شرکت DeepSeek مجموعه قابلیت‌های اپلیکیشن گفت‌وگوی خودش را به روی توسعه‌دهندگان بیرونی باز کرده است. این شرکت در اطلاعیه‌ای که ۱۳ نوامبر ۲۰۲۶ در سایت مستندات API منتشر شد، اعلام کرد که جست‌وجو، کار با فایل، خواندن لینک، پالایش ایمنی و قابلیت‌های صوتیِ پشت DeepSeek App حالا از طریق DeepSeek API در دسترس است. هدفی که خود شرکت مطرح می‌کند این است که توسعه‌دهندگان بتوانند کل تجربه اپلیکیشن را درون محصولات خودشان بازسازی کنند.

پایه همه این قابلیت‌ها مدل V4.1-Flash است که با نام deepseek-flash عرضه می‌شود و در سه شکل API کار می‌کند: رابط Messages که با Anthropic سازگار است، Responses و Chat Completions. برای فعال کردن آن‌ها کافی است چند پارامتر تنظیم شود و دیگر لازم نیست ابزارها را خودتان پیاده کنید. وقتی حالت استدلال خاموش و ابزار deepseek_web_search روشن باشد، مدل خودش تصمیم می‌گیرد کی در وب یا تصاویر جست‌وجو کند و پاسخ را همراه با منبع می‌دهد. با روشن بودن حالت استدلال، همین ابزار به مدل اجازه می‌دهد در چند مرحله جست‌وجو کند و صفحه‌ها را بخواند؛ چیزی که DeepSeek آن را جست‌وجو با تفکر عمیق می‌نامد. ابزار جداگانه deepseek_read_url هم لینک‌های موجود در پیام کاربر را باز می‌کند و می‌خواند. ورودی فایل نیز اسناد PDF، فایل‌های Word و PowerPoint و تصاویر را می‌پذیرد و محتوای آن‌ها را به بافت گفت‌وگو اضافه می‌کند.

نکته اصلی در معماری است. طبق راهنمای ساخت چت‌بات DeepSeek، خود سرویس جست‌وجو را انجام می‌دهد، صفحه‌ها را می‌خواند و بافت گفت‌وگو را سر هم می‌کند؛ کلاینت فقط بلوک‌های برگشتی را نمایش می‌دهد و در نوبت بعد همان‌ها را بدون تغییر برمی‌گرداند. به این ترتیب لایه‌ای از کد هماهنگ‌سازی که تیم‌ها معمولاً خودشان می‌نویسند حذف می‌شود، اما در عوض چرخه اجرای ابزارها در سمت DeepSeek می‌چرخد و از کنترل مستقیم توسعه‌دهنده بیرون است.

DeepSeek اجزای زیرین را هم به شکل APIهای مستقل عرضه کرده است: جست‌وجو و دریافت صفحه (Search و Fetch)، تشخیص متن از تصویر (OCR)، تبدیل گفتار به متن (ASR) و تبدیل متن به گفتار (TTS). یک پارامتر بررسی ایمنی هم ورودی و خروجی مدل را بازبینی می‌کند و اگر خطری ببیند، نشانگر امتناع برمی‌گرداند. به گفته شرکت، اپلیکیشن‌هایی که به عموم خدمات می‌دهند باید این گزینه را فعال کنند و مسئولیت نظارت بر محتوا، ثبت مدل در جاهایی که الزامی است و برچسب‌گذاری محتوای تولیدشده با هوش مصنوعی با خود توسعه‌دهندگان است. هزینه فراخوانی ابزارها جدا از هزینه توکن‌ها محاسبه می‌شود.

DeepSeek برای نشان دادن کارکرد این مجموعه، مخزن deepseek-ai/chat-demo را با مجوز MIT در GitHub منتشر کرد. این مخزن ۱۲ نوامبر ساخته شد و تا ۱۶ نوامبر حدود ۳۷۰۰ ستاره گرفته بود. برنامه‌ای ایستا برای مرورگر است که به سرور جداگانه نیاز ندارد: کلید API و تنظیمات را در localStorage و گفت‌وگوها را در IndexedDB نگه می‌دارد، از پاسخ جریانی، تفکر عمیق، جست‌وجو با ذکر منبع، پیوست فایل، ورودی صوتی و بلندخوانی پاسخ پشتیبانی می‌کند و می‌تواند تاریخچه گفت‌وگوهایی را که از اپلیکیشن DeepSeek خروجی گرفته شده وارد کند. خود شرکت این برنامه را صرفاً نمونه‌ای نمایشی معرفی کرده است.

پوشش رسانه‌ای مستقل بیشتر روی محدودیت‌ها تمرکز کرده است. ترنس هیل (Terrence Hill) در گزارشی که ۱۶ نوامبر در Tech Times منتشر شد، با استناد به راهنماهای DeepSeek یادآوری کرد که سرویس تشخیص گفتار در هر درخواست حداکثر ۱۲۰ ثانیه صدا را می‌پذیرد و به‌صورت جریانی کار نمی‌کند، پردازش متنیِ فایل‌ها نمودارها و تصاویر را کنار می‌گذارد و حالت صفحه‌آرایی کامل‌تر هم ممکن است برخی تصویرها را از قلم بیندازد، و در راهنماها نامی از مدلِ پشت OCR و سرویس‌های صوتی برده نشده است. او همچنین اشاره کرد که فرستادن جست‌وجوها، اسناد و فایل‌های صوتی به یک ارائه‌دهنده مستقر در هانگژو، همه این داده‌ها را زیر یک حوزه قضایی واحد جمع می‌کند. سایت کره‌ای TokenPost هم در گزارشی به قلم سایمون یون (Simon Yoon) این به‌روزرسانی را گسترش API توسعه‌دهندگان در حوزه جست‌وجو، فایل و صدا توصیف کرد.

با این اقدام، API شرکت DeepSeek از یک درگاه ساده برای دسترسی به مدل فراتر می‌رود و به سکویی یکپارچه نزدیک می‌شود که مخاطب اصلی‌اش سازندگان ایجنت‌ها و برنامه‌های بازیابی اطلاعات است؛ کسانی که می‌خواهند بدون نگهداری زنجیره‌های پردازش خودشان، به جست‌وجو و پردازش اسناد دسترسی داشته باشند. اینکه این قابلیت‌ها در عمل چقدر به کار بیایند، به قیمت‌گذاری، به کیفیت نمایه جست‌وجویی که DeepSeek اندازه‌اش را اعلام نکرده و به میزان تمایل تیم‌ها برای سپردن اجرای ابزارها و جریان داده به این فروشنده بستگی دارد.

منابع