AI 军火库

DeepSeek 官方上线 Search & Fetch API：自带搜索引擎、按次计费 $0.75/千次、失败不收费。10 月中旬 Hacker News 上 546 分、257 条评论，讨论热度超过大多数模型发布。对做 Agent 和 RAG 的人来说，这可能是今年最被低估的一次发布——它不是模型更新，是把"联网能力"变成了白菜价的基础设施。

先说结论

一、它解决什么问题

自建一套"搜索 + 抓网页"给 Agent 用，成本是这样的：

方案 成本 坑
Serper/Brave 等搜索 API $1-5 / 千次 只给链接摘要，正文还要自己抓
自建爬虫 + 解析 服务器 + 代理 IP + 反爬对抗 维护成本极高，JS 渲染页面抓不到
Jina Reader 类 ~$0.02-0.05 / 千页 只解决抓取，不解决搜索
DeepSeek Search+Fetch $0.75 / 千次（搜索）+ $0.75 / 千次（抓取） 限流 5 QPS，重度使用要排队

关键差异在返回内容：Search 的 need_content: true 直接带页面正文，summary 字段是 600-800 字符、专为喂给模型写的长摘要——等于把"搜索→抓取→清洗→喂模型"四步压成一次调用。

二、最小可用代码

搜索（官方示例，可直接跑）：

import requests

r = requests.post(
    "https://api.deepseek.com/v1/tools/search",
    headers={"Authorization": "Bearer <你的DeepSeek Key>"},
    json={"query": "R9700 llama.cpp 实测", "count": 5, "need_content": True},
)
for item in r.json()["results"]:
    print(item["title"], item["url"], item["rerank_score"], item["authority"])

抓单页转 Markdown：

r = requests.post(
    "https://api.deepseek.com/v1/tools/fetch",
    headers={"Authorization": "Bearer <你的DeepSeek Key>"},
    json={"url": "https://example.com/article"},
)
print(r.json()["title"])
print(r.json()["content"])   # 已是 Markdown

查询算子组合示例（限定站点+时间，做技术监控很实用）：

{
  "query": "llama.cpp offload site:github.com OR site:huggingface.co after:2026-09-01",
  "count": 10
}

三、错误码与计费细节（做工程前必读）

四、对本地模型用户的实际用法

这是这个 API 对"本地跑大模型"人群最有价值的地方：联网部分外包，推理部分本地。

一个典型架构：

  1. 本地 27B/70B 模型负责推理、总结、生成（零边际成本）
  2. 需要实时信息时调 DeepSeek Search（$0.00075/次）
  3. 选中结果调 Fetch 拿 Markdown（$0.00075/页）
  4. 把 Markdown 塞进本地模型上下文

按这个算法，一个每天 500 次搜索 + 1000 次抓取的 Agent，联网成本约 $1.13/天 ≈ ¥8/天。对比云端 API 跑同样任务（每次请求带 8K 上下文，云端 70B 一天轻松 $10+），联网外包 + 本地推理的组合在成本上已经明显占优。

五、限制与风险

六、一句话评价

模型层的竞争已经很卷，基础设施层按次白菜价化才是这波真正改变成本结构的东西。对做本地 Agent、RAG、内容监控的人来说，现在搭一套"本地推理 + DeepSeek 联网"的最小 Agent，联网成本已经低于一杯豆浆。

参考来源：