问题背景
在高校实验室或前沿科研团队中,PI(项目负责人)和研究生每天需要处理大量的文献分析、知识归纳、项目方案构建、论文评审、申请书撰写与修改等任务。
传统的 AI 使用模式通常面临两难境地:
- 本地部署:隐私性高、零成本,但在轻量设备(如笔记本)上只能运行 14B 左右的中小模型,面对复杂的长文本综述和严密的逻辑推理时,能力明显受限。
- 云端部署(自己租卡):虽然能跑大模型,但需要租用 GPU(如 4090/L20)、搭建容器、配置 PyTorch/vLLM 环境,且按时间计费(不管用不用,开着就扣费),算力预算白白浪费在排队和空转中。
为了打破这一僵局,我们通过本地 MacBook Air M5 与 SCNet 官方大模型 API,构建了一套“本地轻量私密 + 云端按量重载”的双层异构 AI 协同网络架构。
🏗️ 架构设计:双层异构 AI 协同网络
这套架构的核心是将算力资产进行分层和自动路由:
┌──────────────────────────────────────────────┐
│ MacBook Air M5 (32GB) │
│ │
│ 【DeepSeek Harness Agent 平台】 │
└──────────────────────┬───────────────────────┘
│
根据任务复杂度与类型,在 Harness 界面一秒切换:
│
┌─────────────────────┴─────────────────────┐
▼ ▼
【第一层:本地轻量私密】 【第二层:云端重量级】
Ollama 引擎(本地) SCNet 官方大模型 API(云端)
qwen3:14b / qwen3:8b DeepSeek V4 Pro / Qwen3 30B
· 日常轻量编写、代码自动补全 · 重度文献归纳、申请书撰写与修改
· 零网络延迟、完全不花钱 · 逻辑深度推导、论文初稿评审
· 离线安全 · 按 Token 扣除 5000 元额度,极度耐用
1. 本地轻量私密层(MacBook)
- 硬件基础:MacBook M5 芯片 + 32GB 统一内存,带宽极高。
- 本地模型:通过 Ollama 部署
qwen3:14b(主力)和qwen3:8b(轻量)。 - 应用场景:编写日常小脚本、中英论文快速互译、行内代码自动补全(通过 VS Code Continue 插件)。
2. 云端重量级推理层(SCNet)
- 后端支撑:无须自行维护服务器,直接通过 SCNet 官方提供的 Token 计费大模型 API。
- 云端模型:以
/v1/models接口返回的实际可用 ID 为准(截至本文更新时为DeepSeek-V4.1-Flash-1017)。模型 ID 会随版本迭代更换,配置里写死旧 ID 会直接报422。 - 计费模式:严格按 Token(实际生成字数)扣费,5000 元的 Token 预算足够单人高频使用数年,性价比极高。
🛠️ 技术实现与踩坑记录
要将本地的 DeepSeek Harness (DSH) 接入 SCNet 云端官方 API,只需完成以下两步配置:
步骤一:配置本地 settings.yaml
打开您 MacBook 本地的配置文件 ~/.dsh/settings.yaml,写入 scnet-llm 模型提供商配置:
ui-onboarding:
welcomeNoticeVersion: 2026-08-13.1
llm-pi-ai:
providers:
scnet-llm:
displayName: "SCNet (云端大模型)"
api: "openai-completions"
apiKeyEnv: "SCNET_API_KEY"
baseURL: "https://api.scnet.cn/api/llm/v1"
compat:
thinkingFormat: deepseek # pi-ai 不认识的 baseURL,必须声明推理方言
models:
- id: "DeepSeek-V4.1-Flash-1017" # 以 /v1/models 返回为准
name: "DeepSeek V4.1 Flash 1017"
contextWindow: 131072
⚠️ 踩坑提示:大小写敏感(Case-Sensitive)
以下两种情况都会抛出 422 (Model Not Exist):
- 大小写写错:如
deepseek-v4-pro,接口严格区分大小写; - 模型 ID 已下线:官方会给模型更换版本后缀(如
DeepSeek-V4-Pro→DeepSeek-V4-Pro-0813)。
配置前先调 /v1/models 拿实际 ID,不要照抄旧博客或旧配置。
步骤二:在 Mac 终端中注入密钥并启动
在超算控制台生成好以 sk- 开头的密钥后,在您的 Mac 终端中运行:
# 1. 将您的密钥写入 Mac 环境变量
echo 'export SCNET_API_KEY="您的真实sk-xxx密钥"' >> ~/.zshrc
# 2. 重新加载配置使之生效
source ~/.zshrc
# 3. 启动 Harness 平台
dsh web
打开浏览器访问 http://127.0.0.1:3080,在左上角的模型选择菜单中,直接切换到 “SCNet (云端大模型)”,即可享受超算算力提供的重型大模型推理。
密钥有有效期。到期后按下一节流程更新即可。
🔑 密钥到期后:改两处,验三步
SCNet 的 API 密钥有有效期。到期后所有云端调用返回 401/403,本地 Ollama 不受影响。更新时最常见的失误是只改了环境变量,忘了 Continue 里那份明文密钥。
密钥有两个消费方:DSH 读环境变量,Continue 读明文配置。只改一处,另一半继续报错。
改哪两处
| 位置 | 内容 | 使用者 |
|---|---|---|
~/.zshrc |
export SCNET_API_KEY="sk-..." |
DeepSeek Harness |
~/.continue/config.yaml |
apiKey: sk-...(明文) |
VS Code Continue |
~/.dsh/settings.yaml 不用改——它写的是 apiKeyEnv: "SCNET_API_KEY",只引用变量名,值换了自动生效。
用剪贴板替换,避免密钥进入 shell 历史
先在 SCNet 控制台复制新密钥,再在终端执行:
NEWKEY="$(pbpaste | tr -d ' \n\r')"
if [[ "$NEWKEY" == sk-* ]]; then
sed -i '' "s|^export SCNET_API_KEY=.*|export SCNET_API_KEY=\"${NEWKEY}\"|" ~/.zshrc
sed -i '' "s|^\( *\)apiKey: sk-.*|\1apiKey: \"${NEWKEY}\"|" ~/.continue/config.yaml
unset NEWKEY
source ~/.zshrc
echo "已更新,前缀 ${SCNET_API_KEY:0:6}"
else
echo "剪贴板内容不是 sk- 开头的密钥,未做修改"
fi
不要用
read -s NEWKEY交互粘贴。-s模式不显示提示符,密钥极易被粘到同一行变成read -s NEWKEY sk-xxx=,zsh 会直接报not an identifier。剪贴板读取没有这个风险。
生效与验证
- 停掉
dsh web后重新启动——环境变量只在进程启动时读取; - VS Code 执行
Cmd+Shift+P→Developer: Reload Window; - 先验证密钥本身:
curl -s https://api.scnet.cn/api/llm/v1/models \
-H "Authorization: Bearer $SCNET_API_KEY" | head -c 300
返回模型列表即密钥有效。再验证模型是否真的可调:
curl -s -w "\nHTTP %{http_code}\n" https://api.scnet.cn/api/llm/v1/chat/completions \
-H "Authorization: Bearer $SCNET_API_KEY" -H "Content-Type: application/json" \
-d '{"model":"DeepSeek-V4.1-Flash-1017","messages":[{"role":"user","content":"hi"}],"max_tokens":8}'
错误码对照
| 返回 | 含义 | 处理 |
|---|---|---|
200 |
正常 | — |
401 / 403 |
密钥无效或无权限 | 重新生成,确认绑定项目 |
402 Insufficient Balance |
该模型额度不足 | 在控制台为该模型开通额度 |
422 Model Not Exist |
模型 ID 不存在 | 用 /v1/models 查实际 ID |
/v1/models能列出模型,不代表有额度。 SCNet 的额度按模型分账,必须逐个实测。
🌐 让 DSH 能联网搜索:两把 Key 各司其职
SCNet 的 SCNET_API_KEY 只覆盖推理接口(openai-completions 协议),不包含任何搜索能力。DSH 的「网页搜索」插件需要单独向搜索服务方申请 Key。
模型能力和搜索能力是两笔账。SCNet 的 Key 只负责推理;联网搜索要另配一把搜索服务的 Key。
两把 Key 的分工
| Key | 来源 | 用途 |
|---|---|---|
SCNET_API_KEY |
SCNet 控制台 | 云端大模型推理(api.scnet.cn) |
搜索 Key(sk- 开头) |
DeepSeek 官网 | DSH「网页搜索」插件 |
配置步骤
- 到 DeepSeek 官网申请一个
sk-开头的 API Key,并充值少量额度(例如 10 元); - 打开 DSH 控制台
http://127.0.0.1:3080; - 进入 Settings / 设置;
- 找到 「插件 - 网页搜索」 卡片;
- 在 API Key 字段粘贴刚申请的 Key;
- 卡片上另外两个字段保持默认;
- 点击 Save / 保存。
保存后,在对话中直接要求模型检索即可。
注意:这一步只给搜索插件配 Key,不改变对话模型。 推理仍走 SCNet,搜索走 DeepSeek,两者互不影响。
🎯 科研实战场景展示
通过这个协同网络,科研工作效率实现了翻倍提升:
场景一:基金/项目申请书的精细化修改
- 痛点:自己写的申请书容易逻辑闭环不强,或学术表达不够精炼。
- 工作流:在 Harness 中加载云端模型。Harness 自动读取您的申请书 Markdown 文件,模型利用极强的长文本逻辑能力,从“立项依据-研究内容-关键科学问题”的多维契合度输出深度的全局修改建议。
场景二:学术 PPT 与课件快速大纲提炼
- 痛点:要把繁琐的论文内容转化为通俗直观的课件 PPT,手动提炼耗时耗力。
- 工作流:使用云端模型。输入您的论文全文,命令 Harness 自动调用格式工具提炼核心逻辑,生成结构化的 Markdown 课件草稿,进一步一键转换为 PPT 文档。
🏆 结语与展望
这套双层异构 AI 协同网络,完美地将“本地算力的私密与零延迟”与“云端算力的超大规模逻辑深度”结合在一起。它不仅是 PI 个人的学术效能利器,更避开了繁重的超算服务器运维负担。
未来,当这套自用流程验证成熟后,只需要将接口和密钥分发给感兴趣的学生,即可瞬间完成实验室全体成员的 AI 算力赋能,真正跨入集约化、智能化的 AI 科研新时代。
参考资料
- SCNet 官方大模型开放平台: https://api.scnet.cn
- DeepSeek Harness GitHub: https://github.com/deepseek-ai/deepseek-harness