大家好，我是程序員魚皮。

想必你已經(jīng)發(fā)現(xiàn)了，如今的搜索引擎已經(jīng)全面進化了。

以前搜東西，就是輸入關(guān)鍵詞，然后在一堆藍色鏈接里挑著看。

現(xiàn)在呢，直接輸入一個問題，AI 會幫你聯(lián)網(wǎng)搜索、匯總分析，給出一份帶引用來源的完整回答。

比如主打 AI 搜索的 Perplexity，據(jù)說月活用戶已經(jīng)突破 1 億了；Google、百度、必應(yīng)也都在搜索結(jié)果里加了 AI 智能摘要。

搜索這件事，正在從「人找信息」變成「AI 幫你找信息」。

那這種 AI 搜索引擎到底是怎么實現(xiàn)的？

這篇文章，我就全程用 Codex + GPT-5.5 來開發(fā)一個 AI 搜索引擎，后端對接 DeepSeek V4 實現(xiàn) AI 聯(lián)網(wǎng)搜索和智能總結(jié)。看完之后，你不僅能學到 AI 編程的流程套路，感受新開發(fā)工具和模型的能力，還能學到 AI Agent 應(yīng)用的開發(fā)思路。

建議收藏，我們開始~

需求分析

這次要做的項目叫 yupi-ai-search AI 搜索引擎，對標 Perplexity。

要注意，AI 搜索引擎跟普通的 AI 對話應(yīng)用不一樣。如果你只讓 AI 回答問題，它用的是訓練數(shù)據(jù)里的舊知識，回答可能是過時的。AI 搜索引擎的關(guān)鍵在于聯(lián)網(wǎng)搜索能力，讓 AI 先去網(wǎng)上搜最新的信息，再基于這些信息來回答，這樣才能確保答案是準確、及時的。

具體的需求是：用戶輸入一個問題，系統(tǒng)自動聯(lián)網(wǎng)搜索最新信息，再交給 AI 大模型綜合分析，生成一份帶引用來源的智能回答，同時還能像傳統(tǒng)搜索引擎一樣查看完整的搜索結(jié)果列表。用戶還可以通過相關(guān)問題推薦繼續(xù)追問，不斷深挖感興趣的內(nèi)容。

方案設(shè)計

這個項目采用前后端分離架構(gòu)，前端用 Vue 3，后端用 Python FastAPI + LangChain。

不過傳統(tǒng)的前后端技術(shù)不是重點，實現(xiàn) AI 搜索引擎的關(guān)鍵在于兩樣東西：一個是搜索服務(wù)，負責聯(lián)網(wǎng)獲取最新信息；一個是 AI 大模型，負責理解搜索結(jié)果并生成綜合回答。

AI 大模型我就選擇 DeepSeek V4，試試它在真實業(yè)務(wù)場景中的效果。

這個項目真正的核心是，搜索服務(wù)要怎么實現(xiàn)？

搜索服務(wù)

先簡單聊聊搜索引擎的原理。

傳統(tǒng)搜索引擎干的事情其實就 3 步：

1. 抓取網(wǎng)頁，派爬蟲到處爬

2. 建立索引，把網(wǎng)頁內(nèi)容整理成數(shù)據(jù)庫

3. 排名展示，根據(jù)相關(guān)性給結(jié)果排序

Google、百度這些搜索引擎，背后都是幾十萬臺服務(wù)器在跑這套系統(tǒng)。

如果擱以前，讓你自己開發(fā)一個搜索引擎，簡直想都不敢想，光是抓取全網(wǎng)頁面這一步就能把人勸退。

但現(xiàn)在不一樣了，有了 AI 編程工具，加上現(xiàn)成的搜索引擎 API 服務(wù)，你不需要自己爬網(wǎng)頁、建索引，直接調(diào) API 就能拿到搜索結(jié)果，然后交給 AI 總結(jié)就完事了。

目前專門為 AI 應(yīng)用設(shè)計的搜索服務(wù)已經(jīng)有不少了，比如 Tavily Search、Firecrawl、Brave Search API 等等，它們都能通過 API 調(diào)用拿到結(jié)構(gòu)化的搜索結(jié)果，直接給 AI 使用。

下面重點介紹一下本項目選用的 Tavily Search。

Tavily Search

Tavily Search 是目前 AI 應(yīng)用開發(fā)領(lǐng)域最主流的搜索 API 之一，知名的 AI 應(yīng)用開發(fā)框架 LangChain 官方首推的搜索工具就是它。

它有幾個優(yōu)勢：

1. 返回的是結(jié)構(gòu)化的搜索結(jié)果（標題、URL、內(nèi)容摘要），不是原始 HTML，直接塞給 AI 就能用，省 tokens

2. 搜索速度快，一般 3 秒左右就能出結(jié)果

3. LangChain 有官方集成包langchain-tavily，幾行代碼就能接入

4. 支持中文搜索，可以通過country參數(shù)設(shè)置為中國，優(yōu)化中文搜索結(jié)果

價格方面，免費版每月 1000 次 API 調(diào)用，不需要綁信用卡，對于個人項目和 MVP 驗證完全夠了。按需付費是每次 0.008 美元（約 6 分錢），Growth 套餐 10 萬次/月 500 美元，所以實際上線還是要注意成本的。

下面我?guī)Т蠹液唵误w驗一下。

進入 Tavily 官網(wǎng)，可以看到它提供 4 方面的能力，包括聯(lián)網(wǎng)搜索、提取網(wǎng)頁內(nèi)容、爬蟲和深度研究。

登錄后進入管理后臺，獲取 API Key：

然后進入 調(diào)試廣場，可以在這里驗證搜索效果。

比如我搜索一下 “程序員魚皮”，可以看到返回了 JSON 格式的結(jié)構(gòu)化結(jié)果，每條都包含標題、URL 和內(nèi)容摘要，搜到了我的博客、GitHub 主頁等信息，還挺全面的。

它還支持很多參數(shù)設(shè)置，比如搜索的詳細程度、時間范圍、是否包含網(wǎng)頁內(nèi)容、最大搜索結(jié)果數(shù)、國家等等。

比如我把搜索國家設(shè)置為中國，就能搜到國內(nèi)平臺的文章了：

驗證完搜索效果沒問題，接下來看看怎么在代碼里使用。

LangChain 集成 Tavily

這個項目中，我們使用主流的 AI 應(yīng)用開發(fā)框架 LangChain 來集成 Tavily。

LangChain 有現(xiàn)成的官方集成包langchain-tavily，用起來非常方便。只需要在代碼里給 Agent 綁定 TavilySearch 工具，然后創(chuàng)建 Agent 就能直接對話了：

from langchain_tavily import TavilySearch
from langchain.agents import create_tool_calling_agent

 tavily_search_tool = TavilySearch(
    max_results=5,
    topic="general",
)

 # 創(chuàng)建 Agent，綁定搜索工具
agent = create_tool_calling_agent(model, [tavily_search_tool])
# 用戶提問，Agent 自動判斷是否需要搜索
response = agent.invoke({"messages": "最近有什么 AI 新聞？"})

除了搜索，還有 TavilyExtract 工具，可以根據(jù)網(wǎng)址提取干凈的網(wǎng)頁內(nèi)容：

看不懂代碼沒關(guān)系，之后我們把這些需求寫進提示詞，讓 AI 自己去查文檔、寫代碼就行。

Firecrawl 搜索服務(wù)

除了 Tavily，F(xiàn)irecrawl 也是一個不錯的選擇。Firecrawl 更擅長網(wǎng)頁抓取和全站爬取，它本身也提供了搜索功能。

兩者的定位有一點兒差異，我用表格簡單對比一下：

維度

Tavily Search

Firecrawl

定位

AI 原生搜索 API，專為 RAG/Agent 設(shè)計

Web 數(shù)據(jù) API，主打網(wǎng)頁抓取和內(nèi)容提取

搜索速度

1 ~ 3 秒

~7 秒（含頁面抓取）

返回格式

結(jié)構(gòu)化摘要，節(jié)省 Tokens

Markdown/HTML/JSON，內(nèi)容更完整

LangChain 集成

官方首推，有專用包

有 Python SDK，需自行封裝

開源

是（AGPL-3.0，可自部署）

免費額度

1000 次/月

1000 credits/月

100K 量級月費

$500

$83

最適合場景

AI Agent 聯(lián)網(wǎng)搜索

全站爬取、數(shù)據(jù)提取

對于我們這個 AI 搜索引擎項目，Tavily 的搜索速度和結(jié)構(gòu)化返回更合適，所以選它作為主力。

在后面的環(huán)境準備部分，我也會帶大家安裝 Firecrawl，不過它的作用是幫 AI 編程工具聯(lián)網(wǎng)搜索技術(shù)文檔，跟項目本身的搜索功能不是一回事兒。

核心業(yè)務(wù)流程

最后梳理一下整個 AI 搜索引擎的核心流程：

1. 用戶在前端輸入問題

2. 后端接收請求，調(diào)用 Tavily Search API 聯(lián)網(wǎng)搜索，拿到結(jié)構(gòu)化的搜索結(jié)果

3. 把搜索結(jié)果作為上下文注入 Prompt，交給 DeepSeek V4 大模型

4. AI 基于搜索結(jié)果生成帶引用編號的綜合回答，通過 SSE 流式返回給前端

5. 前端同時展示 AI 綜合回答和完整的搜索結(jié)果列表

6. AI 回答完成后，自動生成相關(guān)問題推薦，方便用戶繼續(xù)探索

打開 Codex，確認模型列表里有 GPT-5.5。如果看不到，大概率是賬號的問題，可能需要開通更高級的會員，我這里用的是 Plus 會員。

可以看到界面上已經(jīng)有了 GPT-5.5 模型選項，還支持調(diào)節(jié)智能程度（低 / 中 / 高 / 超高），我一般選擇「高」。

左下角進入設(shè)置，把工作模式切換為「用于編程」，這樣 AI 的回復會更專業(yè)、更適合開發(fā)場景：

然后在設(shè)置中開啟「電腦操控」，并安裝 Google Chrome 瀏覽器擴展。這樣后面可以讓 AI 幫你自動操作電腦和瀏覽器進行測試。

安裝 AI 擴展

Codex 的 AI 擴展主要包括三類：

• MCP 服務(wù)，用于連接外部工具

• Agent Skills 技能包，讓 AI 學會特定的專業(yè)技能

• Plugins 插件，給 AI 增加更多能力

官方自帶了一些內(nèi)置的插件和技能，比如 Computer Use、Browser Use、PDF 處理、演示文稿編輯等：

不過這次項目需要的幾個擴展，Codex 默認沒有，得自己安裝。

我們需要下面 3 個擴展：

1. Firecrawl：聯(lián)網(wǎng)搜索和網(wǎng)頁抓取，讓 AI 能獲取最新的技術(shù)信息

2. Context7：查詢最新的技術(shù)文檔和 API 用法，減少 AI 瞎編的情況

3. UI UX Pro Max：前端美化技能，讓生成的頁面更有設(shè)計感

你可以直接在 Codex 設(shè)置里手動添加 MCP 服務(wù)，但是要手動填寫一堆參數(shù)，非常麻煩！

好在我們可以換一種方式，用每個 AI 服務(wù)提供的命令來快速安裝。

1、安裝 Firecrawl

Firecrawl 是一個聯(lián)網(wǎng)搜索和網(wǎng)頁抓取工具，能讓 AI 在開發(fā)前先搜索最新的技術(shù)信息和文檔。雖然我們的項目用的是 Tavily Search 做搜索功能，但 Firecrawl 在這里的作用是幫 AI 編程工具查資料。

打開終端，輸入下列命令：

npx -y firecrawl-cli@latest init --all --browser

執(zhí)行后，會自動打開瀏覽器，要在彈出的頁面中點擊授權(quán)：

安裝完成后，會自動注冊 12 個相關(guān)技能：

在 Codex 的技能管理中，就能看到新添加的 Firecrawl 相關(guān)技能了：

2、安裝 Context7

Context7 是一個技術(shù)文檔查詢工具，讓 AI 能獲取到各種框架和庫的最新官方文檔，避免用過時的 API 寫代碼。

先在終端輸入一行命令來安裝：

npx ctx7@latest setup

它會問是安裝 MCP 服務(wù)還是 CLI + Skills，這里我選擇 CLI + Skills。你會發(fā)現(xiàn)，現(xiàn)在越來越多工具已經(jīng)從 MCP 轉(zhuǎn)向 CLI + Skills 的方式了：

同樣在彈出的網(wǎng)頁中授權(quán)，不用自己獲取和輸入 API Key，太方便了！

然后選擇要給哪個 AI 編程工具安裝，我選擇為 Codex 安裝：

安裝成功：

在 Codex 中確認已安裝的技能：

3、安裝 UI UX Pro Max

這是一個前端美化技能包，能讓 AI 生成的頁面更有設(shè)計感，不會有一大堆的 Emoji。

輸入一行命令：

uipro init

選擇為 Codex 安裝技能：

安裝成功：

在 Codex 的技能管理中，能看到新技能：

至此，環(huán)境準備完成！下次開發(fā)項目時，就不用再重復準備了~

開發(fā)編碼

新建一個yupi-ai-search項目文件夾，在 Codex 中打開：

然后輸入提示詞。這里分享一下我實際用的提示詞，給大家參考：

## 角色

 你是一個全棧工程師，擅長 Python + FastAPI + LangChain + Vue 開發(fā)。

 ## 任務(wù)

 開發(fā)一個叫 yupi-ai-search 的 AI 搜索引擎網(wǎng)站。用戶輸入自然語言問題，系統(tǒng)自動聯(lián)網(wǎng)搜索最新信息，再將搜索結(jié)果交給 DeepSeek V4 大模型綜合分析，生成一份帶引用來源的智能回答，同時展示完整的搜索結(jié)果列表。

 核心功能：
1. 搜索主頁：簡潔的搜索框，輸入問題后發(fā)起 AI 搜索
2. AI 聯(lián)網(wǎng)搜索：調(diào)用 Tavily Search API 獲取最新網(wǎng)頁信息，將搜索結(jié)果作為上下文注入 Prompt，讓 AI 生成綜合回答
3. 引用來源展示：AI 回答中引用的信息必須標注來源編號，底部列出所有引用來源的標題和鏈接，用戶可點擊跳轉(zhuǎn)原文
4. 搜索結(jié)果列表：除了 AI 綜合回答外，還要像傳統(tǒng)搜索引擎一樣展示完整的搜索結(jié)果列表，包括 AI 未直接引用到的結(jié)果
5. 流式輸出：AI 回答支持 SSE 流式輸出，打字機效果實時顯示
6. 搜索歷史：本地存儲搜索歷史記錄，支持快速重新搜索
7. 相關(guān)問題推薦：AI 回答完成后，自動生成 3-5 個相關(guān)問題供用戶繼續(xù)探索

 ## 技術(shù)棧

 - 后端：Python FastAPI + LangChain
- 前端：Vue 3 前后端分離，支持 Markdown 渲染和代碼高亮
- AI 模型：對接 DeepSeek V4（兼容 OpenAI SDK 格式，通過環(huán)境變量配置）
- 搜索：Tavily Search API（通過 langchain-tavily 集成）

 ## 要求

 1. 頁面參考 Perplexity 的簡潔風格，搜索頁面居中大搜索框，結(jié)果頁面信息密度高，使用 UI UX Pro Max 技能美化
2. 開發(fā)前，先通過 Firecrawl 聯(lián)網(wǎng)搜索相關(guān)信息，通過 Context7 查詢 LangChain、FastAPI、Tavily Search、DeepSeek API 的最新文檔
3. 必須生成完整可運行的代碼，每步完成后必須自主測試驗證

雖然看著又臭又長，但其實是借助 AI 生成的，我簡單解讀一下這段提示詞的幾個要點：

• 角色定義放在最前面，讓 AI 進入全棧工程師的狀態(tài)

• 任務(wù)描述用自然語言把需求講清楚

• 技術(shù)棧只列關(guān)鍵選型，比如 LangChain + Tavily Search 的組合，讓 AI 自己決定具體的實現(xiàn)方案

• 最后兩條要求是關(guān)鍵，讓 AI 先查文檔再寫代碼，避免瞎編寫法；讓 AI 開發(fā)完后自主測試，減少翻車

模型我選擇 GPT-5.5，智能程度選「高」，權(quán)限給完全訪問（主要圖個省事兒）：

小提示，如果你想讓 AI 測試得更完整，可以先獲取到 Tavily Search 和 DeepSeek 的 API Key 并直接提供給 AI，否則 AI 是沒辦法測試搜索和 AI 總結(jié)能力的。

把上述提示詞發(fā)送給 AI，整個任務(wù)還是比較復雜的，接下來就是漫長的等待了。。。

可以看到 AI 先用 Firecrawl 和 Context7 搜索了 Tavily Search、LangChain、FastAPI、DeepSeek API 的用法和文檔，做完調(diào)研后，才能開始寫代碼：

AI 生成完代碼后，會自主打開瀏覽器進行前端測試：

從開發(fā)到測試運行，總共花了 23 分鐘。AI 生成了完整的前端和后端項目代碼，還自動寫好了項目文檔：

把鼠標放到 Codex 右側(cè)，可以查看整個任務(wù)的生成結(jié)果、后臺終端和信息來源。

感興趣的同學可以看下 AI 生成的核心代碼。后端的核心是一個 SSE 流式接口，接收到用戶的搜索請求后，先調(diào)用 Tavily Search 獲取網(wǎng)頁搜索結(jié)果，然后把搜索結(jié)果注入 Prompt 并交給 DeepSeek V4 生成帶引用的綜合回答，最后再生成相關(guān)問題推薦。

如果搜索失敗了，還有降級策略，會提示用戶回答未經(jīng)聯(lián)網(wǎng)驗證：

測試驗證

接下來根據(jù) AI 給出的指引，需要填寫 API Key：

先到 DeepSeek 開放平臺 獲取 DeepSeek 的 API Key，Tavily 的 API Key 前面已經(jīng)拿到了：

然后修改項目后端目錄下的環(huán)境變量配置文件，把.env.example重命名為.env，填入你自己的 API Key：

注意，如果你的項目要開源，一定記得在.gitignore中忽略.env文件，防止 API Key 泄露到 GitHub 上！

配置完環(huán)境變量后，讓 AI 重啟項目：

人工測試

接下來人工測試一下。

打開網(wǎng)頁，好家伙，主頁竟然如此精簡！

AI 真的是很聽提示詞的話了，簡潔風格 + 居中大搜索框，跟 Perplexity 的感覺確實有幾分相似 ：

來輸入一個問題試試：什么是魚皮的 AI 編程導航？

其實我的 2 個網(wǎng)站分別是 編程導航 和 魚皮 AI 導航，這里我故意把 2 個產(chǎn)品混為一談，看看搜索結(jié)果和 AI 的總結(jié)效果如何~

大概 4 秒左右，界面就展示出了搜索結(jié)果列表，然后 20 秒左右給出了完整的 AI 總結(jié)。可以看到左側(cè)是 AI 的綜合回答，帶著引用編號；右側(cè)是完整的搜索結(jié)果列表，包含了標題、摘要和鏈接，跟傳統(tǒng)搜索引擎一樣可以逐條瀏覽：

搜索和生成速度還是挺快的，而且 AI 把我的兩個不同的產(chǎn)品分得很清楚，內(nèi)容也是準確的。

底部可以看到引用來源和相關(guān)問題推薦，點擊引用就能跳轉(zhuǎn)到原文，點擊相關(guān)問題就能快速發(fā)起下一次搜索：

在 Codex 的對話頁面，把鼠標放到右側(cè)，點擊查看后臺終端，能看到 Python 后端的日志信息，每一次搜索請求都有記錄：

從搜索結(jié)果來看，默認搜索的信息源以國內(nèi)為主。但 Tavily Search 同樣支持國外信息源搜索，比如我問：Claude Code 4.7 怎么樣？

這次的搜索來源就變成了中英文混合的了，不少英文技術(shù)博客的測評文章都搜到了：

你還可以在提問中指定搜索來源，比如我問：魚皮在 X 上有哪些 Claude Code 教程？

搜索結(jié)果中就包含了 X 的原始文章頁面：

怎么樣，輕輕松松就開發(fā)出了一個屬于自己的 AI 搜索引擎，國內(nèi)外信息盡在我手~

AI 自主測試

核心功能測試沒問題了，但如果項目要正式上線，還要測試一堆邊界條件，比如輸入空白內(nèi)容會不會崩？網(wǎng)絡(luò)超時了怎么辦？搜索沒有結(jié)果時頁面展示是否正常等等？

一個個手動測太麻煩了，干脆直接讓 AI 幫忙。

Codex 內(nèi)置了瀏覽器操控能力，輸入@瀏覽器使用插件，直接讓 AI 自主測試：

@瀏覽器 打開瀏覽器，自主測試所有功能
出了問題自動修復，確保所有功能正常可用

可以看到 AI 在 Codex 內(nèi)部打開了一個瀏覽器，自己輸入了問題并搜索，然后檢查搜索結(jié)果列表、AI 回答、引用來源、相關(guān)問題、搜索歷史等所有功能是否正常：

等了 18 分鐘，AI 完成了端到端的自主測試，還順手做了一點兒優(yōu)化：

至此項目就開發(fā)完了，很簡單吧？

擴展思路

雖然我們很快就開發(fā)出了一個能用的 AI 搜索引擎，但要知道，開發(fā)完成只是第一步。一個成熟的搜索引擎產(chǎn)品，要考慮的事情還有很多，這也是跟其他同學拉開差距的地方。

我這里借助 AI 給大家提供一些思路：

1. 搜索結(jié)果緩存：同樣的問題短時間內(nèi)被多個用戶搜索，沒必要每次都調(diào) Tavily 的 API，緩存下來能省不少成本

2. 搜索結(jié)果排序優(yōu)化：可以根據(jù)來源的權(quán)威性、內(nèi)容的時效性來重新排序，而不是直接用 Tavily 返回的順序

3. 多模態(tài)搜索：支持搜圖片、搜視頻、搜文件，不只是文字

4. 可觀測性：加上日志、監(jiān)控和鏈路追蹤，知道每一次搜索請求經(jīng)歷了哪些步驟、各花了多少時間、哪里容易出問題

5. 成本控制：搜索 API 和大模型 API 都是按量計費的，要做好限流、配額管理，防止被惡意刷接口，一不小心就是一筆大開支

6. 安全防護：防止 Prompt 注入攻擊、過濾違規(guī)內(nèi)容，這些上線前必須考慮

我們要學會站在巨人的肩膀上，用現(xiàn)成的工具快速搭建原型，但同時也要能看到原型背后缺少的東西，這才是真正的工程能力。

我的感受

最后聊聊我用 Codex、GPT-5.5 和 DeepSeek V4 的真實感受。

先說 Codex，Codex 的界面主打一個簡潔，第一眼看上去甚至不像 AI 編程工具，更像個 AI 聊天助手。但功能其實比較完整，比如 MCP 和 Skills 擴展、插件市場、自動化、Git 集成、Browser Use、Computer Use，AI 編程所需的工程能力基本都具備了。

而且最近的更新速度嘎嘎快，還有工夫整個 AI 桌面寵物給我們加點兒情緒價值……（雖然有些 UI 調(diào)整我覺得不如之前的好看）

不過缺點也很明顯。默認可用的模型有限，不像 Cursor 和 Copilot 原生就整合了 Claude、GPT、Gemini 各種模型隨便切。易用性也差了一些，從 MCP 配置那里大家應(yīng)該已經(jīng)感受到了。Copilot 可以直接在擴展市場一鍵搜索安裝 MCP，Cursor 也支持可視化編輯 JSON 配置，Codex 這邊還得自己折騰命令行或者手寫 TOML。

再說說 GPT-5.5 模型。我除了這個項目之外，之前的教程以及自己的項目中也多次用到了 GPT-5.5，整體感覺不如 Claude Opus 4.6。但能力還是很強的，只要提示詞到位，基本都能一把梭全棧項目的前端和后端，而且核心業(yè)務(wù)流程大概率一次性跑通。

我感覺 GPT-5.5 的特點是很聽提示詞的話，前端表現(xiàn)中規(guī)中矩，不會給你特別大的驚喜。所以想要利用好能力強的大模型，提示詞還是得認真寫、功能點列清楚、給一點方案和開發(fā)流程的引導，AI 才能給你滿意的結(jié)果。

再看看 GPT-5.5 的成本。這次開發(fā)消耗了 13.4 萬 tokens，上下文用了 52%。Codex 桌面端的上下文容量是 258K，開發(fā)這種全棧項目基本夠用了：

我目前開的是 GPT Plus 會員，一個月 20 刀（150 元左右），每 5 小時和每周有限額。做完這個項目后，5 小時的額度用了差不多一半，不算擴展功能的話，1 周差不多能做 10 個完整項目。

最后說說 DeepSeek V4 吧。這次項目用的是 V4-Flash 模型作為搜索引擎的大腦，生成速度還是挺快的，效果也不錯，作為搜索結(jié)果的整理完全夠用了，不需要上 Pro。

Flash 模型的價格很便宜，我測試時用了 24 次請求才花了 9 分錢。按正常上線給用戶訪問的量來算，1 天 1000 次請求大約消耗 3.75 元，性價比很高，我們團隊的一些業(yè)務(wù)也會對接 DeepSeek API。

總的來說，AI 應(yīng)用開發(fā)的門檻已經(jīng)非常低了。以前做一個搜索引擎是大廠才能干的事情，現(xiàn)在一段提示詞就能搞出來一個能用的原型。

但畢竟「能做出來」和「做得好」之間還有很大的距離，前面提到的緩存、安全、成本控制這些工程化的東西，才是真正考驗功底的地方。

OK 就分享到這里，本文會收錄到我免費開源的 ，上千張圖、幾十萬字，帶你從 0 開始快速學會 AI 編程，做出自己的產(chǎn)品、跑通變現(xiàn)全流程，一次拿捏。

開源指路：https://github.com/liyupi/ai-guide

我是魚皮，持續(xù)分享 AI 編程干貨。覺得有用的話記得點贊收藏和關(guān)注，也歡迎在評論區(qū)聊聊：你現(xiàn)在最常用哪個 AI 編程工具？覺得 GPT-5.5 的 DeepSeek-V4 怎么樣？