上个月接了个小活帮一家公司做一个内部知识库问答系统数据是几百页的产品手册和操作指南。需求很简单——员工输入一个问题系统从文档里找到相关段落再用大模型组织成一段通顺的回答。这个任务听起来不复杂但实际做起来有几个麻烦。首先几百页的文档加起来可能有大几十万个字符普通大模型的上下文窗口根本装不下。其次用户问的问题有时候很模糊比如“那个报警提示怎么关”单纯用关键词检索很难命中准确的段落。我当时的方案是用Kimi。Kimi的上下文窗口很长可以一次性把整本手册塞进去然后让它在原文基础上回答问题。这个思路没问题但Kimi在处理纯检索任务时效率不高每次问答都要重新扫一遍全文响应时间偏长而且费用也不低。后来换了个做法用DeepSeek把文档先拆成有意义的段落块然后给每个块建立索引检索时找到最相关的三到五个段落最后把这些段落丢给Kimi生成最终答案。这样既保证了回答质量又降低了大模型处理的长文本量。但这个方案意味着我要同时调用两个模型。按照常规做法我得分别注册DeepSeek和Kimi的账号维护两套API Key处理两种不同的返回格式。这时候我找到了DMXAPI。DMXAPI正好支持这两个模型而且调用格式完全统一。我只需要配置一个地址和一个Key然后在每次请求时选择不同的模型就行。两段操作除了模型名称不同其他完全一样。不用来回切换不用记两套参数命名规则。整个系统跑起来之后响应时间比只用Kimi缩短了将近一半单次问答的成本也降了大概三成。最后交付的时候我还顺便用了DMXAPI的文生图功能给问答系统加了一个小功能当用户问的问题涉及到操作界面时系统会自动生成一个示意图辅助文字说明。这个功能用的是平台内置的绘图模型还是同一个Key不需要另外集成。如果你也在做类似的需要混合调用多个模型的项目可以试试DMXAPI。它不花哨但确实能减少很多重复劳动。文档地址在官网上有注册流程就是填个邮箱、设个密码、充值就行没什么门槛。
