前言：在官方没有正式推出AI算力平台前，使用第三方AI算力平台可以提前搭建框架，展现未来多维表格所能达成的效果。

AI算力平台基本都会使用API的形式进行交互操作，随原理相同，但操作起来对于零基础人员来说仍有困难。例如笔者在尝试由@邻家小哥 所展示的接入deepseek官网API代码的时候，它们已经暂停充值API余额（现已恢复），于是使用第三方算力平台进行代替，但代码不能简单复用，只能逐步纠错，好在最后成功运行。

本次尝试的硅基流动仅仅是其中的一家AI算力平台，华为云、阿里云、腾讯云等等都有对应的算力平台服务，根据需求可以自行选择，这里只介绍接入第三方的基本思路。

再次感谢@邻家小哥提供的代码思路。

效果

https://kdocs.cn/l/cpJVIXiOfQNL

请注意：笔者的API余额仅支持大概100张照片（或一万次文本）的分析。虽然免费使用，但仅供学习，请不要滥用。

共分两张表：TLM测试 和 VLM 测试，一个是文本Text，一个是视觉Visual。

构建js代码

第一步，找到右上角的脚本-AirScript脚本-新建脚本（以后要找的时候就点击“管理脚本”，直接点击已经建好的脚本会运行它），然后，将示例代码删除。

我们以TLM为例，逐步分析代码：

const text_id = Context.argv.id[0]
const text1 = Application.Sheets('TLM测试').RecordRange(text_id,"@问题").Text
const text = "你是一名专业的翻译老师，你只翻译单词，不会输出任何解释，请翻译：" +text1

//请求 API
const url = 'https://api.siliconflow.cn/v1/chat/completions'
const apiKey = "sk-darottdejporyoewkzqfxyeclbyyfhsdajhpwgeideedtzgk"
const data = {
    model:"Pro/deepseek-ai/DeepSeek-V3",
    messages:[
        {"role": "user", "content": text},
    ],
  };
  const resp = HTTP.fetch(url, {
    method: 'POST',
    body: JSON.stringify(data),
    headers: {
      'Authorization': `Bearer ${apiKey}`,
      'Content-Type': 'application/json'
    }
  })
  const resptext= resp.json().choices[0].message.content
  Application.Sheets('TLM测试').RecordRange(text_id,"@deepseek回复").Value = resptext

console.log(resptext)

以上是完整代码，你也可以在刚才分享的链接里找到。但要注意，现在的代码是“活代码”，直接复制粘贴是无法使用的。需要修改其中的一些内容：

第二行：将“TLM测试”改为要操作的数据表名称，将@问题改为要输入的字段（别少了@）

第三行：这是提问模板，可以根据自己的要求更改，原理和公式字段类似，不做过多解释。

第六行：请求的网址，需要在各个平台的API手册去找，硅基流动的地址和代码里的一样。

第七行：将API KEY 改为自己的，如何申请需要去对应的第三方平台询问。以硅基流动举例，如下图：

第九行：model，这里可以更改大模型，只要平台里有的，复制过来名字就可以用。

第二十三行：与第二行类似，第一个要改的是数据表的名字，第二个是回答区。

修改完毕后，粘贴到你的多维表脚本里。

三、添加服务授权与自动化流程

如图，点击服务授权，然后添加网络API，之后先运行一次，确认授权（不管错误代码，先授权了再说）

授权完后，新建一个按钮字段，设置“点击后执行Air Script脚本”，然后在自动化流程里的“执行airscript脚本”步骤里，找到右边的“脚本入参”，如下图般填写。

其中，双引号和冒号要用半角，“记录ID”要在右边的蓝色加号里找

最后点击右上角的“保存并启用”。构建就算完成了。

最后的最后，点击按钮，就可以让大模型开始工作了。要注意，只要回复框里没内容，那就是失败了，自行尝试解决，或者在帖子下留言都可以。

另外，VLM的思路类似，只是增加了一个需要操作的图片地址字段。代码如下，自然也可以在示例链接里找到：

const textid = Context.argv.id[0]
const value = Application.Sheets('VLM测试').RecordRange(textid,"@图片和附件").Value
const mid1 = value.Value
const imgurl = mid1[0].LinkUrl
const question = Application.Sheets('VLM测试').RecordRange(textid,"@问题").Text

const options = {
  method: 'POST',
  headers: {
    Authorization: 'Bearer sk-darottdejporyoewkzqfxyeclbyyfhsdajhpwgeideedtzgk',
    'Content-Type': 'application/json'
  },
  body:JSON.stringify({
    model: "Qwen/Qwen2-VL-72B-Instruct",
    messages: [
      {
        role: "user",
        content: [
          {
            type: "image_url",
            image_url: {
              url: imgurl, // 将 imgurl 插入到这里
              detail: "auto",
              text: "tell me what you have seen in this picture,more detailed the better"
            }
          }
        ]
      },
]
  })};

const resp = HTTP.fetch('https://api.siliconflow.cn/v1/chat/completions', options)
const resptext = resp.json().choices[0].message.content

console.log(resptext)


Application.Sheets('VLM测试').RecordRange(textid,"@回答").Value = resptext