找 Deep Lake 官方入口时，最容易踩的坑不是“没有下载按钮”，而是把官网、文档、代码仓库和 Python 包页面当成同一个入口。它们负责的事情不同：官网开通工作区，文档给调用路径，GitHub 用来核对源码，PyPI 才是普通 Python 安装来源。

四个官方入口分别做什么

deeplake.ai 是产品主页与托管服务入口；docs.deeplake.ai 提供 Python SDK、TypeScript SDK 和 REST API 文档；github.com/activeloopai/deeplake 是 Apache-2.0 许可的官方仓库；pypi.org/project/deeplake 发布可由 pip 安装的包。识别时看域名与仓库所有者，不要只看搜索广告里的标题。

仓库首页的 About 已把项目描述为面向 Agent 的 AI Data Runtime，并提到 serverless Postgres、多模态数据湖、检索与训练。目录里能看到 postgres、python/deeplake、cpp 和 docs，这比第三方下载站的一句“向量数据库”更能说明当前项目边界。

多模态数据湖从哪里开始

只做本地验证时，在虚拟环境执行 python -m pip install deeplake 即可。要使用托管表、SQL 查询与团队工作区，还要在官网取得 Token 和 Workspace，把它们保存为 DEEPLAKE_API_KEY、DEEPLAKE_WORKSPACE 环境变量，再由 Client 读取。

import os
from deeplake import Client

client = Client(
    token=os.environ.get("DEEPLAKE_API_KEY"),
    workspace_id=os.environ.get("DEEPLAKE_WORKSPACE"),
)

这段代码能创建客户端，不代表权限和表名已经正确。第一次连接应再写入一张测试表，查询一行标题与正文；有返回结果才算入口、凭据和工作区三处都对上。

版本号对不上是不是假页面

2026 年 7 月 23 日，PyPI 当前包为 4.7.0，而文档站导航仍显示 v4.6。两者节奏不同，不能只凭数字判断真伪。更可靠的核对方式是：包页面的项目链接回到官方文档和仓库，GitHub 所有者为 activeloopai，安装文件来自 PyPI 的发布记录。

放数据前先选本地还是托管

本地路径适合单机试验、离线处理和小数据集；托管服务适合共享表、远程查询、权限与规模化检索。图片、视频、PDF、文本、向量和标注可以进入统一数据模型，但模式仍要由项目自己设计。至少保留文档 ID、来源、分块位置、版本和许可证，后续做 RAG 或训练时才有证据链可查。

入口核对完成后，别急着导入整库。先用十几条真实资料跑通安装、写入、查询和删除测试；成功信号是能从结果定位回原始文件，而不是终端只显示“安装完成”。