DeepSeek V3.1：指南与演示项目

了解如何使用 DeepSeek V3.1 和一个 Streamlit 应用，将任意 PDF 转化为交互式研究助理。

已更新 2026年10月6日 · 12分钟阅读

使用 AI 探索

ChatGPT Claude Perplexity

DeepSeek 近日发布了 DeepSeek V3.1，一款大规模混合推理模型，支持“思考（think）”与“非思考（non-think）”两种答复模式，非常适合做交互式文档分析。

本文将重点介绍 DeepSeek V3.1 在理解学术论文方面的代理能力。我会逐步讲解如何通过一个 Streamlit 应用，将任何 PDF 转化为交互式研究助理——我们将涉及：

通过 OpenRouter 的 API 集成 DeepSeek V3.1，以实现可扩展的长文档推理
提取并解析 PDF 文本，以处理任意长度的学术论文
设计一个 Streamlit 应用，让用户可在快速事实回答与深入、基于证据的推理之间切换
在真实研究场景中实现成本跟踪与性能测量
用来自原文的引文为答案提供支撑

完成后，您的应用将如下所示：

什么是 DeepSeek V3.1？

DeepSeek V3.1 是一个拥有 671B 参数的混合型专家混合（Mixture-of-Experts, MoE）模型，同时训练用于“思考”（详尽、有理据）与“非思考”（事实性、简洁）两种答题风格。它支持 128,000 个 token 的上下文窗口，并可通过 OpenRouter 提供的 OpenAI 兼容 API 访问。

来源：DeepSeek

DeepSeek V3.1 的核心特性包括：

长上下文处理：DeepSeek V3.1 能够高效处理超长文档，支持最多 128,000 token 的上下文窗口（超过 100 页），非常适合全面性的论文与报告。
双重推理模式：该模型提供以下两种推理模式：

思考模式：提供详细的、逐步的推理，并直接引用原文证据，便于深入分析与批判。
非思考模式：提供简洁、基于事实的回答，以便快速检索信息与进行快速问答。

混合专家架构：DeepSeek V3.1 结合多个专家子网络，在同一模型内兼顾事实回忆与高级综合能力。
代理与工具增强的工作流：该模型面向代理系统集成设计，并支持外部工具使用，以构建更丰富的多步工作流。
OpenAI 兼容的 API 访问：可通过 OpenRouter 的 OpenAI 兼容 API 访问，使开发者的部署与集成更为直接。

DeepSeek V3.1 演示：论文研究助理

本节将演示我如何使用 DeepSeek V3.1将任意上传的 PDF 论文转化为交互式、由 AI 驱动的研究助理。

其工作方式如下：

上传 PDF 论文并预览提取的文本。
用自然语言询问有关论文的问题。
在“简要解释”（非思考）或“详细解释”（思考）两种答复模式之间进行选择。
即时获得答案，同时显示响应时间、token 使用/成本预估，以及来自原文的支持性引文。

步骤 1：先决条件

在运行本演示之前，请先确认所有先决条件均已就绪。

步骤 1.1：安装依赖

首先，确保安装以下依赖：

pip install streamlit openai pypdf

该命令可确保您具备用于界面、PDF 处理与 API 请求的核心依赖。

步骤 1.2：配置 OpenRouter API 密钥

DeepSeek V3.1 模型可通过多个平台使用，包括DeepSeek 官方 API。不过，我在本演示中使用了OpenRouter，它为多种模型提供统一访问，并且对于本演示而言成本最低。以下是在 OpenRouter 上为 DeepSeek V3.1 设置 API 密钥的步骤：

在 https://openrouter.ai/ 注册账号
进入 Models 标签页，搜索“DeepSeek V3.1”。您也可以选择 base 版本，但它只针对原始的下一个 token 预测进行训练，提示工程会更困难。因此我选择了聊天版本“deepseek/deepseek-chat-v3.1”。

向下滚动并点击Create API Key。填写密钥名称与信用额度（可选），然后点击Create。保存该 API 密钥以备后用。

接着，进入 Credits 标签页，添加您的银行卡或银行账户信息。您也可以通过 Amazon Pay 或加密货币支付。本演示中我充值了约 8 美元，已足够使用。

现在，在运行应用之前将您的 API 密钥设置为环境变量：

export OPENROUTER_API_KEY=your_api_key

选择合适的 API

官方 DeepSeek API 更适合高并发、自动化的工作负载。

对于大多数研究、教育或演示类用例（包括本 Streamlit 论文助理），我更倾向于使用 OpenRouter，因为它更简单灵活，提供可预测的全球定价，无需管理时间窗口限制或缓存逻辑，非常适合临时分析、独特文档查询与便捷协作。

注意：通过 API 使用 DeepSeek V3.1，仅需约 8 GB 内存用于界面，无需在本地托管庞大的 670B 参数模型（否则需要 170+ GB 的磁盘空间和高性能 GPU）。

步骤 2：搭建 Streamlit 应用

为了让用户以友好界面使用 DeepSeek V3.1，我们将采用Streamlit 作为应用框架，并通过 OpenRouter 的 OpenAI 兼容 API 连接模型。

步骤 2.1：配置

本步骤涵盖环境配置、API 认证与基础的 Streamlit 配置。

import streamlit as stimport pypdfimport tempfilefrom openai import OpenAIimport osimport timeimport rest.set_page_config(    page_title="DeepSeek V3.1 Research Assistant",    layout="wide")with st.sidebar:    st.title("Research Paper Assistant")    st.info("Tip: Ask about the methods, findings, or reasoning for best results.")OPENROUTER_API_KEY = os.environ.get("OPENROUTER_API_KEY", "")if not OPENROUTER_API_KEY:    st.warning("Add your OpenRouter API key to an environment variable.")    st.stop()client = OpenAI(    base_url="https://openrouter.ai/api/v1",    api_key=OPENROUTER_API_KEY,)

在上述代码中，st.set_page_config() 用于自定义 Streamlit 应用的页面标题与布局。应用从环境变量中读取 OpenRouter API 密钥，并实例化一个指向 OpenRouter API 端点的 OpenAI 兼容客户端，确保后续的 LLM 调用都能正确路由并为 DeepSeek V3.1 完成认证。

步骤 2.2：辅助函数

在构建主流程前，我们需要稳健的工具函数来处理文档与资源评估。本步骤将定义用于从上传的 PDF 中提取文本、预览文档内容、粗略统计 token 数量，并基于 OpenRouter 的 DeepSeek V3.1 定价估算成本的辅助函数。

def pdf_to_text(uploaded_file):    with tempfile.NamedTemporaryFile(delete=False, suffix=".pdf") as tmp_file:        tmp_file.write(uploaded_file.read())        tmp_path = tmp_file.name    reader = pypdf.PdfReader(tmp_path)    text = ""    for page in reader.pages:        page_text = page.extract_text()        if page_text:            text += page_text + "\n"    return textdef preview_pdf_text(text, max_chars=600):    preview = text[:max_chars]    if len(text) > max_chars:        preview += "\n...\n[Preview truncated]"    return previewdef count_tokens(text):    return max(1, int(len(text) / 4))def estimate_cost(tokens, mode="input"):    if mode == "input":        return tokens / 1_000_000 * 0.20    else:        return tokens / 1_000_000 * 0.80

有了这些辅助函数，我们的后端已充分准备好支持可扩展的研究助理界面：

高效的 PDF 解析：pdf_to_text() 将多页 PDF 处理为纯文本，同时保留页与页之间的边界，使数据更适合作为 LLM 输入与后续处理。
token 计数与成本估算：count_tokens() 提供大致的 token 数，帮助监控相对于 DeepSeek 高上下文窗口的 API 使用量；estimate_cost() 则据此按 OpenRouter 的输入/输出定价将 token 数转换为实时成本反馈，让用户随时了解每次查询的算力预算。
预览生成：preview_pdf_text() 生成截断预览，允许用户在产生模型费用或触发 API 限制前，验证提取内容的完整性与相关性。

在这些构件就位后，我们即可组装完整的 Streamlit 应用，实现面向长上下文、具代理能力的论文问答。

步骤 2.3：Streamlit 应用

在具备核心工具后，我们可以组装主界面，将 PDF 处理、token/成本估算、用户驱动的问答，以及通过 OpenRouter 与 DeepSeek V3.1 的实时交互整合起来。

st.header("Research Paper Assistant")pdf_file = st.file_uploader("Upload your research paper (PDF)", type=["pdf"])if "paper_text" not in st.session_state or st.session_state.get("last_uploaded") != pdf_file:    if pdf_file is not None:        with st.spinner("Extracting text from PDF..."):            st.session_state.paper_text = pdf_to_text(pdf_file)            st.session_state.last_uploaded = pdf_file            st.success(f"PDF uploaded. Total characters extracted: {len(st.session_state.paper_text):,}")            with st.expander("Preview of extracted PDF text:"):                st.code(preview_pdf_text(st.session_state.paper_text), language='markdown')paper_text = st.session_state.get("paper_text")if paper_text:    input_tokens = count_tokens(paper_text)    st.caption(f"Estimated input tokens: {input_tokens:,} (Estimated input cost: ${estimate_cost(input_tokens):.3f})")    question = st.text_area("Ask a question about this paper:", height=80, placeholder="E.g. What are the main findings?")    mode = st.radio(        "Select Mode",        ["Explain in Brief (Non-Think)", "Explain in Detail (Think)"],        horizontal=True,    )    go = st.button("Get Answer", use_container_width=True)    if question and go:        if mode == "Explain in Brief (Non-Think)":            prompt = (                f"{paper_text}\n\n"                f"Question: {question}\n"                "First, answer in a few sentences. Then, quote 1–2 exact sentences from the above paper that best support your answer. "                "Show each quote on a new line."            )            thinking_flag = False            header = "Explain in Brief (Non-Think)"        else:            prompt = (                f"{paper_text}\n\n"                f"Question: {question}\n"                "First, answer in detail with reasoning and evidence. Then, quote 2–3 exact sentences from the above paper that most strongly support your answer. "                "List the quotes after your answer."            )            thinking_flag = True            header = "Explain in Detail (Think)"        with st.spinner(f"Generating answer..."):            start_time = time.perf_counter()            try:                response = client.chat.completions.create(                    model="deepseek/deepseek-chat-v3.1",                    messages=[                        {"role": "system", "content": "You are a helpful research assistant."},                        {"role": "user", "content": prompt}                    ],                    max_tokens=900,                    extra_body={"thinking": thinking_flag},                 )                answer = response.choices[0].message.content.strip()                output_tokens = count_tokens(answer)            except Exception as e:                answer = f"Error: {e}"                output_tokens = 0            end_time = time.perf_counter()            elapsed_time = end_time - start_time            parts = re.split(r"(?:^|\n)(Quotes?:?)", answer, flags=re.IGNORECASE)            if len(parts) >= 3:                main_answer = parts[0].strip()                quotes = parts[2].strip()            else:                main_answer = answer                quotes = None            st.markdown(f"### {header}")            st.info(f"Time taken: {elapsed_time:.2f} seconds | Output tokens: {output_tokens} (Est. output cost: ${estimate_cost(output_tokens, 'output'):.3f})")            st.write(main_answer)            if quotes:                st.markdown("**Supporting Quotes:**")                st.success(quotes)

该 Streamlit 应用实现了一个动态的论文研究助理，使用 DeepSeek V3.1 处理从文档导入到具上下文的 LLM 问答。以下是该应用承担的关键职能：

1. PDF 上传与缓存

用户通过界面上传 PDF 文件，随后：

应用检查 st.session_state 以判断文件是否为新文件。若是，则提取文本并与上传引用一并缓存进 session_state，避免每次交互都重复提取。
提取完成后，会预览文档的前约 600 个字符，并显示字符数、估算的输入 token 与成本等统计信息。

2. 用户提问与模式选择

文档加载后，用户可以输入问题，并在非思考与思考模式间选择，界面会针对不同模式调整提示词指令：

非思考模式：返回简要答案，并附带 1–2 条来自论文的支持性引文。
思考模式：返回详细、以证据为支撑的答案，并附带 2–3 条引文。

3. 提示词工程与 API 调用

当用户点击“Get Answer”时，应用会：

构建具丰富上下文的提示词，将论文内容、问题与答复指令一并注入。
在 OpenRouter API 请求中设置 thinking 参数（extra_body={"thinking": thinking_flag}），确保模型运行在正确的推理模式，而非仅依赖温度控制。
测量每次响应的推理时间、输出 token 数与成本，并予以展示以提升透明度。