4())st.session_state.user_data[new_session_id] = {'messages': [{"role": "system", "content": "你是一个AI助手，请回答用户提出的问题。"}],'uploaded_files': [],'api_key': user_data['api_key'],  # 保留当前的 API Key'base_url': user_data['base_url'],  # 保留当前的 Base URL'model_name': user_data['model_name'],  # 保留当前的 Model Name'past_sessions': user_data['past_sessions']  # 保留过去的会话记录}st.session_state.user_session_id = new_session_idst.rerun()# 显示过去的会话st.write("过去的会话：")for past_session in user_data['past_sessions']:if st.button(f"加载会话 {past_session['id'][:8]}...", key=past_session['id']):load_session(past_session['id'])st.rerun()display_chat_history()handle_user_input()defmain():if'user_session_id'notin st.session_state:st.session_state.user_session_id = str(uuid.uuid4())main_interface()if __name__ == "__main__":dirs = 'uploads/'ifnot os.path.exists(dirs):os.makedirs(dirs)main()

以下是启动服务的命令：　

streamlit run chat_ui.py

通过网页界面，可以轻松填写 API Key 并选择平台与模型，如阿里云百炼或火山方舟。　

比如我用阿里百炼验证交互过程　

2、使用 Cherry Studio

如果您希望更便捷地使用 AI 助手，可以直接下载并安装开源的 Cherry Studio。　

🐳https://cherry-ai.com/　

安装好 Cherry Studio 之后，可配置需要接入的大模型应用后就可以本地化使用了，教程可参考 Cherry 官方文档。　

往期阅读

手把手教你用 DeepSeek 和 Kimi，轻松搞定 PPT！

用 PyMuPDF 和 Pillow 打造 PDF 超级工具

基于 DeepSeek+AutoGen 的智能体协作系统

清华大学：普通人如何抓住 DeepSeek 红利？（65 页 PDF）

AI 时代，如何用 Python 脚本轻松搞定 PDF 需求？

DeepSeek 与 Ollama：本地运行 AI 模型的完美组合