Typora集成DeepSeek-R1-Distill-Qwen-1.5B：智能文档编写助手

如果你经常用Typora写Markdown文档，肯定遇到过这样的情况：写到一半卡壳了，不知道接下来怎么写；或者想换个表达方式，但脑子一片空白；又或者检查了半天，还是漏掉几个错别字。这些问题虽然不大，但确实影响写作效率。

最近我在想，能不能把本地运行的AI模型直接集成到Typora里，让它成为我的写作助手？试了几个方案后，发现DeepSeek-R1-Distill-Qwen-1.5B这个模型特别合适。它体积小，能在普通电脑上跑起来，而且理解能力和生成质量都不错。

今天我就分享一下怎么把这个模型集成到Typora里，让它帮你生成内容、优化表达、检查错别字，真正成为你的智能写作伙伴。

1. 为什么选择DeepSeek-R1-Distill-Qwen-1.5B？

在开始动手之前，你可能想知道为什么选这个模型。我试过好几个小模型，最后选定它主要有三个原因。

1.1 体积小但能力够用

DeepSeek-R1-Distill-Qwen-1.5B只有15亿参数，模型文件大概6-7GB。这个大小意味着什么呢？就是说你不需要特别高端的显卡，甚至用CPU也能跑，只是速度慢一点。我试过在MacBook Pro的M1芯片上跑，速度完全可以接受。

虽然它比不上那些几百亿参数的大模型，但对于写作辅助这种任务来说，它的能力完全够用。写文章、改句子、检查语法这些事，它都能做得不错。而且因为是蒸馏模型，它继承了原版DeepSeek-R1的很多优点，在逻辑推理和语言理解上表现挺好。

1.2 本地运行保护隐私

这点对我来说特别重要。我经常写一些技术文档和内部资料，如果把这些内容传到云端让AI处理，总有点不放心。本地运行就完全没有这个顾虑，所有数据都在自己电脑上，安全又私密。

而且本地运行还有个好处：没有网络延迟。你输入文字，它马上就能给出回应，体验很流畅。不像用在线服务，有时候网络不好要等半天。

1.3 与Typora完美契合

Typora是我用过最顺手的Markdown编辑器，界面简洁，操作直观。但它本身没有AI功能，只能靠插件或者外部工具来补充。DeepSeek-R1-Distill-Qwen-1.5B正好可以填补这个空白。

我试过几种集成方式，最后找到了一套比较简单的方案。基本上就是让Typora能调用本地运行的模型服务，然后通过快捷键或者菜单来使用各种AI功能。用起来感觉就像Typora原生支持AI一样自然。

2. 环境准备与模型部署

好了，现在我们来动手搭建环境。别担心，步骤不算复杂，跟着做应该没问题。

2.1 安装必要的软件

首先你需要安装几个基础软件。如果你用的是Windows系统，我建议先装个Python环境。去Python官网下载3.8以上版本就行，安装时记得勾选“Add Python to PATH”这个选项。

然后打开命令行工具，安装几个必要的Python包：

pip install transformers torch flask requests

这里简单说一下这几个包是干什么的：

  • transformers：Hugging Face的模型加载和推理库，没有它就没法用DeepSeek模型
  • torch：PyTorch深度学习框架，模型运行的基础
  • flask：一个轻量级的Web框架，用来创建模型服务
  • requests：发送HTTP请求的库，Typora会用它来调用模型服务

如果你有NVIDIA显卡并且想用GPU加速，还需要安装对应版本的CUDA和cuDNN。不过没有显卡也没关系，用CPU也能跑，就是速度慢一些。

2.2 下载模型文件

接下来要下载DeepSeek-R1-Distill-Qwen-1.5B的模型文件。你可以从Hugging Face或者魔搭社区下载，我比较推荐用魔搭，因为国内下载速度更快。

打开命令行，用这个命令下载：

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

# 自动下载模型，第一次运行会下载模型文件
model_name = "deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name, torch_dtype=torch.float16)

# 保存到本地，这样下次就不用重新下载了
local_path = "./deepseek-r1-distill-qwen-1.5b"
tokenizer.save_pretrained(local_path)
model.save_pretrained(local_path)
print(f"模型已保存到: {local_path}")

第一次运行会下载模型文件，大概6-7GB，需要一些时间。下载完成后，模型就保存在你指定的本地路径了。以后再用的时候，直接从本地加载就行，不用重新下载。

2.3 创建模型服务

模型下载好了，但还不能直接用。我们需要创建一个简单的Web服务，让Typora能够调用它。

新建一个Python文件，比如叫deepseek_service.py，然后写入以下代码：

from flask import Flask, request, jsonify
from transformers import AutoTokenizer, AutoModelForCausalLM
import torch
import threading

app = Flask(__name__)

# 加载模型和分词器
print("正在加载模型...")
tokenizer = AutoTokenizer.from_pretrained("./deepseek-r1-distill-qwen-1.5b")
model = AutoModelForCausalLM.from_pretrained(
    "./deepseek-r1-distill-qwen-1.5b",
    torch_dtype=torch.float16,
    device_map="auto"  # 自动选择设备（GPU或CPU）
)
print("模型加载完成！")

# 设置pad_token
if tokenizer.pad_token is None:
    tokenizer.pad_token = tokenizer.eos_token

@app.route('/generate', methods=['POST'])
def generate_text():
    """生成文本的接口"""
    data = request.json
    prompt = data.get('prompt', '')
    max_length = data.get('max_length', 200)
    
    if not prompt:
        return jsonify({'error': '请输入提示文本'}), 400
    
    # 编码输入
    inputs = tokenizer(prompt, return_tensors="pt", padding=True, truncation=True)
    
    # 生成文本
    with torch.no_grad():
        outputs = model.generate(
            inputs['input_ids'],
            attention_mask=inputs['attention_mask'],
            max_length=max_length,
            num_return_sequences=1,
            pad_token_id=tokenizer.pad_token_id,
            temperature=0.7,  # 控制随机性
            do_sample=True
        )
    
    # 解码输出
    generated_text = tokenizer.decode(outputs[0], skip_special_tokens=True)
    
    # 去掉输入部分，只返回生成的内容
    if generated_text.startswith(prompt):
        generated_text = generated_text[len(prompt):].strip()
    
    return jsonify({'text': generated_text})

@app.route('/rewrite', methods=['POST'])
def rewrite_text():
    """重写文本的接口"""
    data = request.json
    text = data.get('text', '')
    instruction = data.get('instruction', '请优化这段文字')
    
    if not text:
        return jsonify({'error': '请输入要重写的文本'}), 400
    
    # 构建提示
    prompt = f"{instruction}：\n{text}\n优化后的版本："
    
    # 调用生成函数
    return generate_text_with_prompt(prompt)

@app.route('/check_spelling', methods=['POST'])
def check_spelling():
    """检查错别字的接口"""
    data = request.json
    text = data.get('text', '')
    
    if not text:
        return jsonify({'error': '请输入要检查的文本'}), 400
    
    # 构建提示
    prompt = f"请检查以下文本中的错别字和语法错误，并给出修改建议：\n{text}\n检查结果："
    
    # 调用生成函数
    return generate_text_with_prompt(prompt)

def generate_text_with_prompt(prompt):
    """内部生成函数"""
    inputs = tokenizer(prompt, return_tensors="pt", padding=True, truncation=True)
    
    with torch.no_grad():
        outputs = model.generate(
            inputs['input_ids'],
            attention_mask=inputs['attention_mask'],
            max_length=300,
            num_return_sequences=1,
            pad_token_id=tokenizer.pad_token_id,
            temperature=0.3,  # 检查错别字时温度设低一些，更确定性
            do_sample=True
        )
    
    generated_text = tokenizer.decode(outputs[0], skip_special_tokens=True)
    
    if generated_text.startswith(prompt):
        generated_text = generated_text[len(prompt):].strip()
    
    return jsonify({'text': generated_text})

if __name__ == '__main__':
    # 在后台线程中启动服务
    def run_server():
        app.run(host='127.0.0.1', port=5000, debug=False)
    
    server_thread = threading.Thread(target=run_server)
    server_thread.daemon = True
    server_thread.start()
    print("模型服务已启动：http://127.0.0.1:5000")
    
    # 保持主线程运行
    try:
        while True:
            pass
    except KeyboardInterrupt:
        print("\n服务已停止")

这个服务提供了三个主要接口：

  • /generate：根据提示生成文本
  • /rewrite：优化和重写现有文本
  • /check_spelling：检查错别字和语法错误

保存文件后，在命令行运行它：

python deepseek_service.py

看到“模型服务已启动”的提示，就说明服务跑起来了。这个服务会一直运行，直到你按Ctrl+C停止它。

3. Typora集成配置

模型服务准备好了，现在要让Typora能调用它。Typora本身不支持插件系统，但我们可以用一些变通的方法。

3.1 创建Python客户端脚本

首先创建一个Python脚本，作为Typora和模型服务之间的桥梁。新建一个文件叫typora_ai_helper.py：

import requests
import json
import sys
import os
from pathlib import Path

class DeepSeekHelper:
    def __init__(self, base_url="http://127.0.0.1:5000"):
        self.base_url = base_url
        self.session = requests.Session()
    
    def generate_text(self, prompt, max_length=200):
        """生成文本"""
        try:
            response = self.session.post(
                f"{self.base_url}/generate",
                json={"prompt": prompt, "max_length": max_length},
                timeout=30
            )
            if response.status_code == 200:
                return response.json()['text']
            else:
                return f"错误：{response.status_code}"
        except Exception as e:
            return f"请求失败：{str(e)}"
    
    def rewrite_text(self, text, instruction="请优化这段文字"):
        """重写文本"""
        try:
            response = self.session.post(
                f"{self.base_url}/rewrite",
                json={"text": text, "instruction": instruction},
                timeout=30
            )
            if response.status_code == 200:
                return response.json()['text']
            else:
                return f"错误：{response.status_code}"
        except Exception as e:
            return f"请求失败：{str(e)}"
    
    def check_spelling(self, text):
        """检查错别字"""
        try:
            response = self.session.post(
                f"{self.base_url}/check_spelling",
                json={"text": text},
                timeout=30
            )
            if response.status_code == 200:
                return response.json()['text']
            else:
                return f"错误：{response.status_code}"
        except Exception as e:
            return f"请求失败：{str(e)}"

def main():
    """命令行接口"""
    if len(sys.argv) < 2:
        print("用法：python typora_ai_helper.py [命令] [参数]")
        print("命令：")
        print("  generate [提示文本] - 生成文本")
        print("  rewrite [文本] - 重写文本")
        print("  check [文本] - 检查错别字")
        return
    
    command = sys.argv[1]
    helper = DeepSeekHelper()
    
    if command == "generate":
        if len(sys.argv) < 3:
            print("请提供提示文本")
            return
        prompt = " ".join(sys.argv[2:])
        result = helper.generate_text(prompt)
        print(result)
    
    elif command == "rewrite":
        if len(sys.argv) < 3:
            print("请提供要重写的文本")
            return
        text = " ".join(sys.argv[2:])
        result = helper.rewrite_text(text)
        print(result)
    
    elif command == "check":
        if len(sys.argv) < 3:
            print("请提供要检查的文本")
            return
        text = " ".join(sys.argv[2:])
        result = helper.check_spelling(text)
        print(result)
    
    else:
        print(f"未知命令：{command}")

if __name__ == "__main__":
    main()

这个脚本可以在命令行中直接调用，测试模型服务是否正常工作。比如：

# 测试生成功能
python typora_ai_helper.py generate "写一段关于Python编程的介绍"

# 测试重写功能  
python typora_ai_helper.py rewrite "这个产品很好用，功能很多"

# 测试检查功能
python typora_ai_helper.py check "我今天去公园玩，天气很好"

3.2 配置Typora自动任务

Typora虽然没有官方插件系统，但它支持通过“自动任务”功能调用外部脚本。我们可以利用这个特性来集成AI功能。

首先，你需要创建一个批处理文件（Windows）或Shell脚本（Mac/Linux）。这里以Windows为例，创建一个ai_assistant.bat文件：

@echo off
python "C:\path\to\your\typora_ai_helper.py" %*

记得把路径改成你实际存放脚本的位置。然后给这个批处理文件设置一个系统环境变量，或者把它放在系统PATH包含的目录里。

接下来，在Typora中配置自动任务。打开Typora，进入“文件”->“偏好设置”->“高级设置”，找到“自动任务”配置。你可以添加类似这样的配置：

{
  "ai_generate": {
    "command": "ai_assistant.bat",
    "args": ["generate", "{selectedText}"],
    "description": "AI生成文本"
  },
  "ai_rewrite": {
    "command": "ai_assistant.bat", 
    "args": ["rewrite", "{selectedText}"],
    "description": "AI优化文本"
  },
  "ai_check": {
    "command": "ai_assistant.bat",
    "args": ["check", "{selectedText}"],
    "description": "AI检查错别字"
  }
}

配置好后，你可以在Typora中选中一段文字，然后通过右键菜单或者快捷键调用这些自动任务。AI处理后的结果会显示在输出面板中，你可以直接复制使用。

3.3 使用AutoHotkey增强体验（Windows用户）

如果你觉得每次都要点菜单太麻烦，可以用AutoHotkey创建全局快捷键。安装AutoHotkey后，创建一个脚本文件：

; Typora AI助手快捷键
#IfWinActive ahk_exe Typora.exe
{
    ; Ctrl+Alt+G: AI生成
    ^!g::
        Send ^c ; 复制选中的文本
        Sleep 100
        ; 这里可以调用你的Python脚本
        RunWait, python "C:\path\to\typora_ai_helper.py" generate "%Clipboard%"
        ; 将结果粘贴回来
        Send ^v
        return
    
    ; Ctrl+Alt+R: AI重写
    ^!r::
        Send ^c
        Sleep 100
        RunWait, python "C:\path\to\typora_ai_helper.py" rewrite "%Clipboard%"
        Send ^v
        return
    
    ; Ctrl+Alt+C: AI检查
    ^!c::
        Send ^c
        Sleep 100
        RunWait, python "C:\path\to\typora_ai_helper.py" check "%Clipboard%"
        ; 检查结果通常需要手动查看，所以不自动粘贴
        return
}

这样配置后，你在Typora中写作时，只需要选中文字，然后按快捷键就能调用AI功能，非常方便。

4. 实际应用场景展示

配置好了，现在来看看在实际写作中怎么用这个AI助手。我用了几个星期，发现它在这些场景下特别有用。

4.1 内容生成与续写

有时候写到一半没思路了，或者不知道如何开头。这时候AI就能帮上忙。

比如我在写技术文档时，有了大纲但不知道具体内容怎么写。我选中章节标题，然后让AI生成内容：

用户输入：## 2.1 安装Python环境
AI生成：Python环境的安装是学习编程的第一步。首先需要访问Python官方网站（python.org）下载适合你操作系统的安装包。Windows用户建议下载可执行安装程序（.exe），macOS用户可以使用Homebrew安装，Linux用户通常可以通过包管理器安装。

安装过程中有几个注意事项：一是要勾选“Add Python to PATH”选项，这样可以在命令行中直接使用Python；二是可以选择自定义安装路径，避免使用系统默认路径；三是安装完成后建议验证安装是否成功，打开命令行输入“python --version”查看版本信息。

对于初学者，推荐安装Python 3.8及以上版本，这些版本有更好的性能和更多的功能支持。如果同时需要多个Python版本，可以考虑使用虚拟环境工具如venv或conda来管理不同的环境。

生成的内容可能不完全符合你的要求，但至少提供了一个起点。你可以在此基础上修改、补充，比从零开始写要容易得多。

4.2 文本优化与润色

写好的文字总觉得不够流畅，或者想换个表达方式。AI的重写功能这时候就派上用场了。

原始文本：

这个功能很好用，可以帮我们节省很多时间。它有很多选项，我们可以根据需要选择。操作也很简单，点几下就行了。

AI优化后：

该功能实用性强，能显著提升工作效率。它提供了丰富的配置选项，用户可根据实际需求灵活选择。操作界面简洁直观，仅需几次点击即可完成设置，上手难度低。

可以看到，AI不仅让语言更正式、更流畅，还增加了一些细节描述。对于技术文档、报告这类需要专业表达的场景，这种优化特别有用。

4.3 错别字与语法检查

自己写的文章自己检查，很容易漏掉错别字。AI的检查功能可以帮你找出这些问题。

输入文本：

我今天去公司开会，讨论了下季度的计划。我们需要提高产品的质量，同时也要注意成本控制。市场竟争很激烈，我们必须保持竟争力。

AI检查结果：

检查发现以下问题：
1. "竟争"应为"竞争"，出现了两次同样的错误。
2. 句子结构可以优化，使表达更流畅。

建议修改为：
我今天参加了公司会议，讨论了下季度的工作计划。我们需要在提升产品质量的同时，注意控制成本。当前市场竞争十分激烈，我们必须保持自身的竞争力。

AI不仅指出了错别字，还给出了修改建议。虽然它可能不会发现所有错误，但能帮你找出大部分明显的问题。

4.4 代码注释与文档生成

对于程序员来说，写代码注释和文档是件繁琐的事。AI也能在这方面帮忙。

选中一段Python代码：

def calculate_stats(data):
    if not data:
        return None
    total = sum(data)
    count = len(data)
    avg = total / count
    sorted_data = sorted(data)
    mid = count // 2
    median = sorted_data[mid] if count % 2 == 1 else (sorted_data[mid-1] + sorted_data[mid]) / 2
    return {"total": total, "average": avg, "median": median}

让AI生成注释：

AI生成注释：
该函数用于计算数据集的基本统计信息。

参数：
    data: 数值列表，包含需要计算统计信息的数据

返回值：
    字典类型，包含以下键值：
    - total: 数据总和
    - average: 数据平均值  
    - median: 数据中位数

说明：
1. 如果输入数据为空列表，函数返回None
2. 中位数的计算考虑了数据集长度为奇数和偶数的不同情况
3. 函数先对数据进行排序，然后根据索引计算中位数值

生成的注释准确描述了函数的功能、参数和返回值，比自己写要省事得多。

5. 使用技巧与注意事项

用了一段时间后，我总结了一些使用技巧和需要注意的地方，分享给你。

5.1 提示词技巧

AI的表现很大程度上取决于你怎么提问。这里有几个小技巧：

具体比笼统好

  • 不好：“写一段关于Python的文章”
  • 好：“写一段200字左右的Python入门介绍，面向零基础初学者，重点讲Python的特点和适用场景”

提供上下文

  • 不好：“优化这段文字”
  • 好：“这是一篇技术博客的引言部分，请让它更吸引人：{你的文字}”

指定格式和风格

  • 不好：“总结会议内容”
  • 好：“以项目列表的形式总结会议要点，每个要点不超过两行：{会议记录}”

5.2 性能优化建议

如果你觉得AI响应速度慢，可以试试这些方法：

调整生成参数 在deepseek_service.py中，可以调整这些参数来平衡速度和质量：

  • max_length：设置小一些，比如100-150字
  • temperature：设置低一些（如0.3-0.5），生成更确定的内容
  • 关闭do_sample，使用贪婪解码，速度更快但多样性降低

使用量化模型 如果显存不够，可以考虑使用量化版本的模型。DeepSeek-R1-Distill-Qwen-1.5B有4-bit和8-bit的量化版本，体积更小，运行更快：

from transformers import BitsAndBytesConfig

quantization_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_compute_dtype=torch.float16
)

model = AutoModelForCausalLM.from_pretrained(
    "./deepseek-r1-distill-qwen-1.5b",
    quantization_config=quantization_config,
    device_map="auto"
)

分批处理 如果需要处理大量文本，不要一次性全部交给AI。分成小段处理，每段200-300字，这样不仅速度快，效果也更好。

5.3 局限性认识

虽然这个AI助手很有用，但也要知道它的局限性：

知识截止日期 DeepSeek-R1-Distill-Qwen-1.5B的训练数据有截止日期，可能不了解最新的信息。对于时效性强的主题，需要自己核实。

可能产生幻觉 像所有AI模型一样，它有时候会“编造”内容。特别是涉及事实、数据、引用时，一定要自己验证。

创意有限 对于需要高度创意的写作，比如诗歌、小说，它的帮助有限。更适合技术文档、报告、邮件这类结构化内容。

需要人工审核 AI生成的内容永远需要人工审核和修改。把它当作助手，而不是替代者。

6. 总结

把DeepSeek-R1-Distill-Qwen-1.5B集成到Typora里，确实让我的写作效率提升了不少。最明显的感受是，遇到写作瓶颈的时候有了求助的对象，检查错别字的时候多了双眼睛，优化表达的时候多了个参谋。

整个集成过程不算复杂，主要是搭建模型服务和配置Typora调用。一旦设置好，用起来就很方便了。我特别喜欢用快捷键调用AI功能的感觉，就像编辑器原生支持一样自然。

当然，这个方案还有改进空间。比如可以做个更友好的图形界面，或者增加更多功能（翻译、摘要、格式转换等）。但就目前来说，它已经能满足我大部分日常写作需求了。

如果你也经常用Typora写作，不妨试试这个方案。从简单的功能开始，比如先配置个错别字检查，用习惯了再慢慢添加其他功能。相信它也能成为你的写作好帮手。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。

Logo
AI Agent技术社区

Agent 垂直技术社区，欢迎活跃、内容共建。

更多推荐

cover

【花雕动手做】行空板 K10 系列实验之人工智能调用语音合成（TTS）模块

avatar AI Agent技术社区
cover

苏州企业AI Agent智能体从概念到落地：2026年开发者必须关注的技术范式与工程实践

avatar AI Agent技术社区
cover

GitHub 狂揽 4万+ Star！这个项目直接让你省下 60–95% 的 Token

avatar AI Agent技术社区