201 lines
4.7 KiB
Markdown
201 lines
4.7 KiB
Markdown
# DeepSeek集成说明
|
||
|
||
## ✅ 已完成
|
||
|
||
已成功集成DeepSeek API，LLM节点现在可以使用DeepSeek模型。
|
||
|
||
## 功能特性
|
||
|
||
### 1. DeepSeek支持
|
||
|
||
- 兼容OpenAI API格式
|
||
- 支持DeepSeek Chat和DeepSeek Coder模型
|
||
- 与OpenAI使用相同的调用接口
|
||
- 支持自定义API地址
|
||
|
||
### 2. 配置
|
||
|
||
- 独立的API Key配置
|
||
- 独立的Base URL配置
|
||
- 可在节点级别选择提供商
|
||
|
||
## 配置方法
|
||
|
||
### 1. 设置DeepSeek API Key
|
||
|
||
在 `backend/.env` 文件中添加：
|
||
|
||
```env
|
||
DEEPSEEK_API_KEY=your-deepseek-api-key-here
|
||
DEEPSEEK_BASE_URL=https://api.deepseek.com
|
||
```
|
||
|
||
或者使用环境变量：
|
||
|
||
```bash
|
||
export DEEPSEEK_API_KEY=your-deepseek-api-key-here
|
||
export DEEPSEEK_BASE_URL=https://api.deepseek.com
|
||
```
|
||
|
||
### 2. 重启后端服务
|
||
|
||
```bash
|
||
docker-compose -f docker-compose.dev.yml restart backend
|
||
```
|
||
|
||
## 使用方法
|
||
|
||
### 1. 在工作流中添加LLM节点
|
||
|
||
1. 打开工作流设计器
|
||
2. 从节点工具箱拖拽"LLM"节点到画布
|
||
3. 配置节点参数
|
||
|
||
### 2. 配置LLM节点使用DeepSeek
|
||
|
||
在节点配置面板中设置：
|
||
|
||
```json
|
||
{
|
||
"provider": "deepseek",
|
||
"prompt": "请处理以下输入：\n{input}",
|
||
"model": "deepseek-chat",
|
||
"temperature": 0.7,
|
||
"max_tokens": 1000
|
||
}
|
||
```
|
||
|
||
**参数说明**：
|
||
- `provider`: 选择 `deepseek`
|
||
- `prompt`: 提示词模板，支持变量替换
|
||
- `model`: 模型名称
|
||
- `deepseek-chat`: DeepSeek Chat模型（通用对话）
|
||
- `deepseek-coder`: DeepSeek Coder模型（代码生成）
|
||
- `temperature`: 温度参数（0-2），默认0.7
|
||
- `max_tokens`: 最大生成token数，可选
|
||
|
||
### 3. 支持的模型
|
||
|
||
#### DeepSeek Chat
|
||
- 模型名称：`deepseek-chat`
|
||
- 用途：通用对话、文本生成、分析等
|
||
- 推荐场景：日常对话、内容创作、数据分析
|
||
|
||
#### DeepSeek Coder
|
||
- 模型名称：`deepseek-coder`
|
||
- 用途：代码生成、代码解释、代码优化
|
||
- 推荐场景：代码生成、代码审查、技术问答
|
||
|
||
## 示例工作流
|
||
|
||
### 示例1：使用DeepSeek进行文本处理
|
||
|
||
```
|
||
开始 → LLM节点(DeepSeek) → 结束
|
||
```
|
||
|
||
LLM节点配置：
|
||
```json
|
||
{
|
||
"provider": "deepseek",
|
||
"prompt": "请将以下文本翻译成英文：{input}",
|
||
"model": "deepseek-chat",
|
||
"temperature": 0.7
|
||
}
|
||
```
|
||
|
||
### 示例2：使用DeepSeek Coder生成代码
|
||
|
||
```
|
||
开始 → LLM节点(DeepSeek Coder) → 结束
|
||
```
|
||
|
||
LLM节点配置：
|
||
```json
|
||
{
|
||
"provider": "deepseek",
|
||
"prompt": "请用Python编写一个函数，功能是：{input}",
|
||
"model": "deepseek-coder",
|
||
"temperature": 0.3
|
||
}
|
||
```
|
||
|
||
### 示例3：多提供商工作流
|
||
|
||
```
|
||
开始 → LLM节点(OpenAI) → LLM节点(DeepSeek) → 结束
|
||
```
|
||
|
||
可以在同一个工作流中使用不同的提供商，实现：
|
||
- 成本优化（DeepSeek通常更便宜）
|
||
- 结果对比
|
||
- 功能互补
|
||
|
||
## 提供商选择建议
|
||
|
||
### 选择OpenAI的场景
|
||
- 需要最新的GPT-4模型
|
||
- 需要更强的推理能力
|
||
- 预算充足
|
||
|
||
### 选择DeepSeek的场景
|
||
- 需要高性价比
|
||
- 代码生成任务（DeepSeek Coder）
|
||
- 中文场景（DeepSeek对中文支持较好）
|
||
- 需要更快的响应速度
|
||
|
||
## 错误处理
|
||
|
||
如果DeepSeek API调用失败，节点会返回错误信息：
|
||
|
||
```json
|
||
{
|
||
"output": null,
|
||
"status": "failed",
|
||
"error": "DeepSeek API调用失败: 具体错误信息"
|
||
}
|
||
```
|
||
|
||
常见错误：
|
||
- **API Key未配置**：`DeepSeek API Key未配置，请在环境变量中设置DEEPSEEK_API_KEY`
|
||
- **API调用失败**：检查网络连接、API Key有效性、余额等
|
||
- **模型不存在**：检查模型名称是否正确
|
||
|
||
## 注意事项
|
||
|
||
1. **API费用**：DeepSeek通常比OpenAI更便宜，但每次调用仍会产生费用
|
||
2. **API限制**：注意DeepSeek的速率限制和配额
|
||
3. **网络连接**：确保服务器可以访问DeepSeek API（https://api.deepseek.com）
|
||
4. **模型选择**：根据任务类型选择合适的模型
|
||
5. **兼容性**：DeepSeek兼容OpenAI API格式，但某些高级功能可能不支持
|
||
|
||
## 前端配置
|
||
|
||
在前端工作流编辑器中，LLM节点配置面板现在包含：
|
||
|
||
1. **提供商选择**：下拉菜单选择OpenAI或DeepSeek
|
||
2. **模型选择**：根据选择的提供商显示对应的模型列表
|
||
3. **提示词输入**：多行文本输入框
|
||
4. **温度调节**：滑块控制（0-2）
|
||
5. **最大Token数**：数字输入框（可选）
|
||
|
||
## 测试建议
|
||
|
||
1. **配置API Key**：在`.env`文件中设置`DEEPSEEK_API_KEY`
|
||
2. **创建测试工作流**：添加LLM节点，选择DeepSeek提供商
|
||
3. **测试不同模型**：分别测试`deepseek-chat`和`deepseek-coder`
|
||
4. **对比结果**：与OpenAI的结果进行对比
|
||
5. **检查错误处理**：测试API Key错误、网络错误等情况
|
||
|
||
## 后续计划
|
||
|
||
- [ ] 支持更多DeepSeek模型
|
||
- [ ] 支持流式输出（Streaming）
|
||
- [ ] 添加模型性能对比功能
|
||
- [ ] 支持自动选择最优提供商
|
||
|
||
---
|
||
|
||
**状态**: ✅ 已完成
|
||
**时间**: 2024年
|