上一篇文章中，我们确定了 本地逻辑引擎加云端大模型 的技术架构。如果把这套系统比作一辆高性能跑车，那么本地部署的 Dify 和 n8n 就是引擎和底盘，而大模型的 API 就是驱动车辆前行的燃油。

在正式安装 Docker 环境之前，我们需要先准备好这桶燃油。本篇文章将手把手带领大家完成 DeepSeek 官方以及第三方聚合平台 SiliconFlow 的账号注册与密钥获取。我们将深入探讨 API Key 的安全管理、Token 的计费逻辑以及如何通过代码测试接口的连通性。

我们这样做不仅能确保后续实战顺利进行，还能让你在面对账单时心中有数。

一、 为什么我们需要多个 API 供应商

很多开发者习惯于只绑定一家模型厂商的 API，但在生产环境或者高强度的开发测试中，这往往存在风险。

我们推荐同时配置 DeepSeek 官方 API 和 SiliconFlow 硅基流动 API，这基于以下几点考虑。

稳定性与冗余

任何云服务都无法保证 100% 的在线率。当 DeepSeek 官方服务器进行维护或遭遇突发流量高峰时，接口可能会出现超时或 503 错误。SiliconFlow 作为第三方模型推理平台，它部署了 DeepSeek 的权重模型，提供了独立的算力资源。当官方接口不稳定时，我们可以无缝切换到 SiliconFlow，确保工作流不中断。

成本与羊毛

DeepSeek 官方的定价已经非常亲民，但 SiliconFlow 为了争夺市场，经常提供极具吸引力的优惠政策。例如，他们可能会对某些版本的 DeepSeek 模型提供每日免费额度，或者对新注册用户赠送高额的体验金。我们在做开发调试时，可以优先消耗这些免费额度，进一步降低试错成本。

并发性能

不同的供应商对 API 的限流策略 QPS 不同。官方可能限制每分钟 60 次请求，而聚合平台可能提供更高的并发支持。在运行 n8n 的批量处理任务时，拥有多个渠道可以让我们通过轮询的方式突破单一渠道的速率限制。

二、 DeepSeek 官方平台接入指南

DeepSeek 深度求索是目前国产大模型中技术实力最硬核的厂商之一。接入官方 API 是最稳妥的选择，因为官方总是第一时间支持最新的模型版本，比如 V3 或 R1 推理模型。

步骤 1 注册与实名认证

你需要访问 DeepSeek 的开发者开放平台。通常情况下，国内的大模型服务都需要进行手机号注册。部分敏感功能可能需要完成实名认证，这是符合国内合规性要求的。

https://platform.deepseek.com/

步骤 2 创建 API Key

登录控制台后，找到 API Keys 菜单。点击创建新的 API Key。

这里有一个非常重要的安全常识。API Key 只在创建时显示一次。一旦你关闭了弹窗，就再也无法查看完整的密钥内容了。所以，请务必在生成后立即将其复制并保存在安全的地方，比如密码管理软件中。

步骤 3 充值与余额预警

虽然 DeepSeek 会赠送一定的初始额度，但为了保证服务不中断，建议充值少量的余额，比如 10 元或 20 元。

在控制台的 充值管理 页面，我们可以设置 余额预警阈值。比如设置为 5 元。当账户余额低于这个数字时，系统会通过短信或邮件通知你。你看，我们这样做就能避免半夜服务突然挂掉的尴尬情况。

步骤 4 理解 Base URL

在调用 API 时，除了 Key，还需要知道接口地址。DeepSeek 官方通常兼容 OpenAI 的协议格式。这意味着我们在 Dify 或 n8n 中配置时，可以直接使用 OpenAI 的 SDK，只需要将 Base URL 修改为 DeepSeek 提供的地址即可。通常格式为 https://api.deepseek.com。

三、 硅基流动 SiliconFlow 接入指南

SiliconFlow 是目前国内非常火热的高性能大模型推理平台。它专注于将开源模型（如 Qwen DeepSeek Llama）进行极致的推理加速，并以 API 的形式提供服务。

步骤 1 注册并领取赠金

访问 SiliconFlow 官网进行注册。通常新用户注册后会立即获得一笔体验金。这笔资金足够我们支撑整个专栏的学习和调试过程。

官网地址 https://cloud.siliconflow.cn/i/ogRSfZhP

步骤 2 获取 Access Token

在 SiliconFlow 的控制台，密钥被称为 Access Token。创建流程与 DeepSeek 类似。我们需要创建一个新的 Token，并设置描述为 AI Workflow 以便区分用途。

步骤 3 选择模型与节点

SiliconFlow 提供了多种规格的 DeepSeek 模型。比如 deepseek-ai/DeepSeek-V3 和 deepseek-ai/DeepSeek-R1。

值得注意的是，SiliconFlow 有时会提供 Pro 版和普通版。Pro 版通常意味着更高的稳定性和更长的上下文窗口，而普通版可能更便宜甚至限时免费。我们需要记录下这些具体的 Model Name，因为在后续配置 Dify 时，我们需要精确填写模型名称。

四、 从 HTTP 协议视角理解 API 调用

对于有经验的开发者来说，仅仅知道在哪里复制 Key 是不够的。我们需要理解 API 调用的底层逻辑。无论我们使用 Dify n8n 还是 Python 代码，本质上都是在发送 HTTP 请求。

搞懂这一点，你在后续遇到 401 或 403 错误时，就能迅速定位问题。

Authorization Header 鉴权机制

几乎所有的大模型 API 都遵循 Bearer Token 鉴权标准。

当我们发起请求时，必须在 HTTP Header 中包含如下字段。

Authorization Bearer sk-xxxxxxxx

其中 sk-xxxxxxxx 就是你刚才申请的 API Key。Dify 和 n8n 的底层就是在帮你自动封装这个 Header。如果你的 Key 填错了，或者复制时多了一个空格，服务器就会返回 401 Unauthorized 错误。

Request Body 请求体结构

一个标准的大模型请求体通常是一个 JSON 对象。它至少包含两个核心参数。

model 指定你要调用的模型名称，例如 deepseek-chat。

messages 这是一个列表，包含对话的历史上下文。

stream 布尔值。如果设置为 true，服务器会像打字机一样一个字一个字地返回内容（流式传输）；如果为 false，服务器会等所有内容生成完了一次性打包返回。

在 Dify 中，系统默认开启流式传输以提高用户体验。而在 n8n 的某些自动化节点中，我们可能更希望关闭流式传输，以便一次性获取完整的 JSON 结果进行处理。

五、 Token 计费逻辑与成本控制实战

新手最容易产生恐慌的就是 Token 计费。一个 Token 到底是多少钱？一篇文章到底消耗多少 Token？

Token 并非字符

大模型并不直接理解汉字或单词，它理解的是 Token。

在英文语境下，一个单词大约对应 0.75 个 Token。

在中文语境下，情况稍微复杂一些。DeepSeek 的分词器效率很高，通常 1 个汉字对应 0.6 到 0.8 个 Token。也就是说，1000 个汉字大约消耗 700 到 800 个 Token。但为了保守估算，我们在做成本预算时，通常按 1 汉字等于 1 Token 来计算，这样只会多算不会少算。

输入与输出价格差异

Token 的价格分为 Input（输入） 和 Output（输出）。

输入 Token 指的是你发送给模型的 Prompt，加上历史对话记录，加上上传的文档内容。

输出 Token 指的是模型生成的回答。

通常情况下，输入 Token 的价格远低于输出 Token。DeepSeek 的定价策略往往是 Input 极其便宜，Output 稍贵。

实战算账

假设 DeepSeek V3 的定价如下（仅为假设，具体以官网为准）。

输入 1元 每百万 Token。

输出 2元 每百万 Token。

如果你每天运行一个日报生成任务。

输入了 2000 字的今日工作记录。

模型输出了 500 字的日报。

总计消耗约为 2500 Token。

如果你跑了 400 次，也就是生成了 400 份日报，总共消耗 100 万 Token。

这时候你才花了不到 3 元钱。

上下文陷阱

这里有一个新手常犯的错误。大模型是无状态的，为了让它记住之前的对话，Dify 会把之前的 10 轮对话全部打包放到 Input 里发给模型。

这意味着，随着对话轮数的增加，Input Token 的数量会呈线性甚至指数级增长。

比如第 1 轮，Input 是 100 Token。

第 10 轮，Input 可能就是 1000 Token（因为包含了前 9 轮的内容）。

虽然单次看起来不贵，但累积起来也是一笔开销。

解决方案 是在 Dify 中设置 记忆窗口。比如只保留最近 5 轮对话，或者启用 Dify 的 对话摘要 功能。系统会自动把久远的对话总结成一段简短的摘要，从而大幅压缩 Token 消耗。

六、 编写第一个 Python 脚本测试连通性

光说不练假把式。在配置 Dify 之前，我们需要在本地用 Python 写一个最简单的脚本，验证我们申请的 API Key 是否有效，以及网络是否通畅。

请在你的电脑上创建一个名为 test_api.py 的文件。我们将分别测试 DeepSeek 官方和 SiliconFlow 的接口。

你需要安装 OpenAI 的 Python SDK，因为它是目前的事实标准，绝大多数国产模型都兼容它。

pip install openai

import os
from openai import OpenAI

# 配置说明
# 你需要将下面的 key 替换为你自己申请的真实密钥
# 建议在实际开发中使用环境变量 os.getenv("API_KEY") 以保证安全

def test_deepseek_official():
    print("--- 正在测试 DeepSeek 官方 API ---")
    client = OpenAI(
        api_key="sk-你的DeepSeek官方Key", 
        base_url="https://api.deepseek.com"
    )

    try:
        response = client.chat.completions.create(
            model="deepseek-chat",
            messages=[
                {"role": "system", "content": "你是一个测试助手"},
                {"role": "user", "content": "你好，请回复'官方接口连接成功'"}
            ],
            stream=False
        )
        print(f"响应结果 {response.choices[0].message.content}")
        print("测试通过 \n")
    except Exception as e:
        print(f"测试失败 错误信息 {e} \n")

def test_siliconflow():
    print("--- 正在测试 SiliconFlow 硅基流动 API ---")
    # SiliconFlow 的 base_url 通常为 https://api.siliconflow.cn/v1
    client = OpenAI(
        api_key="sk-你的SiliconFlowKey",
        base_url="https://api.siliconflow.cn/v1"
    )

    try:
        # 注意 SiliconFlow 的模型名称可能很长，需要去官网确认
        # 这里以 deepseek-ai/DeepSeek-V3 为例
        response = client.chat.completions.create(
            model="deepseek-ai/DeepSeek-V3",
            messages=[
                {"role": "user", "content": "你好，请回复'硅基流动接口连接成功'"}
            ],
            stream=False
        )
        print(f"响应结果 {response.choices[0].message.content}")
        print("测试通过 \n")
    except Exception as e:
        print(f"测试失败 错误信息 {e} \n")

if __name__ == "__main__":
    test_deepseek_official()
    test_siliconflow()

运行结果说明

运行该脚本后，如果控制台分别打印出 “官方接口连接成功” 和 “硅基流动接口连接成功”，说明你的网络环境正常，且 API Key 有效。

如果出现 ConnectTimeout 错误，说明你的网络无法访问 API 地址，请检查是否需要配置代理。

如果出现 AuthenticationError，请仔细检查 Key 是否复制完整。

安全提示

在上面的代码中，我们为了演示方便直接把 Key 写在了代码里。但在正式的工程中，严禁硬编码 API Key。一旦你把包含 Key 的代码上传到 GitHub，你的余额可能在几分钟内被黑客脚本刷光。

正确的做法是将 Key 写入 .env 文件或系统的环境变量中，然后在代码中通过 os.getenv 读取。我们在后续的 Dify 部署章节中，也会强调这一点。

七、 总结

恭喜你，现在你已经手握开启 AI 世界的钥匙。

在这篇文章中，我们完成了 DeepSeek 和 SiliconFlow 双供应商的注册，理解了 API 背后的 HTTP 调用逻辑，搞清楚了 Token 是怎么扣费的，并且通过 Python 代码验证了我们的弹药库。

不管后续的 Dify 知识库切片有多大，或者 n8n 的自动化任务跑得有多快，我们都知道每一分钱花在了哪里，并且随时有备用的 API 通道可以切换。