How-to76°

DeepSeek 开放全家桶 API:联网搜索、文件输入、OCR、TTS 全部可直接调用

真狠啊,DeepSeek 开放全家桶 API。

Why we picked it

DeepSeek 把搜索、读链接、OCR、语音这些能力全做成 API 了,还配套开源了网页 demo。作者拿自己的 RAG 项目实测接入,代码和踩坑点都写了出来。想给自己的应用加联网检索能力的开发者可以直接照着抄。

DeepSeek 把 App 和网页端的应用层能力全部通过官方 API 开放,涵盖联网搜索、深度思考搜索、阅读链接、文件输入、内容安全审核,以及 search、fetch、OCR、ASR、TTS 五个独立接口。其中 ASR 支持 21 种语言,TTS 内置男女两种音色并可边合成边播放。API 同时兼容 Anthropic Messages、OpenAI Responses 和 OpenAI Chat Completions 三种协议。

Body

内置工具在请求里声明即可由服务端执行,比如 deepseek_web_search 会自动搜网页并标注来源,deepseek_read_url 会自动读取用户贴的链接正文。官方还开源了一个网页版 chat-demo,填入 API Key 就能一比一复刻官方界面,其网页正文通过加密 signature 字段在多轮对话间传递以还原上下文。

文章作者以 RAG 知识库项目「派聪明」做了接入实践:由于内置工具不能与自定义工具混用,改用独立的 search 和 fetch 接口封装成工具,搜索时传 need_content=false 只读摘要以省 Token,模型再按需打开网页全文。回答中外部来源显示为卡片并支持一键存入知识库。

Original · 掘金本周最热

真狠啊,DeepSeek 开放全家桶 API。

大家好,我是二哥呀。 真狠啊,DeepSeek 把 App 和网页端用到的应用层能力,全部通过官方 API 的形式开放了。 这意味着,联网搜索、深度思考搜索、文件输入、阅读链接、内容安全审核,以及 Search、Fetch、OCR、ASR、TTS 这些能力,我们都可以直接拿来用了。 甚至官方怕我们不会用,直接开源了一个网页版的 DeepSeek,填上 API Key,就能一比一复刻。 这什么开源精神啊! 我滴妈呀,梁圣伟大啊。除了 TTS 和 ASR,我已经全部接入派聪明实践了一波。 希望 DeepSeek 以后再出个 Embedding 模型,视频制作方面和文本方面的能力再加强一下,就很无敌了。 01、全家桶 API 包括哪些 来仔细看看全家桶 API 都包括哪些能力吧。 DeepSeek 支持三种协议,即 Anthropic Messages 、 OpenAI Responses 和 OpenAI Chat Completions 。 在这三种协议上,DeepSeek 内置了多项由服务端直接执行的能力,我们只需要在请求里声明一下,剩下的事情全部由 DeepSeek 搞定,我挑最核心的五个给大家一一解释下。 联网搜索:声明 deepseek_web_search 工具,模型会根据需要自动搜索网页或图片,并在回答里标注来源 深度思考搜索:在思考模式下声明同一个工具,模型会在推理过程中自己搜索、打开网页、在网页里查找内容 阅读链接:声明 deepseek_read_url 工具后,用户在消息里贴的链接,模型会自动打开并读取正文 文件输入:先上传 PDF、Word、PPT、Excel、电子书、代码或图片,拿到文件 ID 后放进对话消息,模型就能根据文件内容回答 内容安全:服务端会审核模型的输入和完整输出,发现风险时直接拒答 另外,DeepSeek 还把五项底层能力做成了独立的调用接口,可以轻松接入到你的 Agent 项目里。 网页搜索 search :返回搜索结果和摘要,每条结果附带相关度和权威度评分,方便筛选 网页抓取 fetch :给一个网址,返回 Markdown 格式的网页正文,前两项也是之前已经开放的能力。 文字识别 ocr :识别 PDF、Office 文档和图片里的文字,并返回文字所在的位置 语音识别 asr :把语音转成文字,支持普通话、粤语、英语、日语等 21 种语言 语音合成 tts :把文字转成语音,内置一男一女两种音色,可以边合成边播放 各项工具的计费方式我也帮大家整理好了,定价良心得很。 02、联网搜索 派聪明是一个 RAG 知识库项目,原来只能根据用户上传的文档回答问题。用户问知识库里没有的内容,比如最新的版本发布、新闻、官方文档,模型就答不上来。 接入 search 和 fetch 之后,这个问题就迎刃而解了。方法很简单,把这两个接口封装成两个工具交给模型就可以了。 web_search :先搜索,只看每条结果的摘要 read_url :摘要不够用时,再打开网页阅读全文 代码大概是这样的: public JsonNode search (String query) { if (query == null || query.isBlank() || query.codePointCount( 0 , query.length()) > 128 ) throw new IllegalArgumentException ( "搜索词须为 1 至 128 个字符" ); return execute(client().post().uri( "/v1/tools/search" ).contentType(MediaType.APPLICATION_JSON) .bodyValue(Map.of( "query" , query, "count" , 5 , "need_content" , false )).retrieve().bodyToMono(JsonNode.class), properties.getTimeoutSeconds()); } public JsonNode fetch (String url) { validatePublicUrl(url); return execute(client().post().uri( "/v1/tools/fetch" ).contentType(MediaType.APPLICATION_JSON) .bodyValue(Map.of( "url" , url)).retrieve().bodyToMono(JsonNode.class), properties.getTimeoutSeconds()); } 搜索时传 need_content = false ,只读取摘要,不读取网页全文;这样做的好处是省 Token。模型先看摘要判断哪篇内容有用,只读取真正需要的网页,不会把一堆无关网页的正文全塞进上下文。 为什么不直接用对话接口内置的 deepseek_web_search ? 因为 DeepSeek 规定,内置工具和自己定义的工具不能在同一个请求里混用。派聪明还要调用自己的知识库检索工具,所以只能选独立接口。如果你做的只是一个普通的聊天客户端,用内置工具更省事。 官方开源的 chat-demo 用的就是内置工具,翻看它的对话处理逻辑,能看到它在多轮上下文里的做法。 内置的阅读链接工具在抓取完网页后,返回结果里的正文数据是空的,网页正文被服务端加密后存进了签名字段( signature )。 到了下一轮对话,前端会把上一轮的思考过程和搜索结果全部删掉,只把网页读取记录连同签名原样传回去。 if ( block. type === 'server_tool_use' && block. kind === 'read_link' && !unsignedReadLinks. has (block. id ) ) { const { type , id, name, input, kind } = block content. push ({ type , id, name, input, kind }) } else if ( block. type === 'web_fetch_tool_result' && block. kind === 'read_link' && !unsignedReadLinks. has (block. tool_use_id ) ) { content. push (block) } 服务端收到这个签名后,会在内部解密还原网页内容并拼接回上下文。 来看看派聪明接入联网搜索接口后的实际效果。 在会话输入框左下角打开「联网搜索」开关,提问后,模型会同时查知识库和外网,回答里的引用会统一编号。外部网页会显示成来源卡片,卡片上有抓取时间和被引用的原文片段,方便核对。 卡片右上角还有一个「存入知识库」按钮。看到有价值的网页,点一下就能存进自己的知识库,下次直接检索。 03、附件问答 用户手里有一份 PDF,想临时问几个问题,并不想把它放进知识库。这种情况用 Files API 就行,效果和在 DeepSeek 网页端“上传附件再提问”完全一样。 用法分三步: 上传文件,用 purpose 字段指定解析方式 拿到返回的文件 ID 提问时,把文件 ID 和问题放在同一条用户消息里发给模型 解析方式有三种,按文件类型选择最合适的。 user_data :适合纯文本、代码、表格和电子书,免费 text_recognition :适合 PDF、Word、PPT 和图片,只提取文字,图表会被丢弃 rich_layout_recognition :适合带图表的文档,文字和图表会一起交给模型,模型能看懂图 注意,上传时 purpose 字段必须放在 file 字段前面,否则接口会报错。 派聪明在会话输入框右下角加了一个回形针按钮,用来上传临时附件。提问时,把问题和文件 ID 放进同一条用户消息的 content 数组就行: if (!attachments.isEmpty()) { List<Map<String, Object>> content = new ArrayList <>(); content.add(Map.of( "type" , "text" , "text" , userMessage + "\n本轮临时附件:" + attachments.stream().map(a -> a.getFileName()).toList() + "。回答时注明附件名,未提供的页码不要编造。" )); attachments.forEach(a -> content.add(Map.of( "type" , "file" , "file_id" , a.getRemoteFileId()))); messages.get(messages.size() - 1 ).put( "content" , content); } 实际接入时有两个工程细节需要处理。 第一,Files API 按文档页数一次性收费,但接口返回的 JSON 里只有文件 ID 和字节数,不返回页数。如果用户传了一份带密码的 PDF 或者几百页的大文件,原样发给上游不仅会报错,超长文档还会浪费大量 Token。所以派聪明在上传前加了一个预处理,用 PDFBox 和无头 LibreOffice 在本地先计算清楚实际的页数、并拦截加密文件,确认合规后再调用 /files 接口。 第二,文件是在上传请求里同步完成解析的,解析完才返回响应。如果用户上传到一半关掉了网页,连接虽然断了,DeepSeek 服务端还是会把这份文件解析完并照常扣费。为此,派聪明在上传时会生成一个唯一的任务文件名,万一中途超时断开,后台恢复任务会调用 GET /files 接口去查这个文件名,查到文件已经生成就把 file_id 认领回来,避免用户重传时浪费 Token。 04、OCR Files API 解析出来的内容不能下载,没法切块存进知识库。所以入库这一步,要用 OCR。 这次,我用 DeepSeek OCR 替换掉了原来的阿里云 OCR。之前我就开了一周阿里的 OCR,消耗了 500 多块钱,真的贼贵,这次我也想观察一下 DeepSeek 效果到底好不好。 扫描版 PDF 上传后,每一页的文字都会被识别出来,再切块存进知识库。 DeepSeek OCR 返回的不只是纯文本,它会在每一段文字外面包上 <ref> 和 <box> 标签,比如 <ref>标题<ref><box>[[52, 40, 948, 96]]<box> 。 派聪明会用正则表达式提取出这些标签后,再计算出图片的真实宽高,就能还原出每一行字在页面上的精确位置,保证排版。 for (JsonNode page : ocr.recognize(bytes).path( "pages" )) { String raw = page.path( "text" ).asText( "" ); var matcher = BLOCK.matcher(raw); while (matcher.find()) { String text = matcher.group( 6 ).trim(); if (text.isEmpty()) text = matcher.group( 1 ).trim(); if (text.isEmpty()) continue ; List<Double> bbox = List.of(coordinate(matcher.group( 2 ), image.getWidth()), coordinate(matcher.group( 3 ), image.getHeight()), coordinate(matcher.group( 4 ), image.getWidth()), coordinate(matcher.group( 5 ), image.getHeight())); results.add(Map.of( "text" , text, "bbox" , bbox, "confidence" , 1.0 )); } } 不过只有 OCR 还不够。 技术文档和财报里经常会有一些架构图、折线图和流程图,OCR 只能识别出文字,箭头指向哪里、曲线怎么变化,是看不懂的。 如果把每一页都截图喂给视觉模型,成本又太高。派聪明在文档解析时,会先用 PDFBox 扫描每一页的底层绘图指令,只有检测到页面里有嵌入图片或画线时,才把这一页渲染成 PNG,交给 deepseek-flash 生成一段文字描述,和正文一起存进知识库。 模型生成的描述可能会漏掉一些细节,所以派聪明又加了一步,问答时如果检索到了带图的内容,就把原图转成 Base64 一起塞进上下文,让模型对照原图核实之后再回答。 byte [] png = visualEvidence.image(userId, result.getUserId(), result.getFileMd5(), result.getChunkId()); blocks.add(Map.of( "type" , "text" , "text" , "以下是来源#" + number + "(" + result.getFileName() + ")的原图证据。" + "请对照原图核实视觉描述,不能读取的细节明确说明。" )); blocks.add(Map.of( "type" , "image_url" , "image_url" , Map.of( "url" , "data:image/png;base64," + java.util.Base64.getEncoder().encodeToString(png)))); 回答下方还有一个「查看原图」按钮,用户点开就能自己核对。 05、语音 语音输入要注意格式。DeepSeek 的语音识别接口只接收 16 位 PCM WAV 或 Ogg Opus 格式的音频,而浏览器自带的 MediaRecorder 录出来的大多是 WebM 格式,原样发过去会报 400 错误。 chat-demo 的录音模块绕开了 MediaRecorder ,改用 Web Audio API 按 16000 Hz 采样率采集单声道音频,录完后在前端拼接上 44 字节的 WAV 文件头,再生成符合要求的 WAV 音频。 朗读时用的流式合成,服务端生成第一段音频就开始返回 24000 Hz 的 16 位 PCM 字节流,浏览器收到一段播一段,用户不用等整段语音合成完才能试听。 处理音频流时有一个字节对齐问题。 一个 16 位音频采样点占 2 个字节,而网络传输的分片长度是不固定的,如果某个数据包刚好停留在奇数个字节上,后面的字节会错位,出来的就是刺耳的电流噪音。来看看 DeepSeek 语音朗读模块是怎么处理的。 const bytes = new Uint8Array (rest. length + value. length ) bytes. set (rest) bytes. set (value, rest. length ) const samples = toFloat32 (bytes) rest = bytes. slice (samples. length * 2 ) if (samples. length === 0 ) { continue } const buffer = context. createBuffer ( 1 , samples. length , TTS_SAMPLE_RATE ) buffer. copyToChannel (samples, 0 ) const source = context. createBufferSource () source. buffer = buffer source. connect (context. destination ) nextTime = Math . max (nextTime, context. currentTime + (lastSource ? 0 : START_DELAY )) source. start (nextTime) nextTime += buffer. duration lastSource = source 它会把当前数据包末尾多出来的 1 个奇数字节暂存起来,拼到下一个数据包的开头再转成音频样本,然后按播放时间轴一段接一段顺序播放,听起来就跟完整音频一样。 ending 把 DeepSeek 这套全家桶 API 接进派聪明之后,我最大的感受是省心。 以前的 OCR 接的是阿里云,联网搜索接的是智谱, TTS 用的火山引擎,搞不同的功能,就得去不同的平台开账号、配置权限、引入第三方 SDK,还要保证鉴权和异常重试。 现在好,一个 DeepSeek 就全搞定了。 关键是 DeepSeek 的口碑海内外都有目共睹,确实在开源这一块无敌。 给 DeepSeek 鼓个掌,加个油吧,冲! 我们下期见。

Industry Coordinates & Source Verification

This report is categorized under AITOP's "How-to" desk, focusing on China's AI industry and domestic foundation model ecosystem. Within our cross-regional analytical framework, it directly maps to AI developer toolchains, coding agents, and engineering workflows. Key entities and technical topics under continuous tracking include DeepSeek, RAG, MCP and tools, AI search.

Source attribution: curated from 掘金本周最热 (@沉默王二).