前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >扣子Coze如何接入DeepSeek-R1节点?

扣子Coze如何接入DeepSeek-R1节点?

作者头像
陈宇明
发布于 2025-02-26 13:47:43
发布于 2025-02-26 13:47:43
29000
代码可运行
举报
文章被收录于专栏:设计模式设计模式
运行总次数:0
代码可运行

前言

DeepSeek- R1已经火爆全球了,详细可见《DeepSeek火爆原因,使用方法及接入API全解析》那么在扣子Coze如何拥有DeepSeek- R1?我们可以通过自定义插件来接入。

如何自定义插件?

首先回到扣子空间主页,选择「资源库」然后点击右上角「+资源」选择「插件」。

输入名称(deepseek)、描述(deepseek调用)、选择(云侧插件 - 在 Coze IDE 中创建)。

在进入插件详情页创建工具,输入工具名称和工具介绍。

创建完成后,前往API文档地址:

https://api-docs.deepseek.com/zh-cn/guides/reasoning_model

请求参数

  • 密钥(APIKey)
  • 模型编码(model)
  • 问题(messages)

返回参数

  • 思维链内容(reasoning_content
  • 最终回答(content

我们先来整体了解下自定义插件的页面功能区域,从左到右

  • 第一个区域:
    • 工具列表:一个插件里面可以有多个方法
    • 依赖包:在编码时可以用多个第三方依赖包
  • 第二个区域:
    • 代码:实现插件的代码内容
    • 元数据:用于配置介绍和代码输入和输入的数据结构
  • 第三个区域:
    • 输入:输入参数后点击「运行」即可执行代码
    • 输出:代码执行后的输出结果会在输出区域

然后开始动手是现实下DeepSeek推理模型的接入

  1. 切换到元数据添加输入参数和输出参数
  1. 找到左下角依赖包添加输入openai查找到第一个选中添加
  1. 编写调用代码
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
// 引用依赖包
import OpenAI from "openai";
export async function handler({ input, logger }: Args<Input>): Promise<Output> {
  // 定义请求地址
  const API_URL = 'https://api.deepseek.com';
  // 定义密钥
  const API_KEY = input.key;
  // 定义问题
  const COMMAND = input.command;
  // 构建初始化参数
  const openai = new OpenAI({
    baseURL: 'https://api.deepseek.com',
    apiKey: API_KEY
  });
  // 发送请求
  const completion = await openai.chat.completions.create({
    messages: [{ role: "user", content: COMMAND }],
    model: "deepseek-reasoner",
  });
  console.log(completion)
  // 返回参数
  return{
    data:{
        'reasoning_content':completion.choices[0].message.reasoning_content,
        'content':completion.choices[0].message.content
        }
      }
}

  1. 测试代码

在测试之前我们先要获取密钥(key),如何获取呢?

进入DeepSeek官网 https://www.deepseek.com/

注册并登录账户,进入工作后台

https://platform.deepseek.com/usage

选择API菜单,创建API Keys,并将其复制保存。

获取到key之后输入参数然后进行「运行」

  1. 运行后结果

完整结果:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
{
        "data": {
                "content": "9.9比9.11大。\n\n**分析过程:**\n1. **整数部分相同**:两数的整数部分均为9,故需进一步比较小数部分。\n2. **对齐小数位数**:将9.9补位为9.90,与9.11的小数部分对齐。\n3. **逐位比较小数**:\n   - **十分位**:9.90的十分位是**9**,9.11的十分位是**1**。因9 > 1,无需再比较后续位数。\n4. **结论**:9.90(即9.9)的小数部分更大,因此**9.9 > 9.11**。\n\n**总结**:通过补齐小数位数并逐位比较,可以明确得出9.9更大。",
                "reasoning_content": "嗯,用户问的是9.11和9.9哪个更大。看起来这个问题是关于比较两个小数的大小的。首先,我需要确认用户指的是不是十进制数,也就是常见的数字比较。因为有时候可能会有误解,比如日期或者其他格式,但在这里应该是纯数字比较。\n\n首先,我应该先分别分析这两个数的结构。9.11和9.9都是小数,整数部分都是9,所以需要比较小数部分的大小。小数部分的比较需要将它们的位数对齐,这样才能准确比较每一位上的数字。\n\n对于9.9,可以写成9.90,这样小数部分就有两位,和9.11对齐。这样的话,比较的就是0.90和0.11。显然,0.90比0.11大,所以9.90大于9.11,也就是9.9比9.11大。\n\n不过,可能用户会有疑问,比如为什么要把9.9写成9.90。这时候需要解释,当比较不同位数的小数时,补齐位数可以更清晰地比较每一位上的数字,避免误解。比如,0.9其实是0.90,而0.11是0.11,那么十位上的9比1大,所以整体更大。\n\n另外,可能需要确认用户是否理解小数点后的每一位代表的数值。例如,第一位是十分位,第二位是百分位,第三位是千分位,依此类推。因此,在比较9.11和9.9时,9.11的十分位是1,而9.9的十分位是9,所以即使9.11有更多的百分位数字,但十分位已经决定了它更小。\n\n不过,可能还有一种情况是用户误将9.11写成其他形式,比如时间或者版本号,但通常情况下,数字比较就是十进制数的比较。因此,这种情况下,结论应该是9.9更大。\n\n总结一下,比较的步骤是:\n\n1. 比较整数部分,如果整数部分不同,整数部分大的数更大。\n2. 如果整数部分相同,则比较小数部分,逐位比较,直到找到不同的位数。\n3. 在比较小数部分时,位数不够的可以补零,以便对齐位数。\n\n因此,9.9的整数部分和9.11一样都是9,小数部分9.9是0.90,而9.11是0.11,所以0.90更大,所以9.9大于9.11。\n\n当然,也可能用户会混淆小数点的位置,比如是否将9.11视为9年11个月,而9.9是9年9个月,这种情况下比较时间的话,11个月比9个月大,但这种情况不太常见,而且通常比较时间时不会用小数点来表示月份。所以应该还是数字本身的比较。\n\n另外,可能需要检查是否有其他可能的解释,比如版本号中的9.11和9.9,版本号的比较通常是从左到右逐部分比较,所以9.11可能比9.9大,因为11比9大,但这也取决于版本号的规范。不过通常版本号中的9.11会被视为9.11,而9.9是9.9,所以在版本号中,9.11可能比9.9大。但用户的问题没有说明是版本号,所以应该按照数值比较来处理。\n\n因此,在数值比较中,9.9大于9.11,而在版本号中可能相反。需要确认用户的意图,但通常如果是数学问题,答案应该是9.9更大。\n\n不过,我需要再次确认自己是否正确,避免犯低级错误。例如,将9.9视为9.90,而9.11是9.11,那么小数部分第一位是9和1,显然9比1大,所以9.90更大。是的,没错。所以结论正确。"
        }
}
  1. 测试没有问题后可以点击你右上角发布

发布成功之后我们就可以在工作流节点使用自定义插件

  1. 在工作流中选中插件
  1. 添加插件选中资源库工具进行自定义插件的添加
  1. 添加完成后输入参数运行看结果请求成功

最后

以后任何新的功能API都可以用这种方式去接入。每个模型都有它擅长的地方,只有我们深入了解了它们各自的能力,才能更好地驾驭这些大模型,让它们变成我们手中的利器。这样一来,面对难题时,我们就能游刃有余地找到最佳解决方案。

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2025-01-29,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 码个蛋 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
TensorFlow从1到2(四)时尚单品识别和保存、恢复训练数据
在TensorFlow官方新的教程中,第一个例子使用了由MNIST延伸而来的新程序。 这个程序使用一组时尚单品的图片对模型进行训练,比如T恤(T-shirt)、长裤(Trouser),训练完成后,对于给定图片,可以识别出单品的名称。
俺踏月色而来
2019/04/22
7340
TensorFlow从1到2(四)时尚单品识别和保存、恢复训练数据
TensorFlow从1到2(三)数据预处理和卷积神经网络
从这个例子开始,相当比例的代码都来自于官方新版文档的示例。开始的几个还好,但随后的程序都将需要大量的算力支持。Google Colab是一个非常棒的云端实验室,提供含有TPU/GPU支持的Python执行环境(需要在Edit→Notebook Settings设置中打开)。速度比不上配置优良的本地电脑,但至少超过平均的开发环境。 所以如果你的电脑运行速度不理想,建议你尝试去官方文档中,使用相应代码的对应链接进入Colab执行试一试。 Colab还允许新建Python笔记,来尝试自己的实验代码。当然这一切的前提,是需要你科学上网。
俺踏月色而来
2019/04/21
1K0
使用tensorflow创建一个简单的神经网络
本文是对tensorflow官方入门教程的学习和翻译,展示了创建一个基础的神经网络模型来解决图像分类问题的过程。具体步骤如下
生信修炼手册
2021/07/06
1.1K0
使用tensorflow创建一个简单的神经网络
TensorFlow从1到2(二)续讲从锅炉工到AI专家
原文第四篇中,我们介绍了官方的入门案例MNIST,功能是识别手写的数字0-9。这是一个非常基础的TensorFlow应用,地位相当于通常语言学习的"Hello World!"。 我们先不进入TensorFlow 2.0中的MNIST代码讲解,因为TensorFlow 2.0在Keras的帮助下抽象度比较高,代码非常简单。但这也使得大量的工作被隐藏掉,反而让人难以真正理解来龙去脉。特别是其中所使用的样本数据也已经不同,而这对于学习者,是非常重要的部分。模型可以看论文、在网上找成熟的成果,数据的收集和处理,可不会有人帮忙。 在原文中,我们首先介绍了MNIST的数据结构,并且用一个小程序,把样本中的数组数据转换为JPG图片,来帮助读者理解原始数据的组织方式。 这里我们把小程序也升级一下,直接把图片显示在屏幕上,不再另外保存JPG文件。这样图片看起来更快更直观。 在TensorFlow 1.x中,是使用程序input_data.py来下载和管理MNIST的样本数据集。当前官方仓库的master分支中已经取消了这个代码,为了不去翻仓库,你可以在这里下载,放置到你的工作目录。 在TensorFlow 2.0中,会有keras.datasets类来管理大部分的演示和模型中需要使用的数据集,这个我们后面再讲。 MNIST的样本数据来自Yann LeCun的项目网站。如果网速比较慢的话,可以先用下载工具下载,然后放置到自己设置的数据目录,比如工作目录下的data文件夹,input_data检测到已有数据的话,不会重复下载。 下面是我们升级后显示训练样本集的源码,代码的讲解保留在注释中。如果阅读有疑问的,建议先去原文中看一下样本集数据结构的图示部分:
俺踏月色而来
2019/04/18
5620
TensorFlow从1到2(二)续讲从锅炉工到AI专家
手把手搭建一个【卷积神经网络】
本文介绍卷积神经网络的入门案例,通过搭建和训练一个模型,来对10种常见的物体进行识别分类;使用到CIFAR10数据集,它包含10 类,即:“飞机”,“汽车”,“鸟”,“猫”,“鹿”, “狗”,“青蛙”,“马”,“船”,“卡车” ;共 60000 张彩色图片;通过搭建和训练卷积神经网络模型,对图像进行分类,能识别出图像是“汽车”,或“鸟”,还是其它。
一颗小树x
2021/05/12
1.4K0
手把手搭建一个【卷积神经网络】
深入探索:【人工智能】、【机器学习】与【深度学习】的全景视觉之旅
人工智能(Artificial Intelligence, AI)是计算机科学的一个分支,旨在开发能够模拟或增强人类智能的系统。AI的研究范围广泛,涵盖了从基础算法到复杂系统的开发。
小李很执着
2024/08/14
1270
Fashion_mnist 数据集 图像识别
fashion_mnist 和 mnist 一样,都是深度学习入门用的简单数据集,两者的图片尺寸一样,都是28x28。fashion_mnist的训练集有6万张图片,测试集有1万张图片,全是衣服、鞋、包包之类的图片,共10个类别:
用户6021899
2020/01/17
1.4K0
Fashion_mnist 数据集 图像识别
[Keras深度学习浅尝]实战一·DNN实现Fashion MNIST 数据集分类
Fashion-MNIST是一个替代MNIST手写数字集的图像数据集。 它是由Zalando(一家德国的时尚科技公司)旗下的研究部门提供。其涵盖了来自10种类别的共7万个不同商品的正面图片。Fashion-MNIST的大小、格式和训练集/测试集划分与原始的MNIST完全一致。60000/10000的训练测试数据划分,28x28的灰度图片。你可以直接用它来测试你的机器学习和深度学习算法性能,且不需要改动任何的代码。
小宋是呢
2019/06/27
1.2K0
[Keras深度学习浅尝]实战一·DNN实现Fashion MNIST 数据集分类
一个超强算法模型,CNN !!
大概介绍下:MNIST数字分类项目旨在使用机器学习技术来构建一个模型,能够自动识别手写数字的图像。这个项目是一个经典的图像分类任务,常用于入门级机器学习和深度学习示例。我们会使用MNIST数据集,这个数据集包含了一系列28x28像素的手写数字图像,从0到9。项目的目标是训练一个模型,能够准确地将这些手写数字图像分类到正确的数字标签。
Python编程爱好者
2023/12/05
4150
一个超强算法模型,CNN !!
使用tensorflow构建一个卷积神经网络
本文是对tensforflow官方入门教程的学习和翻译,展示了创建一个基础的卷积神经网络模型来解决图像分类问题的过程。具体步骤如下
生信修炼手册
2021/07/06
8040
使用tensorflow构建一个卷积神经网络
Convolutional Neural Network (CNN)
我自己写的代码和该教程略有不一样,有三处改动,第一个地方是用归一化(均值为0,方差为1)代替数值缩放([0, 1]),代替的理由是能提升准确率
XianxinMao
2021/08/01
3010
TensorFlow Serving
TensorFlow Serving[1] 可以快速部署 Tensorflow 模型,上线 gRPC 或 REST API。
GoCoding
2021/05/06
5870
TensorFlow Serving
MNIST手写数据集
MNIST是一个非常经典的手写数字数据集,由美国国家标准与技术研究所(NIST)在20世纪80年代整理和标注。这个数据集包含了一系列0到9的手写数字图像,用于机器学习中的图像分类任务。MNIST数据集被广泛应用于训练和验证机器学习模型的性能。
大盘鸡拌面
2023/10/22
8440
keras的数字图像识别
https://aistudio.baidu.com/aistudio/projectdetail/1484526
黎明你好
2021/02/08
1.1K0
keras的数字图像识别
【TensorFlow2.x开发—基础】 模型保存、加载、使用
本文主要介绍在TensorFlow2 中使用Keras API保存整个模型,以及如果使用保存好的模型。保存整个模型时,有两种格式可以实现,分别是SaveModel和HDF5;在TF2.x中默认使用SavedModel格式。
一颗小树x
2021/05/15
4.7K0
【TensorFlow2.x开发—基础】 模型保存、加载、使用
针对时尚类MINIST数据集探索神经网络
fashion MNIST数据集可以从Github获取。它包含10种类别的灰度图像,共7000个,每个图像的分辨率均为28x28px。下图以25张带有标签的图片向我们展示了该数据集中的数据。
AI研习社
2019/05/14
1.2K0
TensorFlow的教程
TensorFlow是一个开源的机器学习框架,由Google开发,广泛用于深度学习和人工智能项目。本教程将带你逐步了解如何使用TensorFlow构建一个简单的神经网络,并训练它以进行基本的图像分类任务。在本教程中,我们将介绍TensorFlow的基本概念、构建神经网络的步骤以及如何进行模型训练和评估。
Michel_Rolle
2024/01/31
2.7K0
小白学PyTorch | 15 TF2实现一个简单的服装分类任务
之前的15节课的pytorch的学习,应该是让不少朋友对PyTorch有了一个全面而深刻的认识了吧 (如果你认真跑代码了并且认真看文章了的话) 。
机器学习炼丹术
2020/10/15
9040
小白学PyTorch | 15 TF2实现一个简单的服装分类任务
从【人工智能】到【计算机视觉】,【深度学习】引领的未来科技创新与变革
本文旨在为读者提供一个全面的人工智能学习指南,涵盖从基础概念到高级技术的方方面面。我们将通过理论讲解、代码示例和应用场景分析,帮助读者深刻理解人工智能、机器学习、算法、深度学习和计算机视觉的基本原理和实际应用。
小李很执着
2024/08/20
4660
从【人工智能】到【计算机视觉】,【深度学习】引领的未来科技创新与变革
Deep learning with Python 学习笔记(1)
Python 的 Keras 库来学习手写数字分类,将手写数字的灰度图像(28 像素 ×28 像素)划分到 10 个类别 中(0~9) 神经网络的核心组件是层(layer),它是一种数据处理模块,它从输入数据中提取表示,紧接着的一个例子中,将含有两个Dense 层,它们是密集连接(也叫全连接)的神经层,最后是一个10路的softmax层,它将返回一个由 10 个概率值(总和为 1)组成的数组。每个概率值表示当前数字图像属于 10 个数字类别中某一个的概率 损失函数(loss function):网络如何衡量在训练数据上的性能,即网络如何朝着正确的方向前进 优化器(optimizer):基于训练数据和损失函数来更新网络的机制
范中豪
2019/09/10
1.5K0
Deep learning with Python 学习笔记(1)
相关推荐
TensorFlow从1到2(四)时尚单品识别和保存、恢复训练数据
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档
本文部分代码块支持一键运行,欢迎体验
本文部分代码块支持一键运行,欢迎体验