大模型应用开发五：官网卡顿？Cherry Studio+火山引擎获得满血可联网R1使用体验

一.前言：

• 本文章代码基于该系列前文章，如果是0基础小白建议先学习之前文章，至少把python环境配置完成按照代码流程一步一步进行
• 目前deepseek热度不减，但是官网使用时总是出现“服务器繁忙，请稍后再试”的卡顿现象，大大降低了用户的使用体验。也可以理解，毕竟他们专注于模型能力，且初创公司也没有大规模流量承载的工程经验。好在deepseek开源！！！所以很多大厂都在自己的服务器上部署了满血版deepseek并提供api供下游用户使用，例如阿里百炼、字节火山引擎、硅基流动等。目前小编使用下来，发现火山引擎提供的服务最快也最稳定（至少写稿的当下是这样的……）所以接下来小编将演示如何申请火山引擎的deepseek api以及在第三方平台（以cherry studio和前系列的gradio界面为例）使用。

二.火山引擎API申请

点击该链接：火山方舟大模型体验中心-火山引擎，进入注册界面，输入手机号和验证码就可以进入火山方舟的欢迎界面（tips：该链接是小编的邀请链接，注册后会获得15元的代金券，约可抵扣375万R1模型tokens~）​​​​      这里小编使用的微信APP扫脸认证：实名认证成功后，点击该界面下的开通模型：开通模型之后我们就可以调用R1的api接入第三方平台进行交互。

三.cherry studio介绍及使用

cherry studio是国产的第三方模型调用平台，一站式调用各大主流模型，例如openai系列、deepseek系列等，并且配置简单，特别适合0基础使用，搭建例如个人知识库的AI助理，并且每个模型支持联网，强烈推荐。

官网Cherry Studio - 全能的AI助手，目前支持Windows、macos和Linux，可以按照自己的需求进行选择下载安装，安装过程一直下一步即可，这里不过多赘述。

安装之后进入的界面如下，我们点击左下方的设置，找到火山引擎：

这里的api密钥填入刚才我们申请的R1密钥即可，点击右方的“检查”确定后显示“连接成功”后说明配置成功！！！

之后在聊天界面的默认助手里，点击上方的模型即可切换我们刚才的R1模型，切换后模型我们即可流畅的与R1进行对话！！！

Tips：cherry studio有很多好玩的设置，例如联网搜索、知识库配置、智能体配置等，有兴趣的伙伴可以多多探索一下。

四.基于gradio界面的调用

如果看了小编之前的模型开发系列，便会立马想到也可以使用我们的基于gradio界面调用api与R1进行交互。

我发现很多厂商（如火山引擎、XAI）不再支持小于1.0.0版本的openai调用规则，之前的代码示例都是0.28版本的，所以这里我们先升级一下，在终端输入：

pip install --upgrade openai ，等待升级成功即可。

完整代码如下：

from openai import OpenAI
import gradio as gr



OPENAI_API_KEY = "e****7ea" 
OPENAI_API_BASE = "https://ark.cn-beijing.volces.com/api/v3/"

client = OpenAI(
    api_key=OPENAI_API_KEY,
    base_url=OPENAI_API_BASE
)

# 添加自定义CSS样式
custom_css = """
<style>
details {
    background: #f8f9fa;
    padding: 10px;
    border-radius: 5px;
    margin: 5px 0;
}

details > summary {
    cursor: pointer;
    padding: 8px;
    user-select: none;
}

details[open] > summary {
    margin-bottom: 10px;
}

.reasoning-text {
    font-size: 0.85em;
    color: #666;
    white-space: pre-wrap;
    line-height: 1.5;
}

.answer-text {
    font-size: 1.1em;
    line-height: 1.6;
}
</style>
"""

def chat_with_llm(message, history):
    history = history or []
    # 构建完整的对话历史
    prompt = []
    for human, assistant in history:
        prompt.append({"role": "user", "content": human})
        prompt.append({"role": "assistant", "content": assistant})
    prompt.append({"role": "user", "content": message})
    
    try:
        reasoning_content = ""
        content = ""
        for chunk in client.chat.completions.create(
            model="deepseek-r1-250120",
            messages=prompt,
            temperature=0.7,
            stream=True
        ):
            delta = chunk.choices[0].delta
            # 打印调试信息
            print(f"Chunk delta: {delta}")
            
            # 检查并更新 reasoning_content
            if hasattr(delta, 'reasoning_content') and delta.reasoning_content:
                reasoning_content += delta.reasoning_content
            
            # 检查并更新 content
            if hasattr(delta, 'content') and delta.content:
                content += delta.content
            
            # 每次更新都yield完整的内容
            current_response = ""
            if reasoning_content:
                current_response += f"""
<details>
<summary>💭 思维链（点击展开/折叠）</summary>
<div class="reasoning-text">
{reasoning_content}
</div>
</details>
"""
            if content:
                current_response += f'\n\n<div class="answer-text">\n{content}</div>'
            
            if current_response:
                yield current_response

    except Exception as e:
        print(f"Error details: {str(e)}")  # 打印详细错误信息
        yield f"发生错误: {str(e)}"

# 创建一个支持流式输出的Gradio界面
with gr.Blocks(css=custom_css) as demo:
    gr.Markdown("# DeepSeek AI 助手")
    gr.Markdown("欢迎与AI助手进行对话")
    
    chatbot = gr.Chatbot(
        height=600,
        render_markdown=True,
        bubble_full_width=False,
        show_label=False,
        sanitize_html=False, 
    )
    msg = gr.Textbox(label="输入消息", placeholder="请输入您的问题...")
    clear = gr.Button("清除对话")

    def user(user_message, history):
        return "", history + [[user_message, None]]

    def bot(history):
        history[-1][1] = ""
        for partial_response in chat_with_llm(history[-1][0], history[:-1]):
            history[-1][1] = partial_response
            yield history

    msg.submit(user, [msg, chatbot], [msg, chatbot], queue=False).then(
        bot, chatbot, chatbot
    )
    clear.click(lambda: None, None, chatbot, queue=False)

if __name__ == "__main__":
    demo.launch(share=True)

实现效果如下：（思维链的输出UI不太美观，有兴趣的伙伴可以结合AI完善一下UI）

五.总结

目前适合普通用户的满血R1的解决方法就是第三方平台API+第三方平台调用，自己本地部署满血R1对电脑配置要求太高了……

希望对大家有帮助~

下一篇我打算好好介绍下cherry studio的用法，特别是如何配置知识库，那样就有一个拥有个人数据的AI小助理了~