无论是 DeepSeek官方，还是像 腾讯元宝 这类自己部署满血版DeepSeek并提供服务的产品，大家在Chat页面都会注意到「深度思考」和「联网搜索」两个按钮。

有朋友之前问我这两个按钮的区别是什么，每次都不知道该不该选。

在聊复刻联网搜索功能之前，先简单给大家介绍一下如何使用。其实核心就是理解两个问题：

1、为什么需要联网搜索？

因为用于模型训练的数据（也就是模型见过的能理解的知识），都是历史数据。

比如DeepSeek-R1是2025.1.20发布的，《哪吒之魔童闹海》是2025.2.14上映的，如果直接问它会得到这个回答（说明训练数据可能只有23年10月之前的）。

所以你的问题中如果希望模型回答的结果能参考最新消息，需要点亮“联网搜索”。

2、为什么需要深度思考？

举个例子更容易理解一些，比如你在做复杂的数学题，是不是需要准备一张“草稿纸”，把自己一步步的思考过程、规划演算都写出来，这样最终才更容易得到正确答案。大模型也一样，“深度思考”可以理解是模型的“草稿纸”。

所以你的问题如果是代码、数学等需要推理演算的类型，需要点亮“深度思考”。

应用背景

进入正题，虽然我们大概能理解“联网搜索”就是“从互联网检索信息后交给模型再做处理”，但是个人一直对其背后具体怎么实现的感到好奇。

而且值得注意的是，在企业内部，中下游团队获取上游信息的时效性有可能滞后于互联网更新速度，特别是上游业务本身就是toC的服务时。比如，游戏公司数据中台团队某天突然监控到收入曲线异常上涨，此时很难快速判断时因为数据错误还是游戏运营做了新的活动，往往都需要问一下活动运营策划或者自行上网检索核实。

所以将企业内部知识库和联网搜索能力相结合，能提高信息的流转效率，可能会是一个比较值得深入研究的应用场景。

方案复刻

首先我们要准备两个API：1、DeepSeek官方API（比较穷部不了满血版，只能用官方API）；2、查询互联网信息的API。

DeepSeek的API

首页右上角API开放平台：DeepSeek Platform

在API keys创建自己的key，格式：sk-7222b***********************d05d

在调用API时需要特别注意的是，如果希望触发“深度思考”，发送请求的model参数填“deepseek-reasoner”，否则填“deepseek-chat”。

查询互联网信息的API

网上找了下，博查API说是DeepSeek的官方搜索供应商，￥0.036/次的价格也不贵，可以选来它搭建demo。

博查AI开放平台 | Search API, Reranker API

申请API后可以测一下效果。王者最新赛季3.27，我在3.26晚用API测试了一下，问的问题是：王者什么时候开新赛季？

API返回的结果长这样：

Top10结果的准确率70%：

当时我去DeepSeek官网搜了下，发现返回的结果不完全一样。

DeepSeek联网搜索结果以腾讯新闻为主，可能自己前置做了垂直领域识别和优化操作。

如果提问强行加上优先从腾讯新闻网站访问：王者什么时候开新赛季？请优先从腾讯新闻网站访问

虽然站点都从腾讯相关网站提取，但是效果反而变差了，Top10结果的准确率只有40%

所以如果大家真要上生产使用，可能需要研究召回结果如何二次排序，而且不要对问题做任何奇怪的限制处理。

使用方式

DeepSeek联网搜索的Prompt可以在官方huggingface上找到：

它其实对联网搜索返回的结果search_results有一定格式要求：每一条是webpage X begin...webpage X end的格式。

我们把博查API里返回的summary做相应格式处理后，拼到Prompt就能实现联网搜索功能了。

以“王者什么时候开新赛季？”这个问题为例

非深度思考模型返回结果：

深度思考模型返回结果：

其中，<think>...</think>部分就是大家看到思考过程。

代码

https://github.com/zhyuzhanming/deepseek_websearch_reproduce

代码需要python环境，大模型时代技术已经完全不是问题了，想动手玩一玩又不太懂技术的同学，可以自己跟大模型交流让它告诉你怎么操作（建议使用miniconda搭建不同项目的虚拟环境）。

另外我没有实现引用链接跳转，技术同学可以自行实现下。

写在最后

之前在《Prompt设计和迭代指南》文章最后提到过大模型时代下生态位的变化。

这里再画一张更直观的图给大家讲一讲：

首先，底层平台可能会逐渐退化成一堆API，上游演化出一个更智能的工作流平台，或者类似Manus的Agent（个人觉得对企业来说，如果没有第一步先做ai工作流资产的收集沉淀，很难直接产生出适合企业自己的Manus）。

其次，数据工程从原先沟通需求 -> 写SQL -> 配置执行任务 -> 交付数据的角色，会逐渐演化出新的4部分能力：

• Prompt工程，以及应用新平台沉淀ai资产的能力
• 整理适合微调小模型领域数据集的能力
• 基础业务SOP能力，比如游戏玩法策划每次上线新玩法都会分析哪些数据，活动运营每次上线新活动都会分析哪些数据
• 模型微调能力

经过两年多实践看，Prompt能力下一步可能在于如何构建快速迭代的工具，单论Prompt本身，对于应用贡献的天花板已经能看到在那了，不会有特别大的突破。为了从底层模型侧找切入，最近一段时间疯狂学习和操作，干了3件事:

• 阿里云上4A10（424G）全参数微调Qwen7B跑通
• 可能找到了比较靠谱的数据集构建pipeline，在1的环境验证效果挺好的。看到了领域知识低成本迁移模型的希望
• 一直好奇联网搜索，利用DeepSeek和博查API，复刻了 联网搜索+深度思考

这篇小文章主要分享了第3部分，后续会逐步把云上微调环境部署和数据集pipeline构建经验也分享给大家，一起跟上大模型时代！