构建双层异构 AI 协同网络

科研记录 | 基于 MacBook 本地轻量与 SCNet 云端 API 的学术 Agent 闭环方案

Posted by 陈陈 on August 23, 2026

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):

  1. 大小写写错:如 deepseek-v4-pro,接口严格区分大小写;
  2. 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

  1. 停掉 dsh web 后重新启动——环境变量只在进程启动时读取;
  2. VS Code 执行 Cmd+Shift+P → Developer: Reload Window;
  3. 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

  1. 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);
  2. 打开 DSH 控制台 http://127.0.0.1:3080;
  3. 进入 Settings / 设置;
  4. 找到 「插件 - 网页搜索」 卡片;
  5. 在 API Key 字段粘贴刚申请的 Key;
  6. 卡片上另外两个字段保持默认;
  7. 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