DeepSeek API：DeepSeek API 服务完全上手指南

为什么需要 DeepSeek API：低成本、中文友好的 LLM 开箱即用

过去团队接入大语言模型，只有两条路：一是从零训练或微调开源模型，需要 GPU 集群、数据工程和长期运维，起步成本在百万级；二是直接调用海外闭源 API，中文效果不稳定，且按美元计费，对国内业务并不友好。这两种方式都让「先跑通一个 LLM 应用」变得很重。

DeepSeek API 把模型能力做成即开即用的云端服务，注册后创建一个 Key 就能调用，几分钟内完成第一个请求。它同时提供 deepseek-chat（通用对话）和 deepseek-reasoner（深度推理）两个模型，覆盖客服、知识库问答、代码生成、数据分析等常见场景。接口完全兼容 OpenAI Chat Completions 格式，所以现有基于 OpenAI 的应用只需要改 base_url 就能切换。

相比同类服务，DeepSeek 的核心差异是「开放权重 + 低价 API」：你可以先用 API 快速验证业务，再在需要数据合规或降本时把同样权重的模型部署到自己的 GPU 环境。这种从托管到私有的平滑过渡，是纯闭源 API 供应商不具备的。

安装与环境配置：3 步就绪

第一步：创建 API Key。 打开 [platform.deepseek.com](https://platform.deepseek.com/v1)，注册账号后进入「API Keys」页面，点击创建新 Key。Key 创建后只会完整显示一次，务必复制保存，后续无法再次查看。

第二步：安装 SDK（可选）。 DeepSeek 是标准 REST 接口，任何 HTTP 客户端都能调用。官方示例推荐使用 OpenAI 官方 Python SDK，因为协议兼容：

第三步：验证连通性。 把 Key 写入环境变量，用 curl 发起一次最小请求。返回体中包含 choices[0].message.content 即表示接入成功。

官方 base_url 直接使用 https://api.deepseek.com，无需拼 /v1；同时兼容 https://api.deepseek.com/v1 两种写法。控制台与 API 域名分离：platform.deepseek.com 管账号和额度，api.deepseek.com 管请求。

pip install openai

# 1. 安装 OpenAI SDK（可选，DeepSeek 兼容该协议）pip install openai # 2. 设置环境变量（把 sk-xxx 换成你的真实 Key）export DEEPSEEK_API_KEY=sk-xxxxxxxx # 3. 用 curl 验证连通性curl https://api.deepseek.com/chat/completions \  -H "Content-Type: application/json" \  -H "Authorization: Bearer $DEEPSEEK_API_KEY" \  -d '{"model":"deepseek-chat","messages":[{"role":"user","content":"你好"}],"stream":false}'

快速上手：5 分钟跑通第一个对话

最小可用流程 = 一个 API Key + 一次 Chat 请求。先跑通 deepseek-chat，再把模型名换成 deepseek-reasoner，感受两类模型的差异。

操作步骤：

1. 在 platform.deepseek.com 创建 API Key 并复制保存。

2. 新建文件 quickstart.py，填入真实 Key 或设置 DEEPSEEK_API_KEY 环境变量。

3. 运行以下 Python 脚本。

4. 观察输出：deepseek-chat 直接返回最终回答。

5. 将 model 改为 deepseek-reasoner 再次运行，返回体中会多出 reasoning_content 字段，这是模型的思考过程，与最终答案 content 分离。

进阶技巧：多轮对话只需把历史消息按顺序放入 messages 列表；追求更低延迟时设置 stream=True 逐片返回；对成本敏感时尽量让用户问题命中上下文缓存，缓存命中的输入 token 价格更低。

from openai import OpenAI client = OpenAI(    api_key="sk-xxxxxxxx",  # 建议读取环境变量 DEEPSEEK_API_KEY    base_url="https://api.deepseek.com",) resp = client.chat.completions.create(    model="deepseek-chat",    messages=[{"role": "user", "content": "用一句话介绍大语言模型"}],    max_tokens=128,    stream=False,)print(resp.choices[0].message.content)

核心能力详解：4 大支柱

支柱一：双模型路由。 deepseek-chat 擅长通用对话、文本生成、快速响应，单 token 成本低；deepseek-reasoner 引入思维链推理，在数学、逻辑、代码调试等复杂任务上明显更强，但速度和成本都更高。生产系统应按任务难度动态路由，简单请求走 chat，复杂请求走 reasoner。

支柱二：OpenAI 兼容协议。 API 与 OpenAI Chat Completions 请求/响应结构对齐，base_url 指向 https://api.deepseek.com 即可复用 OpenAI SDK、LangChain、LlamaIndex 等现有工具链。模型名、messages、max_tokens、temperature、stream 等核心参数保持一致，业务代码迁移成本极低。

支柱三：函数调用与结构化输出。 支持 OpenAI 风格的 tools 参数，模型可以返回结构化的工具调用参数，适合做 Agent 和自动化流程；也支持 response_format 指定 JSON 对象输出，用于信息抽取、表单生成等场景。具体支持度和参数细节以官方文档为准，接入前应在测试环境验证一次。

支柱四：生成参数控制。 每个请求可独立控制温度（temperature）、最大生成长度（max_tokens）、停止符（stop）、随机采样（top_p）等参数，便于针对不同业务调节创造性与稳定性。配合消息历史，可直接用于长文本摘要、多轮客服和代码生成等场景。

生产部署与监控：从上线到运维

部署方式一：后端代理 + 密钥管理。 不要把 API Key 写在浏览器端或移动端代码里，所有请求应经过你的后端服务转发。Key 统一放在环境变量或密钥管理服务（如 Vault / KMS）中，并在网关层做限流、鉴权和重试，避免客户端绕过业务逻辑直接消耗配额。

部署方式二：RAG 服务架构。 生产知识库问答的典型链路是：文档切片 → 向量化 → 向量检索 TopK 片段 → 拼入 Prompt → 调用 deepseek-chat 生成带引用的回答。切分策略、检索召回率和 Prompt 模板直接影响效果，建议在检索后增加重排（Rerank）环节，只把高质量片段送给模型。

可观测性。 每个请求记录模型名、输入输出 token 数、延迟和错误码，按天聚合成本；监控 p95 延迟与 429 限流频率。可在 LangSmith 等可观测平台建立 LLM 调用链路追踪，同时在 DeepSeek 控制台查看用量曲线和余额告警，设置预算上限。

<p class="para-label">避坑清单：</p>

<ul class="dash-list"><li>切勿在前端代码中暴露 API Key：Key 一旦泄露就会被盗刷产生费用，所有请求必须由后端转发，并定期轮换 Key。</li><li>不要把 reasoning_content 当作最终答案保存：reasoner 的思维链是中间过程，应保留 content 用于展示和上下文，否则会污染后续对话并浪费 token。</li><li>并发请求可能触发 429：生产环境必须实现指数退避重试，控制并发水位，不要在客户端无限重试放大压力。</li></ul>

版本迭代

DeepSeek 从 V2 开始将模型按通用与代码分线演进，V2.5 合并统一入口，V3 完成架构级升级，R1 上线独立推理端点。接口始终稳定为 deepseek-chat / deepseek-reasoner 两个模型名，权重升级对用户透明。（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 官网产品与模型信息入口