本文是《DeepSeek Harness 本地部署：从踩坑到跑通》的续篇。上一篇记录了如何在 MacBook 上安装 DeepSeek Harness，并连接本地 Ollama 的 qwen3 模型。本篇进一步讨论一个更普遍的问题：既然豆包、元宝等客户端可以免费完成很多任务，为什么还要搭建自己的 AI 架构，甚至购买 API？
一、一个容易产生的疑问
对于研究生和科研人员来说，豆包、腾讯元宝以及其他免费 AI 客户端已经能够完成许多工作：
- 回答专业问题；
- 总结和解释论文；
- 辅助文献调研；
- 修改论文语言；
- 生成提纲和文字材料；
- 进行联网搜索；
- 处理一定规模的文件。
如果这些功能已经足够好，为什么还要安装 Ollama、DeepSeek Harness、VS Code 插件，并为 API Token 付费？
这个问题不能简单用“付费模型更强”来回答。更准确的答案是：免费客户端、付费 API 和自建 Agent 架构，处于不同的层次，解决的是不同的问题。
二、先区分三个概念
1. 免费 AI 客户端：面向人的应用
豆包、元宝等产品通常已经把模型、搜索、文件上传、对话界面和部分工作流整合在一起。用户打开网页或客户端，直接输入问题即可。
它们的优势是“开箱即用”：
用户提出问题
↓
客户端组织上下文、搜索和文件
↓
模型生成回答
↓
用户阅读、复制和继续修改
这种模式非常适合一次性任务和日常辅助。
2. API：面向程序的模型服务
API 可以理解为模型服务提供给程序使用的一扇标准接口。程序通过 URL、API Key 和请求参数调用模型，模型返回文本或结构化结果。
Python 脚本 / VS Code / Harness / 知识库
↓
API 请求
↓
云端模型服务
↓
返回结果
API 本身不是一个完整的办公软件，也不自动替您设计科研流程。它的价值在于：可以被其他程序稳定、重复、自动地调用。
3. Agent 架构：让模型参与完成任务
Agent 是建立在模型之上的运行系统。它不仅生成文字，还可以在规则约束下调用工具，完成多步任务：
理解目标
↓
制定步骤
↓
读取文件或项目
↓
调用工具
↓
修改文件或运行命令
↓
检查结果
↓
继续修正或交付结果
在本文的实践中，DeepSeek Harness 扮演的就是 Agent 运行层，Ollama 或 SCNet API 提供模型推理能力。
三、为什么免费客户端已经很强？
首先应该承认，免费客户端在很多场景下已经足够好，甚至比自己搭建系统更方便。
适合免费客户端的任务
| 任务 | 免费客户端的优势 |
|---|---|
| 快速问答 | 不需要配置环境 |
| 联网搜索 | 搜索功能通常已经集成 |
| 初步文献检索 | 可以快速浏览和总结网页资料 |
| 单篇论文阅读 | 上传文件后即可提问 |
| 语言润色 | 交互简单，修改结果直观 |
| 图片、语音和视频 | 多模态功能通常更完整 |
| 临时生成提纲 | 不需要建立项目目录和脚本 |
| 获取第二意见 | 可以快速换一个产品交叉比较 |
对于“我现在有一个问题，请帮我回答”这样的需求，免费客户端完全可以作为首选。
因此，搭建自己的架构并不是为了取代所有免费工具，而是为了处理免费客户端不擅长的另一类问题。
四、付费 API 的优势是什么？
1. API 可以接入自己的科研工具链
免费客户端的功能由产品提供者决定；API 则可以接入研究者自己的程序和工作流。
例如，可以把 SCNet 的 Token API 接入：
- DeepSeek Harness；
- VS Code Continue；
- Python 文献分析脚本；
- 实验室知识库；
- 文献卡片生成工具；
- 学生周报评阅程序；
- 论文评审模板；
- PPT 或课件生成流程。
这样，模型就不再只是一个聊天窗口，而是科研系统中的一个可调用组件。
2. API 更适合批量任务
假设有 100 篇论文需要处理，手动上传和提问会非常耗时。通过 API，可以建立批处理流程：
论文目录
↓
程序逐篇读取 PDF 或 Markdown
↓
提取标题、摘要、方法和结论
↓
调用模型生成结构化文献卡片
↓
保存为 Markdown 或 CSV
↓
汇总为专题综述
这类任务的关键不只是模型回答得好，还包括：
- 输入格式统一；
- 输出格式统一；
- 任务可以重复执行；
- 失败任务可以重试；
- 结果可以保存和检索。
3. API 更适合固定科研规范
科研工作往往需要固定评价标准。例如，论文评审可以固定检查：
- 研究问题是否明确；
- 相关工作是否充分；
- 数学模型和假设是否一致；
- 公式推导是否严谨；
- 实验设计是否支持结论；
- 图表和数据是否自洽；
- 创新点是否被清楚表达；
- 局限性是否诚实说明。
把这些要求写进提示模板或 Agent 流程后，每篇论文都可以接受相对一致的检查。
这比每次临时向聊天机器人描述一遍要求，更适合实验室长期使用。
4. API 可以控制模型和参数
在 API 层面，通常可以指定：
- 使用哪个模型；
- 上下文长度；
- 最大输出长度；
- 系统提示词；
- 输出格式；
- 是否流式返回；
- 是否进行工具调用。
在本文的实践中，SCNet API 通过以下地址接入 Harness：
https://api.scnet.cn/api/llm/v1
在配置模型时，模型 ID 必须严格使用 SCNet 实际支持的名称，例如：
DeepSeek-V4-Pro
Qwen3-30B
SCNet-Max
模型名称的大小写和字符格式不能自行猜测，否则可能出现“Model Not Exist”错误。
5. API 适合将一次性经验变成可复用工具
一次论文评审只是一次使用；一个自动化评审流程则可以反复使用。
一次对话经验
↓
整理为提示词和检查清单
↓
接入 API
↓
封装为脚本或 Harness Skill
↓
成为实验室可复用工具
这正是 API 对科研团队的长期价值：它帮助团队沉淀方法，而不仅仅是获得一次回答。
五、自己搭建 AI 架构的优势
这里的“自己搭建”并不一定意味着自己训练模型，也不一定意味着自己购买和维护 GPU。它主要是指：自己决定模型如何接入工作环境，以及如何组织任务。
1. 模型和工具可以分离
本文采用的架构是：
科研文件与本地工作环境
↓
DeepSeek Harness Agent 运行层
↓
模型提供商
├─ Ollama 本地 qwen3:8b/14b
└─ SCNet 云端 Token API
├─ DeepSeek-V4-Pro
├─ Qwen3-30B
└─ SCNet-Max
更换模型时，Agent 工作流不必完全重写；更换 Agent 工具时，模型也不必更换。
2. 可以在本地和云端之间分层
对于科研人员，最实用的不是所有任务都上云，而是进行分层：
| 任务类型 | 推荐后端 | 原因 |
|---|---|---|
| 快速问答 | 本地 qwen3:8b | 响应快、零 API 费用 |
| 一般代码辅助 | 本地 qwen3:14b | 适合 VS Code 和 Continue |
| 敏感材料初步处理 | 本地 Ollama | 数据不离开本机 |
| 多篇文献综合分析 | SCNet 云端 API | 上下文和推理能力更强 |
| 论文深度评审 | DeepSeek-V4-Pro | 适合复杂逻辑分析 |
| 申请书和中文材料 | Qwen3-30B | 适合中文表达和结构化写作 |
| 多步文件处理 | Harness + 云端 API | 模型与工具形成闭环 |
| 联网搜索 | 豆包、元宝或专门搜索工具 | 产品化搜索体验更方便 |
3. 可以把 Agent 变成科研工作台
通过 Harness，模型可以在授权目录中完成这样的任务：
请阅读当前目录下的论文初稿和参考文献，检查研究问题、技术路线和实验结论之间是否一致；将问题分为“必须修改”“建议修改”和“文字润色”三类，并把结果保存为
review.md。
这类任务包含文件读取、内容分析、分类整理和文件写入，不再是简单的问答。
六、为什么要为 API 付费？
付费的对象不是“多买了一次聊天”，而是购买了以下能力：
可调用的模型服务
+ 可重复的接口
+ 可接入的工作流
+ 可自动化的批处理
+ 可控制的模型选择
+ 可扩展的 Agent 架构
如果只是偶尔问几个问题，免费客户端更划算；如果每天有大量文献、论文、申请书和项目文件需要处理，API 的价值就不仅是答案质量，还包括节省时间和减少重复劳动。
费用应当如何衡量？
可以用下面的方式估算：
API 费用
÷
节省的科研工作时间
=
每小时的效率成本
我在实际使用 SCNet Token API 的过程中，曾产生约 458 次请求，消耗约 4000 万 tokens，费用约 81 元。这个数字说明 API 费用并不应只按“请求次数”评价，而应结合这些请求是否真正帮助完成了文献分析、论文评审或申请书修改。
同时，也不应因为已经充值，就让所有简单问题都使用云端模型。最合理的做法仍然是本地和云端分工。
七、免费客户端、API 和 Agent 的互补关系
可以把三者比喻成科研工作中的三个工具层次：
免费客户端：个人助手
适合：
- 快速查询；
- 临时讨论；
- 联网搜索；
- 初步阅读；
- 多模态输入；
- 获取第二意见。
API：可调用的模型发动机
适合：
- 程序化调用；
- 批量处理；
- 固定模板；
- 自动化流程；
- 结果结构化；
- 模型路由和成本控制。
Agent 架构：科研工作流执行器
适合：
- 读写项目文件；
- 执行终端命令；
- 多步骤任务；
- 结果检查和修正；
- 生成最终交付物；
- 沉淀实验室方法论。
三者并不是互相排斥的替代关系：
免费客户端 = 快速使用
API = 稳定接入
Agent = 自动执行
八、针对研究生和科研人员的实际建议
建议一：先使用免费客户端确认需求
不要一开始就搭建复杂系统。先用豆包、元宝或其他客户端确认：
- 自己经常提出哪些问题；
- 哪些任务最耗时间；
- 哪些任务需要联网；
- 哪些任务需要反复处理文件；
- 哪些材料涉及隐私或保密。
建议二：把高频任务整理成模板
例如：
- 文献阅读模板；
- 论文评审模板；
- 研究方案论证模板；
- 基金申请书检查模板；
- 学生周报评阅模板。
建议三：再把重复任务接入 API 或 Agent
当任务具备以下特征时，就值得使用 API 或 Agent：
- 每周重复出现；
- 输入文件格式相近；
- 输出结构比较固定；
- 需要跨多个文件处理；
- 手动复制粘贴很耗时；
- 需要保存和追踪历史结果。
建议四：敏感材料优先本地处理
使用云端 API 时，应考虑数据安全。对于尚未公开的申请书、内部项目资料、合作方数据和敏感实验结果，可以：
- 优先使用本地 Ollama；
- 上传前进行脱敏；
- 只将必要片段发送到云端；
- 不把 API Key 写入公开代码仓库。
九、结论
免费 AI 客户端并没有失去价值。恰恰相反，它们是科研人员日常使用 AI 的重要入口。自己搭建架构和购买 API，也不是因为免费客户端“不能用”，而是因为科研工作中还有一类更复杂的需求：
- 需要批量处理；
- 需要固定标准；
- 需要接入本地文件；
- 需要执行多步操作；
- 需要保存和复用结果；
- 需要把个人经验变成实验室工作流。
因此，一套合理的科研 AI 体系不应该是“只用免费客户端”或“全部改用付费 API”，而应该是：
本地 Ollama
负责快速、私密、低成本任务
免费 AI 客户端
负责联网搜索、多模态和临时问答
SCNet Token API
负责高质量、复杂、长文本推理
DeepSeek Harness
负责把模型接入文件、工具和科研工作流
最终需要选择的不是“哪个 AI 工具最强”，而是：
针对具体科研任务，选择合适的模型、合适的接口和合适的执行方式。
上一篇文章解决了“如何部署 Harness”的问题；这一篇更关心“为什么要部署，以及什么时候值得使用”。对于研究生和科研人员来说，真正有价值的不是多安装几个 AI 工具，而是逐渐形成一套适合自己研究方向、能够节省时间并且可以持续复用的工作系统。
参考资料
- DeepSeek Harness GitHub: https://github.com/deepseek-ai/deepseek-harness
- DeepSeek API 文档: https://api-docs.deepseek.com
- 腾讯元宝: https://yuanbao.tencent.com
- 豆包与火山方舟: https://www.volcengine.com/product/ark/
- SCNet 大模型 API：以 SCNet 控制台实际提供的接口文档、模型列表和服务条款为准
