DeepSeek：国产开源推理AI

为什么需要 DeepSeek：开源推理模型的成本与自主权

2024 年之前的局面是：强推理能力集中在闭源模型（OpenAI o1 系列），API 价格高、数据须出境、无法私有化；开源模型虽有多种选择，但推理能力与闭源差距明显，在数学、代码等任务上难以达到生产标准。对国内团队而言，还叠加了合规与供应链风险。

DeepSeek 以两个关键动作打破这一局面：一是 2024 年 12 月发布 V3，以约 557 万美元训练成本（2.788M H800 GPU 小时）达到接近 GPT-4o 的通用能力；二是 2025 年 1 月发布 R1，首次将 o1 级别的链式推理开源，并公开了强化学习训练方法。MIT 协议授权商用与二次分发，API 定价显著低于同类闭源模型。

与 Qwen 的全尺寸覆盖、GLM 的企业服务整合相比，DeepSeek 的气质是“以算法效率最大化单点性能”：用 MoE 稀疏激活（每次推理只激活部分参数）与 MLA 注意力（压缩 KV 缓存）把推理成本压到最低，用 R1 验证纯强化学习路线。这意味着它在成本敏感和高难度推理场景有独特优势。

安装与环境配置：3 步就绪

步骤一：注册并创建 API Key。 访问 platform.deepseek.com，注册账号后完成实名认证，在「API Keys」页面创建密钥（sk- 开头）。充值少量余额即可调用，新账号通常有赠送额度，以官网活动为准。

步骤二：安装 OpenAI SDK。 DeepSeek API 与 OpenAI 接口格式完全兼容，直接安装 openai 包，只需替换 base_url 即可。

步骤三：配置密钥并验证。 将密钥写入环境变量，用下方案例发起首个对话请求。

验证标准：正常返回中文文本即配置成功。注意 deepseek-chat 映射 V 系列、deepseek-reasoner 映射 R 系列，两者都会随官方升级自动指向最新版本。

pip install openaiexport DEEPSEEK_API_KEY="sk-你的密钥"

import osfrom openai import OpenAI client = OpenAI(    api_key=os.environ["DEEPSEEK_API_KEY"],    base_url="https://api.deepseek.com") resp = client.chat.completions.create(    model="deepseek-chat",    messages=[{"role": "user", "content": "用一句话介绍 MoE 架构"}],    max_tokens=200)print(resp.choices[0].message.content)

快速上手：5 分钟跑通第一个示例

核心思路是先用对话模型完成日常任务，再用推理模型处理高难度题目，对比两者差异。输入同一道数学题，观察 reasoner 会先输出思考过程再给结论，而 chat 直接回答。

1. 在 platform.deepseek.com 创建 API Key，充值约 10 元即可完成全部测试。

2. 将密钥写入环境变量 DEEPSEEK_API_KEY。

3. 用上方 Python 脚本分别请求 deepseek-chat 与 deepseek-reasoner，输入问题“9.11 与 9.8 哪个大”。

4. 观察输出：deepseek-reasoner 会先返回 reasoning_content 字段（思考过程），再返回最终答案。

5. 进阶操作：将请求参数改为 stream=True 可逐字流式返回，适合接入聊天类 UI。

核心能力详解：4 大支柱

支柱一：开源深度推理（DeepSeek-R1）。 R1 通过大规模强化学习让模型在给出答案前生成 Chain-of-Thought（思维链，模型逐步推理的中间过程），在 AIME 2024 数学竞赛上达到 79.8% pass@1，与 OpenAI o1 持平；Codeforces 竞赛评级 2029，超过 96.3% 人类参赛者。官方同时开源了基于 Qwen/Llama 蒸馏的 1.5B-70B 小模型，可在消费级显卡运行。注意：思维链 token 会被计费。

支柱二：MoE 混合专家架构（DeepSeek-V3）。 MoE（Mixture of Experts，混合专家）将模型拆分为多个“专家”子网络，每次只激活其中一部分。V3 总参数 671B，但每次推理仅激活 37B，大幅降低算力开销。配合 MLA（Multi-head Latent Attention，多头潜在注意力）压缩 KV 缓存，使 API 能以低价提供 128K 长上下文服务。这是 DeepSeek 成本优势的架构基础。

支柱三：超长上下文与工具调用。 V3 与 R1 均支持 128K 上下文，可处理整本书或长代码文件；支持 JSON Output（按指定 JSON 格式输出）与 Function Calling（函数调用，模型按约定输出结构化参数供程序执行）。注意：R1 的 Function Calling 仅支持中文与英文输入，具体语言兼容性以官方文档为准。

支柱四：开放权重与低成本 API。 模型权重以 MIT 协议开源，可在 Hugging Face 下载；蒸馏版可在单张 24GB 显卡上运行。API 定价（截至 2025 年 5 月）：deepseek-chat 输入 2 元/M token、输出 8 元/M token；deepseek-reasoner 输入 4 元/M、输出 16 元/M，约为同类闭源模型价格的 1/10 量级，实际价格以官网实时为准。

生产部署与监控：从上线到运维

部署方式一：官方 API（推荐起步）。 零运维，分钟级接入。在开放平台配置用量告警与单日消费上限，防止异常调用。API 按量计费、无需预付费，但需关注平台并发限制。此方式适合快速验证业务、中小流量起步。

部署方式二：私有化部署。 用 vLLM 或 SGLang 加载 DeepSeek-V3/R1 的 671B 权重，按 FP8 量化估算需约 8 × H100 80GB 的多卡集群；消费级显卡无法运行全量模型，只能运行蒸馏版（如 R1-Distill-Qwen-7B 单张 24GB 显卡可跑）。部署时使用 vLLM 的 OpenAI 兼容 server 模式，客户端只需改 base_url 即可无缝迁移。

可观测性： 官方 API 侧在平台面板查看 token 消耗、请求量与费用明细；私有化部署侧接入 Prometheus 监控 GPU 利用率与 Token 吞吐，Grafana 做可视化。生产环境建议补充：输入输出内容过滤、PII 脱敏（在调用前对个人信息做脱敏处理）、多 Key 轮询与失败重试。

<p class="para-label">避坑清单：</p>

<ul class="dash-list"><li>思维链计费陷阱：deepseek-reasoner 的思考过程按 token 计费且不可关闭，长思维链会使单次成本显著高于 deepseek-chat，成本敏感场景先用 chat 试跑；</li><li>长输出静默截断：max_tokens 默认值为 4K，长文生成不报错但内容被截断，务必按任务需要显式调大该参数；</li><li>蒸馏版 ≠ 原版：R1-Distill 系列基于 Qwen/Llama 的小模型，推理能力接近但不等同于 671B 原版 R1，复杂长链推理场景谨慎使用。</li></ul>

版本迭代

DeepSeek 的演进主线是“成本—能力双重突破”：V2 用 MoE + MLA 把推理成本打下来，V3 在低成本下追平主流闭源模型，R1 把深度推理能力开源并公开训练方法，随后通过小版本升级持续强化代码与推理能力。（截至训练数据，可能已有更新版本）

AI 应用场景

常见误区

面试题

参考来源

• webpageDeepSeek 官网产品介绍、网页版与 App 下载入口