DeepSeek API 接入实战：便宜大碗，但这些坑你得知道

王王老师2026/05/19401 阅读

DeepSeek 的 API 价格只有 OpenAI 的几十分之一，而且开源模型效果不差，成了很多国内团队的首选。我接了一个月，说下实战体验和坑。

接入很简单，它兼容 OpenAI 格式，直接换 base_url 就行：

Python

from openai import OpenAI
client = OpenAI(
    api_key="sk-xxx",
    base_url="https://api.deepseek.com"
)
resp = client.chat.completions.create(
    model="deepseek-chat",
    messages=[{"role": "user", "content": "你好"}]
)

坑一：model 名要对。deepseek-chat 和 deepseek-reasoner 是两个模型。reasoner 是推理模型，会输出思考过程，但不支持 function calling 和 JSON mode。如果业务要用工具调用，只能用 deepseek-chat。

坑二：长上下文和 max_tokens。DeepSeek 支持 64K 上下文，但 max_tokens 默认只有 4K，长回答会被截断。生成长文时记得调大 max_tokens（它家上限 8K）。

坑三：JSON 模式用法。它支持 response_format={"type": "json_object"}，但必须在 prompt 里提到 json，不然会报错。跟 OpenAI 的行为不完全一样，容易踩。

坑四：并发和限流。免费额度阶段并发限制很死，我碰到过 429 频繁。生产用要加退避重试，别裸调。

坑五：reasoner 的输出格式。用 deepseek-reasoner 时，返回里带 reasoning_content 字段（思考过程），如果你的下游解析按 content 字段处理，会漏掉推理部分。要么忽略 reasoning_content，要么把它拼进去。

体验：deepseek-chat 在中文场景效果确实好，特别是代码和逻辑题。但说实话，它的"便宜"是相对的——如果用得频繁，每百万 token 的成本还是要算清楚，配上一篇讲的语义缓存能省更多。

生产建议：DeepSeek 适合作为主力模型跑业务（便宜），但关键业务建议保留一个 OpenAI/Claude 的备用通道，万一 DeepSeek 服务抖动可以切换。

还没有评论，来抢沙发～

评论0